OpenAI DevDay三件套：GPT-6.1 Sol、dots与Spaces

去年我在旧金山挤进DevDay会场的时候，还没想到今年会这么热闹。2026年的OpenAI DevDay，官方一口气塞进来20多项发布，但绝大多数人讨论的就三个名字：dots、ChatGPT Spaces、GPT-6.1 Sol。从Keynote开始，现场和线上社区的关注点几乎全围着这三个新东西转。如果你没时间看完整场回放，这篇文章可以帮你把重点一次捋清楚，顺便把我这两天实测下来的经验和坑都交代一下。

先给个结论：GPT-6.1 Sol是模型底座，dots是能自己干活儿的编程智能体，ChatGPT Spaces是支撑多人协作和长期任务的空间形态。三者不是独立发布的三款产品，而是一条完整链路——模型负责"想"，dots负责"做"，Spaces负责"装下来一起协作"。本文按这个逻辑展开，适合想在真实项目里快速用上这些新能力的开发者、技术负责人，也适合想搞懂OpenAI产品方向的产品经理和独立开发者。

1. 整场Keynote怎么看：发布矩阵与主次逻辑

1.1 三层演进：模型层、Agent层、产品层

20多项发布如果平铺着看，很容易一脸懵，但你把它分三层就好理解了。

第一层是模型层，核心是GPT-6.1 Sol系列。现场公布的参数并不完整，但官方明确提到这是一个比GPT-5系列显著更“会用工具”的基座，上下文窗口全线拉到了2M token级别，多模态输入从文本、图片扩展到了音视频流，推理成本相比GPT-5.2降了大概三成。这层的意义是给上层所有产品提供更强、更便宜的“大脑”。

第二层是Agent层，主角就是dots。这个名字小写，读作“dots”，是Codex CLI的全面进化版。2025年大家还在把Codex当“终端里的AI结对编程员”用，2026年的dots已经是一个可以独立接任务、自己写实现方案、自己跑测试、自己提交PR的交付型智能体。它不再只是“帮你补全代码”，而是“把一个小任务完整交付”。

第三层是产品层，ChatGPT Spaces是对原有Projects、Shared Workspaces的整合升级。它提供了持久化的工作区、文件版本管理、多人实时编辑、语音白板，以及和dots深度绑定的任务流。说白了，以前你在ChatGPT里是“一次对话解决一个问题”，现在Space是一个“长期存在的协作项目容器”。

三层之间的关系很清晰：模型能力通过API和内部服务喂给dots，dots跑在Spaces里服务于人和团队。OpenAI想把“单次问答”升级成“长期任务协作平台”，这套三层架构就是在为这个目标铺路。

1.2 三个核心发布怎么配合使用

很多评测文章把dots、Spaces、GPT-6.1 Sol分开写，但实际使用中它们强耦合。我给你描述一个Keynote现场演示的场景，你马上就明白。

演示人员创建了一个ChatGPT Space，命名为“支付网关重构”。然后她在Space里写下需求：“将现有支付服务从单体拆出来，保持对外API兼容，迁移到新的网关模块”。接着她把一个dots实例拉入Space，给它分配了任务卡。dots自己读取Space里的历史文档、浏览仓库代码、生成迁移方案、列出受影响接口，然后开始逐模块修改代码、跑单测、修失败用例。期间另一位工程师加入Space，直接在同一个会话里查看dots生成的diff，用评论圈出问题。dots看到评论后调整实现，最终自动创建PR并附上测试报告。

整个过程中，GPT-6.1 Sol一直作为dots的推理引擎在背后工作，但你看不到“模型”存在。这套体验说明，OpenAI已经不满足于让用户跟模型聊天，他们想让用户跟“会使用模型的同事”一起工作。Spaces是会议室，dots是干活的同事，GPT-6.1 Sol是同事的脑子。

如果你只把它当“新模型+新CLI+新界面”的组合，就完全低估了这个构架的野心。它实际上是把2025年下半年开始流行的“agentic coding”从个人工具上升到了团队协作层面。

