ChatGPT 的 macOS 桌面端上线了一项名为 Computer History 的新功能，它会把用户在电脑上的操作变成一条时间线，供 ChatGPT 和 Codex 在后续请求中引用。简单说，它学习你的工作习惯、主动建议自动化流程，甚至能接手你做到一半的任务。

什么是 Computer History

Computer History 运行在 ChatGPT 的 macOS 桌面应用里。它记录你的操作行为，生成一条可供检索的时间线；当你向 ChatGPT 或 Codex 提出请求时，它们可以参考这条时间线，理解你刚才在做什么、做到哪一步。

按照 OpenAI 的设计，这个功能用于把你的操作转化为训练数据之外的「上下文」：它不只记住你说过的话，还记住你在各个应用里实际做了什么，从而在合适的时候给出更贴合的自动化建议。

默认主动开启，可随时排除与删除

Computer History 采用「主动开启」（opt-in）而非默认开启，用户需要自己打开才会生效。开启后，仍可以把特定应用或网站排除在记录范围之外，也能逐条删除历史记录，以获得更细的控制。

OpenAI 产品与工程经理 Ari Weinstein 在 X 上表示，Computer History 会自动忽略无痕模式或隐私浏览标签页里的内容。也就是说，用户明确不想留下痕迹的操作，不会被纳入时间线。

演示：它能帮你接着干完半截活

在一段演示视频中，OpenAI 开发者体验团队的 Dominik Kundel 展示了这套能力的实际用法：ChatGPT 能查找他最近编辑过的文档，检查该文档是否通过 Slack 分享给他人，并汇总他当天上午都做了些什么。

这类能力指向一个明确场景——当你离开电脑、留下半截工作时，ChatGPT 可以借助时间线「接上」上下文，提醒你哪份文档还没发、哪个任务还差一步，而不是让你重新从头梳理。

像 Windows Recall，但不截屏

Computer History 很容易让人联想到微软颇具争议的 Windows Recall。区别在于，微软的那项功能大量依赖截图，而 OpenAI 称 Computer History 不捕捉图像、视频或音频，只记录「事件」。换句话说，它追踪的是你做了什么操作，而不是把屏幕画面一帧帧存下来。

这在一定程度上降低了隐私争议，但「记录每一次点击和按键」本身仍会让不少人感到不适。它更像一次效率工具的试探：把个人操作历史交给 AI 打理，换取更顺手的自动续接与建议。愿意接受这种交换的用户，现在可以在 macOS 桌面端主动开启试试。

来源：The Verge（作者 Terrence O’Brien，2026 年 8 月 16 日）

一、这个功能到底记了什么

Computer History 目前只提供给 Mac 版 ChatGPT 的 Pro、Business 和 Enterprise 账户，需要手动开启。开启后，它会读取你允许的应用和网站里的交互事件——包括点击、输入、键盘快捷键、应用切换，以及 macOS 通过辅助功能暴露的上下文——再周期性地汇总成文本记忆，按天和时间排列成一条时间线。

它替代了此前的 Chronicle 功能。区别在于：Chronicle 靠截屏记录，而 Computer History 只记录交互，不抓屏幕、不录麦克风、也不录系统声音，官方称占用资源更少、隐私控制更细。

二、怎么开启

1. 打开 Mac 版 ChatGPT，进入「设置」。
2. 选择「集成」（Integrations），点击「Computer History」。
3. 打开开关，按提示开启「记忆」（Memories）——该功能依赖记忆，才能跨对话调用你的活动。
4. 勾选要纳入历史的应用和网站，并按提示授予 macOS 的辅助功能权限。

开启后，你可以直接问它：「我休息前在做什么？」「今天处理的任务清单和状态是什么？」「给我总结一下昨天做了什么？」它会基于时间线作答，也能把重复工作沉淀成可复用的「技能」。

