GPT-5.6的Sol/Terra/Luna三档模型，价差最高达5倍，但核心差异不是'能力强弱'，而是为不同任务复杂度打造的算力分工。Sol的5倍价格买的是Ultra模式入场券——4个子智能体并行、更高推理精度；Luna砍掉这些高级功能，保留基础文本能力。同篇文章中任务链路演示：厘清问题用Chat（免费Terra），整合资料用Work（Terra/Sol），落地代码用Codex（Sol），每个步骤调用适配的模型，而非旗舰包揽一切。

就在OpenAI整合Chat/Work/Codex做通用工作台时，Anthropic发布了Claude Science——专为科学家设计的AI工作台。它不是新模型，而是基于现有Claude，内置60+预置技能和连接器，覆盖基因组学、蛋白质组学等生命科学领域。关键差异：Claude Science强调独立审核代理实时检查引文和计算、结果完全可追溯（每张图附带生成代码和环境信息）。这是两种路径的分岔：OpenAI走广度（统一超级应用），Anthropic走深度（垂直行业工作流级产品）。

文章点出未来竞争关键在于'跨模式的任务交接与状态管理'，这是比模型性能更硬的工程挑战。当下已有初步应对：Work模式下AI用SQLite状态快照实现断点续传（关键决策点、模型切换、文件IO完成时触发持久化），Codex模式借鉴可靠Agent的四级容错架构（单次重试→任务级断点续传→路径回溯→人类兜底）。真正难在跨模式——Work产出的需求分析何时交给Codex？Codex的测试结果如何回到Work成为下一轮讨论输入？要等2026年下半年更多企业部署案例才能看清这套体系能否跑通。

文章最尖锐的追问：'一个Agent完成了任务，不代表它采取了用户可接受的方式。'当AI能持续执行数小时、调用真实文件与系统，传统'看最终结果'的评估彻底失效。Agent的失败路径不是线性而是树状的——单次工具调用错误会被下游放大，上下文腐烂（早期任务目标被噪声淹没）导致长任务后期质量陡降。Anthropic工程团队刚发布内部Agent评估指南，提出核心方案：任务级过程质量评估+端到端验证+LLM-as-Judge验证。但可审计性仍是开放问题——当前没有任何商业评估方案能做到'像审计代码Commit一样审计AI每一步决策'。