OpenAI的研发步伐似乎从未减缓，尽管GPT-6尚未被完全掌握，下一代的GPT-7和GPT-8似乎已经在设想之中。近日，OpenAI应用研究负责人Boris Power的发言透露，公司的研究重心已将约80%至90%投向未来的模型，形成了一个清晰的研究规划。然而，尽管如此，GPT-6本身依然是他们努力的焦点。本月，OpenAI推出了GPT-6 Astra，专注于提升模型的能力上限，随之而来的是9月22日发布的更快且更具性价比的两个新版本——Sol与Luna。如此一来，OpenAI一边将重心转向未来的模型，一边又在不断优化现有系统，这引出了一系列发人深省的问题。

既然公司战略已向下一代模型倾斜，为什么还要在现有模型上持续投入？而在大模型不断增强的同时，为什么还要开发小型且价格亲民的版本呢？

谈及对现有模型的优化，Power毫不犹豫地指出，这样的短期努力在OpenAI内部被视为“极度短视”。虽然这些优化能够帮助团队更快地迭代与响应当前需求，但他强调，长期来看，重点依然应放在下一代模型的开发上。这就涉及到一个关键的思考：当前的优化究竟能够带来多长久的适用价值？例如，若现有模型在执行工具调用时频繁出错，团队会分析数据、调整训练，试图解决这一痛点。每解决一个问题，产品的可用性便得以提升，团队在此过程中也能积累经验，但Power警醒大家，这些“补丁”在新一代模型面世后，或许就显得微不足道。 ued官网体育

因此，随着新模型的发布，团队需重新审视哪些问题值得投入精力去解决。尽管短期内的短板亟待修复，用户对产品的即时需求不可忽视。以Astra为例，OpenAI在官方介绍中提到，团队仍然致力于通过训练模型提升实际工作效果，并在不断优化Codex，使得AI的执行过程更加高效顺畅。对于普通用户来说，这意味着在与AI交互时，往往需要反复调整提示、分解操作并细致地监控过程，但这些不便的局面在未来或许会得到根本改善。

一旦GPT-7、GPT-8等新一代模型到来，过去需手把手指导前代模型完成的任务，可能只需要简单地设定目标就足够。

那么，在对大模型的不断强化后，为何仍要投入小型模型的开发呢？在Power看来，这两项工作其实是相辅相成的。首先，OpenAI希望能够研发出一个功能强大的通用型模型，随后再让这个“老师”教导更小、更具针对性的模型。这一理念在Astra与Luna的开发过程中得以体现，正是因此，OpenAI将绝大部分研究资源集中于GPT-7和GPT-8等未来模型，因为它们不仅能够独立解决问题，还将对后续的小型模型提供知识支持。 ued官网体育

从技术角度来看，模型蒸馏是一项常见的方法，通过这种技术，团队首先利用强大的模型生成示例，再筛选出高质量的输出，进而用这些数据来训练更小型的模型。OpenAI已经在这方面累积了丰富的经验。例如，在2025年3月推出的新一代音频模型时，OpenAI明确表示，团队通过蒸馏学习，为更小、高效的模型传授了大型音频模型的知识，利用模拟真实对话的数据显著提升了小模型的对话质量。

具体而言，在一个实例中，OpenAI说明了如何利用GPT-4o作为“老师”，训练GPT-4o mini根据葡萄酒相关信息来判断葡萄品种。经过训练，GPT-4o mini在300条验证数据上的准确率由64.67%提升至79.33%，接近其“大师兄”GPT-4o的79.67%表现。尽管这种结果并不显示小模型在所有方面与大模型平起平坐，但只要在特定任务上能达标并降低使用成本，这种利润通过量化计算是非常有吸引力的。

再回到GPT-6家族，类似的能力迁移与成本优化依然在进行中。9月22日，新型的GPT-6 Sol和Luna被推向市场，声称速度更快且价格更实惠。这些模型借鉴了Astra的训练方法，将相关的性能提升移植到更多经济型的选项上。尽管具体的训练细节尚未公开，Luna并不能完全被视为“缩小版的Astra”，但显然，大模型所提升的能力极大地降低了使用门槛。 ued官网体育

在如何合理分配大模型与小模型的工作方面，不是所有任务都需要使用最顶级的模型。在一个具体的项目报告中，材料之间的信息不一致可能导致核心结论的含糊。这时，强大的模型可以先处理逻辑梳理、找出矛盾和遗漏的信息，再搭建出报告框架，而在关键事实确定以后，小型模型就可以承担起后续的执行任务。这种分工的合理化正是确保在资源有限的情况下，最大化地提升工作效能的重要策略。