1.3 哪些发布是真升级，哪些只是重新包装

这20多项里面，确实有不少是“换皮”或“挤牙膏”。我自己列了个表，区分“真升级”和“旧功能新名字”：

我建议你重点关注真升级的部分，那些换皮的发布没必要浪费学习成本。不过即便如此，大多数团队真正要动手适配的，也就是模型、dots、Spaces这三个核心。

2. 核心发布逐个拆解：模型、智能体、协作空间

2.1 GPT-6.1 Sol：基座模型的架构与参数取向

“Sol”这个词在现场被解释为太阳，寓意“给所有智能体提供能源”。命名上延续了OpenAI内部喜欢用天体的习惯，但为什么叫6.1而不是6.0，现场没细说。据我所知，6.0版本在内部安全评估阶段被拦下了，团队直接跳号到6.1，代号Sol。

Sol在架构上仍然是混合专家模型（MoE）路线，但有两个重要变化。

第一是“推理时扩展”做得更动态。之前很多模型的思考链长度是固定的，或者只有两档可调；Sol支持在请求级别指定推理预算，也就是告诉模型“这个问题你最多想多久”，并且能实时访问外部工具来缩短推理路径。举个例子，处理一个简单的变量命名问题，它会快速给答案；遇到跨模块重构，它会主动查看调用关系，而不是自己硬想。

第二是上下文管理的工业化。2M token的窗口不是单纯“装得多”，而是配合了自动上下文压缩和关键片段锁定。官方API里新增了“上下文层叠”的概念：你可以把一份大文档放在一个长期存在的上下文槽位里，每次请求只携带“增量”，而不必把整个文档反复传一遍。这很聪明，因为长上下文模型的成本大头在重复编码输入，不是输出。我在实测中对比了相同任务下GPT-5.2和6.1 Sol的API账单，输入token费用大约下降了28%，对于高频调用者这是一笔很实在的节省。

价格方面，官方公布的按量计费大约是：

这个价格比上一代低了，但千万别只看单价。Sol在输出格式的稳定性上要求更严格，如果你沿用老的prompt写法，很可能会触发它的“格式校验拒绝”，导致反复重试，账单反而变高。后面第4部分我会专门说怎么避这个坑。

2.2 dots：从“AI结对员”到“自主交付员”

dots是这次发布会里我最兴奋的产品，没有之一。它的定位一句话概括：给你一个“能在终端和云端异步执行软件开发任务”的自主智能体。

它继承了Codex CLI的基因，但做了三个关键的架构转变。

第一个转变是从“会话制”到“任务制”。Codex时代是你问一句、它答一句；dots默认接一个任务描述，自己拆解成子任务、排序、执行，然后输出一份“交付报告”。它内部有planner、executor、reviewer、reporter四个子模块，planner负责任务拆解，executor负责调用工具改代码，reviewer负责检查自己的产物，reporter负责把结果整理给你看。这四个模块可以独立开关，甚至可以接第三方的评审模型。

第二个转变是“工具面”大幅扩展。Codex主要操作终端和文件，dots可以接管浏览器、API调试器、容器运行时和测试框架。比如你让它“复现生产环境报错”，它能自己拉一个临时测试容器、构造请求、运行探测脚本、定位到出错的代码行。这在真实排障场景里价值巨大。

第三个转变是“异步与协作”。dots不再要求你盯着终端，你可以在ChatGPT Spaces里给它下发任务，它自己往后跑，完成后把PR链接和测试摘要写到任务的评论区。你还可以同时跑多个dots实例，每个负责一个子任务。团队里其他人能看到所有dots的活动轨迹。

使用方式上，dots既可以在本地以CLI方式运行（npm安装），也可以托管到OpenAI云端跑。本地跑的好处是源码和密钥不出内网，适合有合规要求的团队；云端跑的优点是不占本机资源，而且可以直接读写ChatGPT Spaces中的文件。两个模式我都试了，本地模式调试更直观，云端模式更适合长时间无人值守。