三、隐私上要注意什么

OpenAI 给了几道保险：功能是默认关闭的（需主动开启）；你能决定记录哪些应用和网站，敏感内容直接排除；可以随时暂停、恢复，或彻底关闭并清除已记录的活动。

但有一处硬伤：Computer History 生成的本地记忆文件不会被它本身加密，其他以你 macOS 用户身份运行的程序理论上都能读取。所以，开启前务必管好你的 Mac 账户密码，并只把可信的来源纳入历史。

对新功能保持好奇没关系，但建议先小范围试用，看清它是否真的帮你省了时间，再决定是否长期打开。

来源：ZDNet

具体动作已经落到价目表上。OpenAI 近期宣布把 GPT-5.6 Luna（其自称「最快、最实惠的模型」）的价格下调 80%：每百万输入 token 从 1 美元降到 0.20 美元，每百万输出 token 从 6 美元降到 1.20 美元。Anthropic 推出 Claude Opus 5，宣传口径是以 Fable 5（该公司能力最强的模型）「一半的价格」提供「前沿级智能」，Opus 5 定价为每百万输入 token 5 美元、每百万输出 token 25 美元。同一周，Anthropic 还取消了原定 9 月对 Sonnet 5 生效的涨价。

按 Silicon Data 的 token 价格指数，自 7 月中旬以来，客户为美国头部实验室模型实际支付的价格已经下降近四分之一。token 是语言模型处理数据的计量单位，也是多数客户账单的计价依据。

是什么把价格压了下来

这轮降价对美国的闭源模型厂商来说是个转向。此前它们主要在性能维度上竞争，而不是价格。变化来自中国实验室持续推出的开源模型——这些模型可以被开发者自由下载和调整，能力也在不断提升，直接对价格构成压力。报道点名了月之暗面（Moonshot）与深度求索（DeepSeek），称其已经在从硅谷到欧洲的用户中打开局面。

企业端的成本压力同时在放大。Anthropic 和 OpenAI 正把部分企业客户从固定订阅转向按用量计费，客户按实际消耗的算力付费。账单上涨之后，一些企业的应对方式是给 AI 用量设上限，或者直接测试更便宜的替代品。DoorDash 与 Airbnb 都表示已开始使用中国厂商的模型来控制支出。

标价便宜，不等于最终花得少

单看每百万 token 的标价，无法直接比较模型贵贱。能力更强的模型有时用更少的 token、更少的尝试次数就能完成同一个任务，于是标价更高的模型反而总成本更低。多数模型还能在不同的「effort」（算力投入档位）下运行，这既影响表现，也影响完成任务的最终花费。

第三方评测机构 Artificial Analysis 在数学、科学、编程和推理等方向做了横向对比，两组结果颇能说明问题：

• Anthropic 的 Opus 5 在 medium 档位下，性能与每任务成本都接近月之暗面 Kimi K3 的 max 档位；
• OpenAI 的 GPT-5.6 Luna 在 max 档位下，表现与深度求索 V4 Flash 的 max 档位相当，但每完成一个任务的成本接近后者的两倍。

砍中间，守顶端

值得注意的是，这轮降价集中在中端产品，正是与中国模型正面竞争的价格带，最顶级的那一档并没有跟着降。长期使用大语言模型的网站托管商 Hostinger，其 AI 技术负责人 Mantas Lukauskas 观察到，最好的模型价格「持平到上涨」。他给出的判断是：

美国实验室砍掉了中间，守住了顶端。

对这轮调价，OpenAI 与 Anthropic 均拒绝置评。一位接近 Anthropic 的人士称，Opus 5 定价低于旗舰 Fable 5，是这家公司「模型家族本来的构建方式，与竞争对手无关」。

这些动作还有另一层背景：OpenAI 与 Anthropic 都在筹划以万亿美元估值上市，而投资者正在寻找证据，证明这个行业的巨额投入能够换来回报。降价能不能同时守住收入和客户，短期内会是两家都要回答的问题。对使用方来说，更实际的结论是：中间档模型的调用成本正在快速下滑，而顶级模型的价格暂时看不到松动。

