自動 AI 新聞摘要：GPT-5.6、ChatGPT Work 與 Agent 安全

前言

今天這篇由 Horizon 抓取最近 48 小時的 AI、LLM、agent、開發工具與開源社群資料，再由 Codex 依照 SHUO Blog 新聞格式整理。Horizon 本次抓到的主要來源包含 OpenAI News、GitHub Changelog、Hugging Face Blog、Latent Space、Simon Willison、Hacker News 與 Reddit MachineLearning。Horizon 只負責資料抓取，本文的篩選、整理與改寫由 Codex 完成。

這篇不是單一新聞，而是 7 月 11 日早上的 AI 摘要。每則都附上原始來源，方便回頭看全文。

1. OpenAI 發布 GPT-5.6：Luna、Terra、Sol 對應不同工作強度

OpenAI 發布 GPT-5.6，主打每個 token 帶來更多 intelligence、更好的 performance per dollar，以及面對困難工作時可擴展的能力。Simon Willison 的整理補充，這次 GPT-5.6 family 分成 Luna、Terra、Sol 三種尺寸，從小到大對應不同成本與能力需求。

這個命名比單一 flagship 更像產品線：輕量任務用 Luna，日常高品質工作用 Terra，最困難的推理與長程任務用 Sol。對使用者來說，真正要看的不是「最大模型有多強」，而是產品能否把任務自動路由到合理成本的模型。

資料來源：OpenAI: GPT-5.6；Simon Willison: The new GPT-5.6 family；Latent Space: OpenAI launches GPT 5.6 Sol/Terra/Luna

2. ChatGPT Work：OpenAI 把 ChatGPT 往長時間 agent 工作流推進

OpenAI 發布 ChatGPT is now a partner for your most ambitious work，重點是 ChatGPT Work 可以跨 apps 與 files 採取行動，必要時在一個 project 上持續工作數小時，把目標轉成完成品。Simon Willison 也引用 OpenAI 說明：web 與 mobile 的 Work 在雲端執行，desktop app 則可在取得允許後使用本地檔案與桌面 app。

這代表 ChatGPT 正從「回答問題」走向「承接工作」。差異在於 agent 需要檔案權限、長時間狀態、工具操作、錯誤恢復與清楚的安全邊界。對一般使用者，這會像更完整的 AI 工作台；對企業，重點會是權限、稽核與資料邊界。

資料來源：OpenAI: ChatGPT for your most ambitious work；Simon Willison: Quoting OpenAI

3. GPT-5.6 進入 Microsoft 365 Copilot 與 GitHub Copilot

OpenAI 宣布 GPT-5.6 成為 Microsoft 365 Copilot preferred model，用於 Word、Excel、PowerPoint、Chat 與 Cowork 等場景。GitHub 也宣布 OpenAI 的 GPT-5.6 Sol、Terra、Luna 正在 GitHub Copilot 中推出，讓使用者依照任務選擇模型。

這是同一個產品化方向：frontier model 不只出現在聊天介面，而是直接嵌進 office suite 與 developer workflow。接下來模型能力的感知不會只來自 benchmark，而會來自文件、試算表、簡報、PR、repo overview 與 Copilot session 這些日常工作流。

資料來源：OpenAI: GPT-5.6 in Microsoft 365 Copilot；GitHub Changelog: GPT-5.6 in GitHub Copilot

4. GitHub Copilot 補上 repo overview、Mobile session filter 與企業預算 API

GitHub Changelog 今天有多則 Copilot 與開發工作流更新：Copilot 可以為陌生 repo 產生 high-level overview；GitHub Mobile 改善 Copilot sessions 的 filters 與 sorting；REST API 可回傳 multi-user budget 中每個使用者的進度；pull requests dashboard 也正式 GA。

這些不是炫技功能，但很實用。AI coding tool 要進團隊，必須處理 onboarding、session 管理、成本追蹤與 PR 優先順序。越多人使用 Copilot，越需要把「AI 幫我寫」變成可管理的開發系統。

資料來源：GitHub Changelog: Ask Copilot for a repository overview；GitHub Changelog: Mobile filters for Copilot sessions；GitHub Changelog: Per-user states for multi-user budgets；GitHub Changelog: Pull requests dashboard GA

5. CodeQL 2.26.0 加入 AI prompt injection detection

GitHub 發布 CodeQL 2.26.0，新增 Kotlin 2.4.0 支援，也加入 AI prompt injection detection。這個更新值得注意，因為 prompt injection 正從「AI 產品問題」變成 code scanning 與 secure development lifecycle 的一部分。