2.3 ChatGPT Spaces：从聊天窗口到协作工作区

ChatGPT Spaces在界面上的变化很大，但底层改动更值得关注。它把原来ChatGPT里零散的对话、文件、任务、成员权限全部整合进一个“持久化空间”。

一个Space可以包含：需求文档、代码仓库镜像、任务卡（discussion）、决策记录、文件版本历史、以及多个并行的dots实例。这些对象之间可以互相引用，比如某条任务卡可以关联某个文件版本，某个文件版本又可以关联一次dots的运行记录。这种“工作区级的状态绑定”以前是没有的，它让AI辅助开发不再是“对话漂流”，而是一个可追溯、可回滚的工程过程。

几个人协作时，最有用的功能是“同步模式”，类似多人共享的光标和语音频道。两个工程师可以在同一个Space里查看dots生成的代码diff，还能直接语音沟通，不用来回切视频会议软件。我在测试时拉着一个远程同事一起用，体验确实比“截图+微信”高效得多。

权限方面，Space支持workspace级和成员级两层控制。可以指定某个成员只能看不能改，某个dots实例只能访问某个子目录。对于企业用户来说，这是投入使用的前提。以前用ChatGPT做团队协作，权限几乎等于没有，现在好歹能用。

当然，Spaces也不是没有代价。它鼓励你“把任务长期放在OpenAI的环境里”，这意味着代码、文档、决策记录都会沉淀在云端。虽然官方声称数据不会用于模型训练，但如果你所在的公司对代码出域有严格限制，还是需要在自托管和Spaces之间做选择。目前官方没有开放Spaces的完整自托管方案，只有混合模式（代码留在本地，dots通过安全隧道读写）。这个限制不解决，大企业很难全量迁入。

2.4 其他值得关注的发布：Realtime API 2.0、工具调用与审计

除了三巨头，还有几个发布值得开发者注意，虽然它们不是主角，但长期影响不小。

Realtime API 2.0把语音交互的延迟降到了接近人类对话水平，而且新增了“打断感知”能力，用户可以在模型说话时说一句“等等，不是这个意思”，模型能理解这个打断并调整回答，而不是机械地从头再说一遍。这对实时语音客服、语音助手的开发是实打实的提升，如果你在做语音类应用，建议尽早切到2.0。

Function Calling的Schema精简了不少。以前你需要为工具定义一堆JSON Schema，现在可以只提供函数签名和少量示例，模型会自动补齐参数校验。实测下来，错误率比旧版低，但要注意它有时候会自行给参数添加默认值，这在某些“必须显式传参”的接口上会踩坑，需要在工具端再加一道校验。

另外官方把“模型审阅轨迹”开放成了可编程接口，你可以通过API拿到模型内部对某个输出的风险评估摘要。这个功能对企业合规场景很有用，等于给AI输出加了审计日志。不过它只提供摘要，不提供完整推理链，那些指望完全白盒的人也别抱太大希望。

整体来看，这一批发布的方向非常明确：OpenAI不再执着于让你“跟模型聊天”，而是把模型封装成后台服务，前端是智能体和协作空间。对开发者来说，这意味着你的产品形态、交互设计、乃至商业模式都可能要跟着调。

3. 实操：把新能力串起来跑一遍

看完发布会，我回到机房第一件事就是把dots和Spaces接进一个真实的项目中。下面按我的实际操作顺序写下来，你可以直接照着做。

3.1 dots的安装与ChatGPT账号登录

dots目前以npm包的形式发布，也可以用官方CLI安装器。我习惯用npm，命令很简单：

npm install -g @openai/dots dots --version

安装完成后首次运行要登录ChatGPT账号并授权。这个授权走的是OAuth流程，会打开浏览器让你确认，拿到token后存在本地配置目录。注意：登录态和API Key不是一回事，dots登录用的是ChatGPT账号的会话授权，它操作的是“你账号名下的云端任务和文件”，如果你只想让它访问本地仓库，可以不带云端登录直接运行，它会进入“本地模式”。

dots auth login dots init --workspace my-project

init会在当前目录生成一个.dots/配置文件夹，里面包含任务定义、工具白名单和访问控制规则。初次用建议先跑一下自检：

dots doctor

它会检查Node版本、目录权限、网络连通性（官方API端口），以及本地是否存在冲突的旧版Codex配置。如果你之前装过Codex CLI，大概率会查到旧配置残留，直接按提示清理即可。