来源：Ars Technica / Jamie John

怎么用：点加号，从资料库添加

新功能上线后，付费用户可以在对话框左侧点「+」按钮，选择「从资料库添加」（Add from Library），把 Google Drive 文件放进 ChatGPT 资料库。Fry 表示，这样「向 ChatGPT 提问这些文件里的内容就方便多了」。借助新集成，用户能在对话里直接打开甚至编辑 Google Drive 文件，也可以随时选择用对应的 Google 应用（如 Google 文档、Google 表格）打开。

关键细节：改的是 Drive 里的真文件

有用户在 X 上追问编辑机制，Fry 明确回复：ChatGPT 修改的是 Google Drive 里的原始文件，而不是基于现有文档复制出一份静态副本。换句话说，协作方的文件状态会随对话里的编辑实时变化，这与过去「导入—生成副本」的做法不同。

同一波还来了这些功能

除了 Google Drive 集成，Fry 还点名了本周落地的另外几项更新，其中重头戏是一个测验工具：

• 测验（Quizzes）：输入「考考我关于[某主题]」，ChatGPT 会在对话里直接生成一套互动测验，带多项选择题、题目间切换和提示按钮，适合边学边测。
• 订位搜索（Reservation search）：用自然语言找餐厅，例如「我想预订下周六两人位、最好有露天座位」，ChatGPT 会去匹配。
• Yelp 集成：可预订餐桌、加入餐厅等位名单。
• 首页建议：付费用户能在 ChatGPT 首页看到「高质量建议」。

谁能用、意味着什么

上述 Google Drive 编辑能力面向订阅付费套餐的 ChatGPT 用户。对日常把文档、表格放在 Google Drive 的人而言，这意味着写稿、整理、改表可以少开一个标签页，把协作与问答收拢到同一个对话框里。不过也要注意，由于改动直接落在原始文件上，重要文档在交给 ChatGPT 编辑前最好先确认版本与权限。

来源：9to5Mac

但《财富》杂志科技记者 Emily Forlini 在「Eye on AI」通讯中指出，报告第 35 页的一张小表格，讲了一个不太一样的故事。

第 35 页的反差

研究人员发现，员工人均营收与员工使用 AI 的强度（以发送消息量和消耗 token 数衡量）之间，不存在统计上显著的相关性。报告原文写道：「在纳入其他控制变量后，员工人均营收与员工人均输出 token、活跃用户消息数没有有意义的关联。」

换句话说，报告确实显示高营收公司往往更早采用 AI，但这更像「赚钱的公司更有钱先上 AI」，而不是「因为用了 AI 才更赚钱」——因果方向并不能由这份数据确立。

高管用得最少

报告第 29 页的图表还藏着一个细节：高管层级每周发送的消息量反而最少，资深员工的使用强度普遍偏低。OpenAI 首席财务官 Sarah Friar 随即在 LinkedIn 上发文称：「对领导者来说，这提醒我们竞争优势来自离工作最近的人。」言下之意，真正产生价值的可能是一线员工，而非决策层。

企业采用的起伏

报告里的增长曲线也并非一路向上。输出 token 的图表显示，2025 年 10 月到 12 月，企业端总使用量几乎完全停滞，那段时间的黑线接近水平；而同期，Anthropic 的 Claude Code 正在企业里迅速普及。直到 2026 年 1 月，曲线才重新拉起，进入指数增长区间。

就在这份报告发布当天，OpenAI 宣布任命新的首席营收官 Dali Rajic，接替任职不到一年的 Denise Dresser。新官的重点被明确为「加速客户采用」和「帮助企业衡量影响」——这两项目标本身，也侧面说明客户尚未清晰看到可量化的回报。

