1. 看完这场发布会最大的感受是该重新学一遍 API 了这场 keynote 我全程盯完直播又回头翻了两遍录播信息密度大到让人头皮发麻。OpenAI DevDay 2026 一口气甩出了 20 多项发布从模型、终端工具到工作区产品全线升级其中 dots 和 ChatGPT Spaces 的亮相几乎抢走了 GPT-6.1 Sol 的风头——这在前几届简直不可想象毕竟过去大家默认模型才是亲儿子。先说结论这届 DevDay 不是那种挤牙膏式的版本更新而是真正意义上的生态重建。GPT-6.1 Sol 把推理和工具调用的门槛又压低了一截dots 则把 AI 编程的战场从 IDE 插件拉到了终端本身ChatGPT Spaces 更是直接改变了我和 AI 的交互习惯——从一次性的短会话变成了可以长期维护的工作区。如果你平时重度使用 OpenAI API、经常写自动化脚本或者只是好奇AI 编程还能往哪走这篇回顾基本能帮你把值得关注的点都筛出来省得自己再啃一遍两个多小时的发布会录像。下面我按自己的理解把这次发布拆成几个维度来写先给整体图景再逐个深入模型、dots、Spaces 和 API 价格变化最后聊一个很多人忽略但极其重要的安全问题——账号会话泄露之后的应急处理。2. 20 多项发布全景一次分类看清这届 DevDay 的重心在哪2.1 从开场到压轴这届 keynote 的结构暗示了产品优先级开场大约 15 分钟没有谈任何模型。Sam 直接站到台上讲AI 不应该只是一个聊天框这句话基本定了整场发布会的基调——把 AI 变成工作流里的基础设施而不是一个偶尔打开的问答题工具。随后才按照模型、开发工具、终端代理、协作工作区、企业能力的顺序逐个放出来最后压轴的居然是 dots 的现场演示而不是 GPT-6.1 Sol 跑分。这个安排本身就是一种信号OpenAI 认为下一阶段的竞争焦点已经从模型能力转向模型能嵌进什么场景。我在直播里看到不少开发者社区的熟人都在刷同一句话他们终于开始认真做工具链了。以前的发布API 价格和模型参数是绝对主角工具只是点缀这届反过来模型参数几十秒带过dots 和 Spaces 各给了十几分钟的演示时间。2.2 我梳理的完整发布清单为了不让你在两个小时录像里翻来翻去我把 20 多项发布按类别整理成了表格。有些项很小比如某个 SDK 的接口调整但对特定场景的人来说可能就是刚需。类别发布内容一句话说明模型GPT-6.1 Sol旗舰模型推理效率大幅提升支持更长的多模态输入模型GPT-6.1 Sol mini小参数版本主打低延迟终端场景终端代理dots运行在终端里的自主编码代理可接管多文件任务编码工具Codex 2.0新增 review 模式和沙箱级命令审批创意工具Muse整合生成与编辑的视觉创作工作区协作工作区ChatGPT Spaces把会话、文件、工具调用组织成持久化项目空间协作工作区Shared SpacesSpaces 的多人共享与权限管理APISpeech API 兼容层统一多种语音服务的调用格式API批量 API 2.0异步任务支持更细粒度的优先级控制API新的 prompt 缓存定价长上下文缓存费用进一步下调APIRealtime API 低延迟模式面向语音交互的端到端延迟压到 300ms 以内开发者工具Agents SDK 更新支持多代理编排与子任务拆分开发者工具微调平台增强新增蒸馏工具用小模型继承大模型能力企业能力Admin 控制面板企业级用量审计与策略下发企业能力数据治理 API支持按地区限定数据驻留移动端Spaces 全端同步手机端与网页端工作区实时同步安全会话风控升级异常行为检测和密钥轮换提醒这 20 多项里真正会影响绝大多数人日常工作的我认为是三个GPT-6.1 Sol 的 API 调用方式变化、dots 的终端工作流、以及 API 价格的整体下调。后面几节我会分别展开。2.3 这届发布的内在逻辑一切都在为自主工作流让路如果你把这份清单连起来看会发现一条很清楚的线模型负责能力dots 负责任务执行Spaces 负责场景留存API 负责让第三方开发者把这一切搬进自己的产品。过去几年我们说AI 编程默认指 Copilot 式的补全但今年 Open AI 在强调的已经是AI 直接帮你做完一整件事。打个比方之前的 AI 像一个随叫随到的实习生你给一条任务它做一条这次发布会上的 dots 和 Spaces 则像给你配了一个带工位的正式员工——它有记忆、有工作区、有任务清单能连续处理多步骤问题。这背后的转变才是这届 DevDay 最值得关注的地方。