當 LLM agent 會讀文件、呼叫工具、操作 repo，prompt injection 就不只是文字攻擊，而是可能影響資料流與工具行為的安全漏洞。把 detection 放進 CodeQL 這類靜態分析工具，代表平台開始把 AI-specific risk 納入一般開發安全管線。

資料來源：GitHub Changelog: CodeQL 2.26.0 adds Kotlin 2.4.0 support and AI prompt injection detection

6. OpenAI Bio Bug Bounty 與 AI 濫用報告：安全議題更具體了

OpenAI 發布 GPT-5.5 Bio Bug Bounty，說明 Bio Bounty program。Hacker News 也討論 CASP 報告 How the terrorist group Boko Haram uses frontier AI，內容聚焦 frontier AI 被現實惡意行為者使用的案例。

這兩則放在一起看，代表 AI safety 的討論正在從抽象風險走向具體測試與濫用案例。Bio bounty 是把高風險能力交給外部安全研究者測；濫用報告則提醒模型已經不是實驗室裡的封閉技術。接下來安全工作會更像傳統資安：red team、bounty、偵測、回報、修補與政策執行。

資料來源：OpenAI: GPT-5.5 Bio Bug Bounty；CASP: How the terrorist group Boko Haram uses frontier AI

7. Apple 起訴 OpenAI：AI 人才流動開始觸碰 trade secret 風險

Hacker News 討論 9to5Mac 報導：Apple 起訴 OpenAI，指控前員工竊取 trade secrets。這類新聞需要保守看待，目前重點是「訴訟與指控」，不是事實已定。

但它反映一個現實：AI 競爭已經不只是模型與產品，也包含人才、內部 know-how、資料、研究流程與工程細節。當 frontier lab 與大公司互相挖角，trade secret、競業、資料權限與離職流程會變成更常見的法律戰場。

資料來源：9to5Mac: Apple sues OpenAI

8. Meta Muse Spark 1.1 與 llm-meta-ai：多模型工具鏈繼續擴張

Simon Willison 整理 Muse Spark 1.1，指出這是 Meta model API 上第一個 Spark 系列圖片模型；他也發布 llm-meta-ai 0.1，讓自己的 llm 工具可以呼叫 Meta AI API 的 muse-spark-1.1。

這則不是最大新聞，但很能代表開發者工具的方向：模型 provider 越來越多，使用者需要統一 CLI、plugin 與 routing layer。對內容與設計工作流來說，圖片模型進入同一套 LLM tooling，會比單獨開一個網頁工具更有用。

資料來源：Simon Willison: Introducing Muse Spark 1.1；Simon Willison: llm-meta-ai 0.1

9. 本地 GLM 5.2 與模型下架焦慮：可控性仍是 local AI 的核心理由

HN 有一則 Show HN 展示如何在較慢的電腦上跑 GLM 5.2；另一則討論則是使用者呼籲 Google 不要停用 Gemini 2.5 Flash。後者留言指出，雲端模型常見痛點是：你建立了一個穩定 workflow，provider 卻可能下架、改模型、改價格或改行為。

這正是 local AI 的長期價值。雲端模型通常更強、更方便，但可控性較低；本地模型可能比較慢，卻能保留版本、成本與資料邊界。對自動化工作流來說，穩定性有時比最新分數更重要。

資料來源：Show HN: Getting GLM 5.2 running on my slow computer；Google AI Developers forum: Please don't discontinue Gemini 2.5 Flash

今日觀察

今天的 AI 新聞可以整理成三條線。

第一，frontier model 正在變成產品矩陣。GPT-5.6 不只是單一模型，而是 Luna、Terra、Sol，加上 Microsoft 365 Copilot、GitHub Copilot 與 ChatGPT Work 的分流部署。

第二，agent 產品開始補治理與安全管線。Copilot session 管理、budget API、CodeQL prompt injection detection、Bio Bug Bounty 都是把 AI 放進正式工作流程後必須補上的基礎設施。

第三，可控性仍然重要。不管是本地 GLM 5.2、模型下架焦慮，還是多 provider CLI，開發者都在找一種能同時兼顧能力、成本、穩定性與資料邊界的工作方式。

這篇的資料入口是 Horizon；本文由 Codex 依照 SHUO Blog 新聞格式整理、改寫並補上來源。