一份报告的独立性质疑

这份 69 页报告共有五位作者，其中两位是学者：哥伦比亚商学院的 David Holtz 与宾夕法尼亚大学沃顿商学院的 Prasanna Tambe。但脚注注明，二人是「以 OpenAI 付费承包商身份参与贡献」。学界作者通常意味着更高的公信力，这一安排让独立性打上问号。

结论留给数据本身

需要澄清的是，报告并没有断言 AI 没有价值。「没有统计显著相关」不等于「没有影响」，它只说明在报告覆盖的数据范围内，找不到两者之间的稳定关联。究竟是口径问题，还是 AI 的价值还没传导到人均营收指标上，报告没有给出进一步解释。

对企业决策者而言，这份报告真正的看点是那个反差本身：营销语言与数据细节之间，存在一道值得留意的空隙。衡量 AI 的影响，最终恐怕还是要靠自己的第一手经验，而不是别人的宣传。

来源：Fortune

小模型档位，正在顶替旗舰

过去处理长周期任务，开发者几乎没有选择，只能上旗舰模型、开最高推理强度——原因在于成本优化型模型在长上下文和工具调用上的差距太大。GPT-5.6 改变了这个格局。在同样的测试框架下，Luna 和 Terra 这两档较小的模型，往往能接近 GPT-5.4、5.5 的表现，价格却低得多。

几个数据很能说明问题。文档智能公司 Hypha 的工程师表示，Luna 在保持 GPT-5.5 约 98% 提取精度的同时，成本只有后者的十八分之一。在 BrowseComp 这项考察冷门事实检索能力的基准上，三个月前 GPT-5.5（超高推理）得分 84.36%、花费 33.27 美元；GPT-5.6 的 Luna（超高推理）得分 84.04%、花费仅 1.33 美元——性能几乎一致，成本差了约 25 倍。浏览器自动化公司 Browser Use 的联合创始人给出的数字更具体：他们用 Luna 跑了 106 个最难的浏览器任务，完成率 78%，总花费约 14 美元；而当前最强模型跑到 80% 要花大约 235 美元。

工程分析平台 PlayerZero 的创始人则报告，在一个关键的代码探索任务上，Luna 把推理成本降低了 64%，响应时间缩短 90%，F1 分数还提升了 5 个点。

推理强度，不是越高越好

指南里另一个反直觉的发现是：降低推理强度，有时反而得到更好的结果。在 Agents' Last Exam 测试中，当测试框架保持不变时，GPT-5.6 的 Sol 档在「低」推理强度下的表现，超过了 GPT-5.5 在「高」推理强度下的表现。生产环境里也有类似反馈——多家初创公司表示，把推理强度从默认值调低后，多种工作流都看到了明显的成本改善。

数据分析公司 Hex 的 AI 研究负责人描述得很形象：把 GPT-5.6 放进现有框架后，低推理强度反而给出了最好的结果——模型知道数据不存在时就停下来，不追错误线索，用更少的 token 得到正确答案。

三个接口原语，把确定性工作交给代码

除了模型本身，OpenAI 还给 Responses API 引入了三个新的架构原语，分别对应智能体工作流里的几类效率问题。

第一是推理复用与原生压缩：通过把推理结果跨模型轮次持久化保存，并对长对话做原生压缩，模型能在更长任务周期内保持连贯，而不必反复重建上下文。在 ARC-AGI-3 基准上，Sol 用标准框架得分 13.3%；开启推理持久化与压缩后，得分跃升至 38.3%，输出 token 只有标准框架的约六分之一。

第二是原生多智能体编排：对可并行的复杂任务，把行动和推理分发给多个智能体并行推进。这也是 ChatGPT 里「ultra」能力设置的运作方式。研究公司 Quadrillion 的创始人评价，GPT-5.6 的 Sol 在开放式研究问题的多智能体协作上表现突出，相比 5.5 有明显提升，完成速度也几乎是最快的。