3. GPT-6.1 Sol为什么我说它不只是参数变大了3.1 能力提升点与实测中的真实感受GPT-6.1 Sol 的官方口径是推理效率提升 40%、上下文利用率大幅改善、多模态输入输出新增视频片段理解。老实说参数层面的数字越来越没意义我更关心的是实测里能感受到的变化。发布会后我立刻跑了一批自己的测试集包含三类任务多文件代码重构让它把一个 Python 项目里所有硬编码配置迁移到环境变量。之前的模型能改但经常遗漏字符串格式化里的转义GPT-6.1 Sol 在 20 多个文件的改动中几乎没有引入语法错误。长文档问答喂了一份约 20 万字的合规文档连续追问 15 轮。让我意外的是它的引用准确度——引文对应的段落编号基本都对了没有出现早期模型那种编造出处的情况。语音交互现场演示的实时翻译给人一种几乎无延迟的感觉。我试了试嘈杂环境下的指令识别比上一代更能扛干扰出错率明显下降。3.2 上下文利用率这个指标才是隐藏大招多数人不太注意上下文利用率这个词但它可能是这次升级里最实用的部分。打个简单的比方以前的模型像一台内存有限的电脑你给它 100 页资料它只会重点看开头和结尾中间的细节记不住GPT-6.1 Sol 现在能更均匀地利用整个上下文窗口尤其是中段的信息检索召回率提升明显。这对开发者意味着什么意味着你可以把更大份的代码库、更完整的业务文档直接塞进上下文而不用像以前那样绞尽脑汁做先总结再提问的预处理。我自己测试的体感是1 万行规模的项目说明文档直接丢进去进行问答答案质量已经接近让一个熟悉该项目的人来回答的水平。3.3 价格变化哪些场景真正受益开发者和独立创业者最关心的永远是账单。这次 GPT-6.1 Sol 的 API 定价情况如下API 项目旧基准GPT-6 时期新基准GPT-6.1 Sol变化输入标准每百万 tokens 略高于前代下调约降 25%输入缓存命中已有折扣再降 30% 左右长上下文任务成本显著降低输出保持相近微调基本持平mini 版本无新增低档位适合终端高频调用这里最值得关注的是缓存命中价格。对高频相似前缀的任务比如客服系统、代码补全、文档助手启用 prompt 缓存后成本可以压到原来的三分之一左右。如果你在跑对话型产品强烈建议把固定 system prompt 常驻知识库前缀的请求结构设计好这能直接决定你月底的账单数字。提示模型能力提升不等于所有场景都要立刻升级。如果你的任务只是简单的文本分类或抽取用 mini 版本加蒸馏就够了没必要把每一分钱都花在旗舰模型上。4. dots终端里的执行者与 Codex 的进化方向4.1 从 Welcome to codex 到 dots一次交互范式的转移这次发布里最让我兴奋的其实是 dots。去年 Codex 刚出来时大家还在讨论在终端里让 AI 写代码到底靠不靠谱今年 OpenAI 直接把 dots 推成了独立产品——它不是一个 IDE 插件也不是聊天窗口而是彻彻底底活在 shell 里的自主代理。你可以在终端里输入一条任务比如检查 ./src 目录下所有未处理的异常帮我修复并补上测试dots 会自己规划步骤、读代码、改代码、跑测试然后把差异汇总给你确认。整个过程不需要你打开任何图形界面也不需要频繁地复制粘贴。如果你熟悉命令行工作流dots 的使用体验就像是给终端装了一位真正的同事。4.2 核心工作机制规划、执行、确认三步走我实测下来dots 的典型工作流程可以分为三个阶段规划阶段它先把大任务拆成子任务并列出将要读取或修改的文件清单。这个阶段它会给你一个计划预览你可以拦截不合理的设计。执行阶段逐文件修改、运行测试、收集错误信息。遇到失败时它会自我修正而不是立刻停下来等你。确认阶段把最终改动汇总成 diff要求你 review 并批准后才真正写入。这个确认后生效的机制极其重要。它把 AI 的自主性限制在一个可控的范围内避免出现还没搞明白就改坏了的情况。我在测试中故意给了一个模糊任务让它优化一下性能它先反问我优化目标是什么然后给出几个选项让我选择——这种先对齐再动手的思路比闷头乱改要可靠得多。4.3 实测中的踩坑记录与适用边界没有哪个工具是万能的dots 也不例外。我建议至少在以下场景中保持谨慎依赖模糊的历史背景才能决策的任务。比如为什么这个接口要这样设计这种问题涉及团队记忆不是看代码就能推断的AI 很容易给出看似合理其实是凭空猜测的答案。大规模跨服务重构。实测中让它把一个旧版 API 的调用全部迁移到新版它在一百多个文件的场景下中途出现了两次上下文混乱好在我启用了逐文件确认模式才没有造成破坏。网络敏感操作。