GPT-5.6自己优化自己实锤了，新的左脚踩右脚已经出现
内容提要
OpenAI在技术报告中披露，GPT-5.6已投入生产，通过流量分析、内核改写、优化推测解码和部署参数，实现端到端成本降低20%、Token效率提升15%，初显递归自进化（RSI）特征。同时，OpenAI用Rust构建Agent Harness，减少循环重复开销，人类仍掌控优化目标。内部研究Token用量激增，显示AI效率提升反而增加使用量。
延伸解读
RSI的早期形态：从工具到工程师的转变
GPT-5.6已开始参与优化自身运行环境，包括分析生产流量、改写Kernel、优化推测解码和调整部署参数。这标志着AI从被调用的工具，逐渐转变为改造自身系统的工程师。虽然尚未实现完全自动训练下一代模型，但已形成初步的工程反馈回路，是递归自进化（RSI）的早期形态。
效率提升的双重来源：模型自优化与人类工程
OpenAI的成本降低和效率提升并非仅靠GPT-5.6自优化，还包括人类构建的Rust Agent Harness，通过延迟工具发现和只追加不回写等策略，减少Agent循环中的重复开销。这表明当前AI效率提升是模型自优化与人类工程优化共同作用的结果，人类仍掌控关键环节。
效率提升反而增加用量：杰文斯悖论的体现
报告显示，GPT-5.6内部测试期间，研究人员日均Token输出超过GPT-5.5峰值两倍，内部Agent Token用量增长约22倍。这印证了杰文斯悖论：AI效率提升导致使用量激增，而非减少。成本降低和效率提升可能刺激更多应用，从而增加总体资源消耗。
Q&A
GPT-5.6在OpenAI生产环境中具体做了哪些自我优化？
GPT-5.6在OpenAI生产环境中主要做了四件事：分析真实生产流量以优化请求路由；重写和优化生产Kernel（使用Triton和Gluon）；优化自己的推测解码系统，包括设计draft model和自动运行实验；针对不同任务自动搜索最优部署参数（如batching、sharding和KV Cache管理）。
GPT-5.6自我优化带来了哪些实际效益？
根据OpenAI技术报告，GPT-5.6的自我优化使端到端服务成本降低了20%，Token生成效率提升了15%以上。
什么是RSI（递归自进化）？GPT-5.6是否完全实现了RSI？
RSI（递归自进化）是指AI进入一个“改进AI”的反馈回路，即这一轮能力变强后，再反过来加速下一轮升级。GPT-5.6尚未完全实现RSI，它只是开始参与优化自己的运行环境，但优化目标、工具权限、评测指标以及代码能否进入生产环境仍由人类决定。
OpenAI如何减少Agent循环中的重复开销？
OpenAI用Rust编写了Agent Harness，并采取两项关键优化：一是延迟发现，即不一开始就把所有工具塞给模型，而是在需要时才展示，并限制工具返回内容默认在1万Token以内；二是只追加、不回写，让Prompt缓存一直有效，新消息和工具结果只接在上下文末尾，工具保持固定顺序，审批和权限设置留到执行阶段处理。
GPT-5.6内部测试期间，OpenAI的研究Token用量有何变化？这说明了什么？
在GPT-5.6内部测试期间，每名活跃研究人员的日均输出Token超过GPT-5.5时期峰值的两倍；过去半年，内部编程推理的研究算力占比增长100倍，内部Agent Token用量增长约22倍。这说明AI效率提升反而增加了使用量，即AI变得更便宜、更好用时，用量会不断增加。
GPT-5.6自我优化中，人类扮演什么角色？
人类仍然处于循环中（human in the loop），掌控优化目标、工具权限、评测指标，并决定代码能否进入生产环境。也就是说，GPT-5.6虽然参与改造自己，但最终决策权仍在人类手中。