第三是程序化工具调用：让 GPT-5.6 编写 JavaScript 来编排工具、并行执行独立调用，并在上下文窗口之外处理输出，模型只专注于真正需要判断力的部分。金融研究公司 Rogo 的负责人表示，在评估中，使用程序化工具调用的 GPT-5.6 在质量标准上达到同等水平，同时输入 token 减少了 21%——这正是「能讨论金融研究」和「能真正执行金融研究」之间的区别。

缓存窗口拉长，也能省一笔

在整个 GPT-5.6 模型家族里，提示缓存的存活时间已延长到至少 30 分钟，并且可以在上下文窗口内确定性地设置缓存断点。AI 工程公司 Ploy 的工程师报告，他们在一个共享的 2.9 万 token 提示里加入缓存断点和专属密钥，把未缓存输入减少了 28%；30 分钟的缓存窗口让智能体能在多次运行间复用同一段上下文，而不是每次从头开始。

指南传递的信号很清晰：企业客户对 token 成本的敏感，已经到了必须正面回应的程度。过去那种「每一步都用最强模型」的做法，正在被更精细的分层调度取代。对开发团队而言，真正可操作的做法有两条——把高频、简单的任务下沉到便宜档位，把旗舰留给最难的部分；以及在选型时，用「单位任务成本」而不是「单价」来做横向比较。

来源：OpenAI 官方博客《The builder’s guide to GPT-5.6》

企业级人工智能正在从「问一问」走向「做出来」。OpenAI 在 2026 年 8 月 11 日同时发布两份研究，用真实使用数据勾勒出这场转变的轮廓：少数跑在前面企业，单位员工的 AI 产出已经拉开同行数倍。

两份研究，一套真实数据

其中一份是学术论文《How Organizations Use AI: Evidence from ChatGPT》，作者包括 Aaron Chatterji、David Holtz（哥伦比亚商学院）、Neel Rakholia、Prasanna Tambe（沃顿商学院）与 Gawesha Weeratunga，均来自 OpenAI。配套的《Enterprise Signals》报告则从企业客户的实际用量切入。

研究把 ChatGPT Enterprise 企业账号记录，与使用情况、员工角色、任务分类以及上市公司财务数据（截至 2026 年 3 月）做了关联。在六个月的采用窗口里，样本覆盖 1500 多家组织和超过 1700 万条消息。

四个被记录下来的事实

第一，企业用量快速增长，既来自新客户的加入，也来自老客户使用强度的加深。聚合输出词元在 2025 年 6 月到 2026 年 3 月之间增长约 7 倍；在一批 2024 年 1 月至 2025 年 6 月就采用的一致企业队列内，也增长了约 4 倍，其中约一半增长来自这些既有的采用企业。

第二，在美国上市公司里，采用 AI 的企业往往规模更大、估值更高，研发以及销售与管理费用的投入强度也更高，说明早期采用和企业此前的无形资产、组织能力积累有关。

第三，在采用企业内部，活跃使用横跨不同职能和资深层级，其中早期职业员工的使用强度尤其突出。

第四，使用覆盖广泛的知识工作任务，包括写作、技术工作、沟通和信息综合。

前沿企业把同行甩开 8 倍

《Enterprise Signals》报告刻画了「前沿企业」——即每月 AI 用量排前 10% 的客户——与典型企业的差距。截至 2026 年 6 月，前沿企业每位活跃用户产生的输出词元，是典型企业的 8.3 倍，而当年 1 月这一数字还只是 2.6 倍，差距在三个月内明显拉大。

智能体正在承接更实质、可委托的工作。报告显示，截至 6 月，在 OpenAI 企业客户中，Codex 已经贡献了 Codex 与 ChatGPT 合并输出词元的 64%。自 2 月以来，企业里每周活跃使用 Codex 的用户增速差异显著：法律职能增长 108 倍，销售与招聘各 41 倍，市场 26 倍，而工程仅 5 倍——知识工作职能的智能化正在全面铺开。OpenAI 内部也有 95% 的员工每周使用插件类能力。