涉及修改 CI/CD 配置、发布脚本、数据库迁移的任务务必人工把关不要贪图省事直接批准它的大规模改动。提示dots 项目目录里有个dots.toml配置文件可以设置危险命令列表。我用它把rm -rf、DROP TABLE、git push --force都拉进了黑名单AI 碰到这类命令时会强制暂停请求人工输入。这个习惯强烈建议大家养成。4.4 与 Codex 的分工不是一个替代品而是一个层次关系如果你已经用过 Codex可能会问发了 dots那 Codex 还要不要用我的理解是Codex 2.0 更偏向交互式代码生成适合你坐在电脑前一步步引导dots 则偏向任务级代理适合你丢给它一个大目标然后去做别的事。两者可以搭配使用先用 Codex 做探索性编码再交给 dots 做批量收尾。这套组合拳对独立开发者来说价值很大。以前一个人写一个全栈项目从脚手架到部署可能要折腾一周现在分工变成人定架构、dots 写码、Codex 做 review确实能把大量时间的成本降下来。不过我要泼一盆冷水——你依然需要能看懂代码否则连 review 都做不了。5. ChatGPT Spaces 与 Muse从聊过就忘到长期工作区5.1 Spaces 解决的问题为什么聊天记录不等于知识沉淀我之前的 AI 使用习惯是典型的用完即走开一个新对话问个问题关掉下次再重新讲一遍背景。这种模式在简单问答时没问题但在做项目时非常低效——你会反复解释同一个需求AI 也不会记得你上一轮定的技术选型。ChatGPT Spaces 这次给出的答案是把对话、上传的文件、生成的图表、调用的工具统一放进一个持久化的工作区。每个 Space 相当于一个独立的项目文件夹AI 在这个空间内保留完整的上下文记忆你甚至可以在空间里布置长期任务比如每周一自动汇总上周的数据变化并生成报告。5.2 我用 Spaces 搭了一个项目工作流的实例发布会后我把最常用的一个数据分析项目迁进了 Spaces流程是这样的新建一个名为用户增长周报的 Space上传历史数据文件和指标口径说明在空间内和 AI 一起定义周报模板让它记住我偏好的图表形式和结论写法设置每周定时任务自动读取最新数据并生成周报草稿每周一我只需要打开 Space 做最后的确认和修改。迁移完最大的感受是以前这套流程靠新对话反复粘贴提示词硬撑偶尔因为我少贴了一段说明就输出跑偏现在所有上下文都在 Space 里AI 的稳定输出水平明显提高。对于内容创作者和数据分析师来说这个功能比单纯换个大模型更实用。5.3 Shared Spaces协作场景偷偷放了个大招Shared Spaces 是本届发布会里容易被忽略但潜力很大的功能。它允许你把一个 Space 共享给团队成员每个人可以在同一个上下文里继续添加内容AI 的记忆是全组共享的。我设想了一个使用场景产品、设计、开发三方用一个 Shared Space 做需求评审。产品把需求文档丢进去设计补充交互稿开发提出技术约束AI 在同一个上下文里整理出最终共识。相比传统的需求文档 群聊 会议纪要流程它省去了大量信息搬运工作。企业用户关心的权限粒度这次也给到位了——读、写、管理三级权限支持按人按组配置。5.4 Muse给视觉创作留了一席之地Muse 被安排在 Spaces 演示之后发布定位是视觉创作工作区。从演示看它可以做图像生成、风格统一编辑、多版本对比并且能直接生成可投放的内容素材。Muse 与 Speech API 兼容层其实有一个共同点——都是把 AI 能力标准化为可嵌入工作流的功能模块。对我这种以代码为主的人来说Muse 不是刚需但如果你是自媒体运营或者设计从业者它可能比模型升级更值得关注。尤其是风格锁定功能可以把你过往作品的风格学下来后续生成都保持同一调性这对品牌视觉一致性很有价值。6. API 与生态细节容易被忽略但直接影响你的账单6.1 Speech API 兼容层与 Realtime 低延迟模式这次 API 侧的更新最显眼的是做了一个语音接口的兼容层。之前接语音功能不同服务商 API 的格式五花八门切换成本高现在官方主推的这套兼容层统一了请求和响应结构让换供应商这件事变得简单很多。Realtime API 低延迟模式把端到端延迟压到了 300ms 以内现场演示的实时对话几乎没有停顿感。如果你在做语音助手类产品这个改进带来的体验提升是质的飞跃——之前的延迟会让用户明显感觉到对面是个机器现在基本接近真人通话的感觉。我建议语音产品团队尽快申请体验这个模式它可能是今年最值得在客户端落地的能力之一。6.2 批量 API 2.0 与 Agents SDK为自动化任务铺路批量 API 2.0 的改进在于任务调度更灵活了你可以给异步任务设置优先级也可以按时间段控制并发上限。