差距不在模型，在组织

研究给出的启示是：企业间 AI 落地的速度、广度和目的差异巨大，而且很多组织仍在摸索如何把 AI 真正嵌进工作流程。ChatGPT 每周已经服务超过 8 亿用户，但对企业而言，瓶颈往往不再是模型能力或工具本身，而是组织准备度——能否把智能体接入所需的情境与工具、建立清晰的权限审查和治理，并帮助员工把有效的个人流程变成可共享的团队方式。

来源：OpenAI 官方研究（How Organizations Use AI: Evidence from ChatGPT 及配套 Enterprise Signals 报告）

## 由Cerebras 提供算力，主打极低延迟

「超快」模式由芯片公司 Cerebras 提供底层算力支持，是 OpenAI 与 Cerebras 合作把超低延迟推理带上平台的最新一步。此前，人工智能开发者常常不得不在「速度」与「智能」之间做取舍：模型越大越聪明，计算和数据的搬运成本也越高，响应自然越慢。用户要么等待高质量的结果，要么在更短时间内接受更差的输出。

「超快」模式试图打破这一两难。OpenAI 表示，在保持与标准版完全相同智能水平的同时，运行速度最高提升十四倍。凭借晶圆级引擎技术绕开推理过程中的内存带宽瓶颈，Cerebras 让 GPT-5.6 Sol 这样的高智能模型，也能以每秒七百五十个输出词元的速度稳定吐字。

## 从一夜到一天：研发周期被压缩

在实际应用中，OpenAI 的开发团队已经用「超快」模式在系统事件期间分析日志与追踪信息，把过去需要彻夜运行的research周期，压缩到在一个工作日内进行多次迭代。

对外，这一模式面向语音、客户支持、商务交易、开发者代理、金融研究和安全响应等实时或接近生产环境的任务。OpenAI 表示，它让企业能够构建响应更快的产品、做出更快的决策，并把强大的大模型直接带进最关键的工作流。目前该服务仅向部分精选客户开放限量预览，后续将随容量增长逐步扩大；有需求的企业可通过提交自身工作负载、延迟要求和预期用量加入等待名单。

## 横向对比：比同类模型快数倍

在标准模式下，GPT-5.6 Sol 已是 OpenAI 当前最聪明的模型。根据第三方机构 Artificial Analysis 的对比数据，开启「超快」模式后，它的输出速度比 Fable 5 快约十一倍，比 Opus 4.8 的快模式快约五倍。

在更具挑战性的 HLE（人类终极考试）基准上，「超快」模式也展现出明显优势。HLE 包含两千五百道通常只有化学、经济、文学等领域博士才能作答的难题。由 Cerebras 执行的实测显示，GPT-5.6 Sol「超快」模式配合 Codex、采用最高推理级别，仅用十一小时十一分钟便答完全部题目；而 Claude Fable 5 配合 Claude Code、同样采用最高推理级别，耗时七十八小时二十七分钟，相当于超过三天的持续计算。换言之，「超快」模式在一个工作日内就攻克了人类知识的前沿难题，并且以接近七倍的速度达到了相近的准确率。

## 大模型加速成为新战场

GPT-5.6 Sol 于 2026 年 6 月发布，同期推出的还有主打平衡的 Terra 与侧重速度的 Luna，整个模型家族在 7 月已通过 ChatGPT、Codex 与 API 向公众开放。「超快」模式的加入，补上了「极致低延迟」这一档，让开发者可以在同一个模型家族里，按场景自由取舍智能、速度与成本。

随着大模型能力持续进步，推理速度正成为越来越关键的竞争维度。谁能把前沿智能塞进更短的时间窗口，谁就能把人工智能真正嵌入语音助手、实时客服和自动化代理这些「每一秒都重要」的场景。OpenAI 与 Cerebras 联手推出的「超快」模式，预示着大模型竞赛正从「谁更聪明」悄悄转向「谁更快把聪明用出来」。

来源：OpenAI（Ultrafast 官方预览文档，https://openai.com/index/previewing-ultrafast/）

Daybreak 分成蓝、红两档

Daybreak 最早于今年早些时候推出，时间上紧随 Anthropic 发布其网络专项模型 Mythos。它把模型、工具与工作流打包，提供给防御方使用。此次扩展后，Daybreak 分为两个档位：Blue（蓝队）与 Red（红队），两档都向通过审核的客户开放 OpenAI 受限的前沿网络模型。

其中 Blue 档相对基础，提供事件响应、恶意软件分析和补丁验证等能力，OpenAI 称之为「大多数防御者的推荐起点」。Red 档则提供更广、也更危险的工具箱，包含「按目的训练的网络安全模型」，用于安全测试与漏洞研究；新模型 GPT-5.6-Cyber 仅在 Red 档提供。

GPT-5.6-Cyber 是什么

OpenAI 表示，GPT-5.6-Cyber 基于 GPT-5.6 Sol 构建，在特定的网络安全专项任务上增强了能力。目前它只面向「受信任的客户伙伴」开放，据报道包括埃森哲（Accenture）、IBM、CrowdStrike、Cloudflare 等。

OpenAI 在官方博文中写道：「网络安全世界正在快速变化——威胁行为者将越来越多地利用 AI，以空前的速度和规模发起网络攻击，包括完全自主的方式。随着这些能力扩散，防御者的准备窗口正在收窄。」

能力与争议并存

据 VentureBeat 报道，GPT-5.6-Cyber 在高级网络安全任务上的完成度达到 95%，且相比基础版本降低了「拒绝回答」的概率，更便于开展漏洞研究。OpenAI 还称，已在真实世界的漏洞研究中大量使用该模型，并借此在 Chrome 浏览器 V8 引擎等流行开源软件中发现了此前未知的漏洞。

不过，批评声音同样存在。有观点指出，这类模型在某种程度上成了 AI 实验室的营销机会——既能展示技术实力，又能把防御服务卖给最早感知到风险的同一批企业。一个能找漏洞的模型，本质上也能写漏洞利用；同样的强大能力，方向取决于使用者的意图。

这并非 OpenAI 第一次在「开放还是设限」上陷入两难。此前，OpenAI 首席执行官萨姆·奥尔特曼（Sam Altman）曾公开批评 Anthropic 限制 Mythos 模型访问的做法，称其「以谨慎为名行垄断之实」。如今 OpenAI 自己也对新模型设置了访问门槛，仅向所谓的「受信任的安全防御者」开放。无论立场如何，AI 网络攻防的军备竞赛，已经把模型本身推到了防线的最前沿。

来源：TechCrunch

支持哪些发行版

该应用面向全球发布，Linux 用户可在其中使用 ChatGPT、ChatGPT Work 与 Codex。OpenAI 列出的受支持发行版包括 Ubuntu 24.04 与 26.04 长期支持版（LTS）、Debian 13，以及 Fedora 43 与 44。Linux 社区由数百个发行版组成，OpenAI 选择的这些版本是众多「下游」桌面发行版的基础，因此衍生版本也应当兼容。

对开发者群体而言，原生 Linux 客户端意味着无需再依赖浏览器标签页或命令行工具，即可在本地调用 ChatGPT 与 Codex；ChatGPT Work 则是面向企业的版本，支持团队与企业级功能。

落后竞争对手一个月

在 Linux 桌面端，OpenAI 其实慢了一步。竞争对手 Anthropic 约一个月前已发布 Claude 的 Linux 桌面应用，支持 Ubuntu 22.04 等版本。随着 ChatGPT 桌面版登陆 Linux，两大主流 AI 聊天工具均已覆盖 Windows、macOS 与 Linux 三大平台，开源开发者长期呼吁的本地客户端终于落地。

由于本次发布仍处于预览阶段，部分功能与发行版兼容性可能随后续更新逐步完善。

来源：TechCrunch