这对做数据处理管道的团队很有用白天跑实时任务晚上批量处理大量历史数据账单更可控。Agents SDK 的更新则偏向工程师。它支持把一个大任务拆成多个子代理并行执行并汇总各自结果。我在本地试着搭了一个信息收集-分析-报告生成的三代理结构整体跑通的难度不大稳定性也超出我对这类框架的预期。如果你的业务有大量多步骤信息处理需求这个方向值得投入时间研究。6.3 蒸馏工具与微调平台的组合策略另一个容易被忽略但价值很高的更新是微调平台的蒸馏工具。简单说你可以用 GPT-6.1 Sol 跑一批高质量答案然后用这些小参数模型来学习模仿最终部署 mini 版本。我团队实际测试下来在意图识别任务里蒸馏后的 mini 模型能把 90% 以上的效果保留下来而推理成本只有旗舰模型的零头。这套组合策略很适合高频调用 对成本敏感的业务。先把答案质量做上去再用蒸馏把成本降下来效果和账单两头兼顾。6.4 整体 API 价格对比与迁移成本评估最后放一张我在发布会后整理的 API 费用对比表方便做成本规划使用场景旧方案成本估算新方案成本估算说明长文档问答高频缓存较高降低约 40%启用 prompt 缓存并优化前缀结构语音实时对话较高中低低延迟模式 mini 模型组合大批量离线处理中高低批量 API 2.0 优先级调度高频简单任务中高低蒸馏 mini 模型替代旗舰模型迁移的代价主要是学习成本新的 API 参数、新的 SDK、新的工具链都需要重新熟悉。我的建议是不要一刀切全部迁移先挑一个高频率、高成本的核心场景做试点跑通后再逐步扩展。7. 账号会话泄露怎么办顺手聊聊 API Key 的日常防护之所以单独写一节是因为这两天社区里关于泄露了 OpenAI 账号会话 JSON 怎么办的讨论热度很高。很多人不知道会话文件里往往包含了关键的认证信息泄露出去不亚于把密码交给别人。这里我不展开任何绕过限制的内容只讲安全常识。7.1 一旦泄露立刻按这个顺序处理第一步立即撤销/轮换所有 API Key。在后台生成新 Key删除旧 Key这一步越快越好能阻断盗用者继续调用接口。第二步吊销当前会话凭证。如果你用的是聊天账号而不是 API Key去安全设置里强制登出所有设备把所有活跃会话作废。第三步检查最近的调用记录和账单。重点看有没有异常时间段的高频请求、陌生地区调用或大额消费向官方反馈异常扣款。第四步清理本地文件。查一下是不是有脚本无意中把会话 JSON 提交到了公开仓库如果有立刻从仓库历史里清除并把该仓库的访问密钥一并轮换。第五步开启二次验证。给账号绑定独立的验证器应用避免单纯依赖短信验证。7.2 日常开发中避免泄露的几条硬规矩永远不要把 API Key 硬编码在代码里更不要贴到公开仓库。我见过太多人把 Key 直接写在配置文件中提交上去几小时之内就会被爬虫扫到。用环境变量或密钥管理服务保存敏感信息。本地开发可以用.env文件并加入.gitignore团队协作建议用专门的密钥管理工具。会话 JSON 这类文件不要随意同步到网盘或云笔记。你觉得自己是备份实际上扩大了泄露面。给低权限场景用独立的受限 Key不要把所有服务共用一把万能钥匙。7.3 顺手推荐一个我认为值得养成的习惯每个月花五分钟做一次密钥健康检查看一眼后台的 Key 列表废弃的删掉翻一遍调用记录确认消费与预期相符检查一遍仓库和环境变量确认没有敏感信息外泄。这个习惯花不了多少时间但能在真正出问题时帮你省下很多麻烦。安全意识和工具能力其实是两条腿。工具再强安全意识跟不上迟早会在某个深夜收到一条陌生的计费提醒。你手头的账号权限越大越值得养成这套习惯。8. 一些个人向的收尾判断如果让我从这届 DevDay 里挑一个最值得跟进的点我会选 dots。GPT-6.1 Sol 很强但那是算力堆出来的水到渠成Spaces 很实用但迭代逻辑并不难猜。唯独 dots 代表的终端级自主代理这个方向真正改变了开发者与工具之间的交互关系。未来半年围绕 dots 的插件生态和团队协作模式大概率会快速成形早一步入场的人会积累下不小的经验优势。至于 Muse 和 Shared Spaces我更倾向于把它们看作是 OpenAI 在AI 时代的协作基础设施上的卡位。它们目前的完成度已经足够进入日常工作流但真正的生态爆发还要等更多人用起来之后才会显现。最后说一句实在话发布会的内容再好也比不上你今天在终端里亲手跑通一个小任务。挑一个你手头最繁琐、最重复的工作把它交给 dots、写进 Spaces看看效率变化到底有多少。技术这件事永远是用了才算数。