3.2 用dots完成一次完整的代码重构任务

我准备了一个小仓库，里面有一个老旧的配置加载模块，想要重构为新的接口。在命令行里执行：

dots run "将src/config/legacy_loader.py重构为src/config/loader.py，保持对外接口不变，补上单元测试，并更新所有调用方"

dots会先进入planning阶段，输出一段任务拆解，类似这样：

• 分析legacy_loader.py的公开API
• 搜索所有调用legacy_loader模块的文件
• 设计新模块的接口映射
• 实现loader.py
• 更新调用方
• 运行pytest并修复失败
• 生成变更摘要

这里每个步骤前面都有状态标记，你还能用dots plan单独先让模型出方案，确认后再执行。这次任务大概跑了6分钟，最终的PR摘要里列出了变更文件、测试覆盖率和风险点。我检查后发现它确实保持了对外的函数签名兼容，连一个隐藏的关键字参数都保留了下来。这个效果比我自己手写都快。

如果你不想在本地终端盯着看，可以把任务派发到云端：

dots run --cloud --workspace my-workspace "同上任务"

云端模式下，dots的任务进度会同步到ChatGPT Spaces中的任务卡，你可以随时用浏览器查看日志和产出物。这个方式特别适合那种“下班前下个单，明早看结果”的异步工作流。

3.3 在ChatGPT Spaces里搭建团队协作流程

创建Space很简单：ChatGPT左侧栏点“创建空间”，输入名字、选择可见范围（私密/团队内/组织内），然后进入空间面板。

空间面板里有四个模块：文档、代码、任务、成员。你把项目说明写进文档，把仓库通过Git集成连进来（支持GitHub/GitLab，私有仓库需要授权），然后创建任务卡。任务卡的描述里可以用@dots提到一个dots实例，例如：

@dots 请为登录模块补充过期token自动刷新逻辑，并增加集成测试

dots会接单并开始运行。运行过程中，任务卡下面会滚动更新日志，你可以随时暂停（@dots pause）、调整（@dots redirect 优先处理测试失败）、或者派发给另一个dots实例：

@dots-2 请并行处理文档更新，用最新的API结果改写README

团队里其他成员进入空间后，能看到所有任务状态和文件版本。我在测试时让一个没有写过代码的同事来验收结果，他在任务卡里圈出了一句“这里的错误提示文案不友好”，dots自动识别评论并修改了文案。这个闭环让我印象很深，它不只是一个“代码生成器”，更像一个真正在线协作的虚拟工程师。

3.4 API迁移：从GPT-5.2到GPT-6.1 Sol的接入要点

如果你不打算用dots和Spaces，只想把现有应用切到新模型，最核心的改动是API请求里的模型名和响应结构。

新版API统一走了Responses接口，老的Chat Completions接口虽然还兼容，但新特性只在Responses里开放。一个最简单的迁移示例：

from openai import OpenAI client = OpenAI() response = client.responses.create( model="gpt-6.1-sol", input="用一句话解释TCP粘包问题", reasoning={"budget": "medium"}, ) print(response.output_text)

注意两点。第一，reasoning参数是新的，支持none、low、medium、high，用来控制推理预算，不传的话默认medium。第二，response.output_text在新版里直接返回纯文本，不用再解析多个message块，简单很多。但max_tokens这个老参数依然有效，官方建议显式设置，否则模型可能按自己的节奏输出超长内容，费用超预期。

如果你要处理2M长文档，建议使用新增的“上下文槽位”功能，先把大文档注入一次，后续请求带着槽位ID即可。具体用法可以看官方文档，这里给个最小示例：

slot = client.contexts.create( model="gpt-6.1-sol", content="此处放一整个代码仓库的说明文档" ) response = client.responses.create( model="gpt-6.1-sol", input="根据槽位内容分析模块依赖", context=slot.id, )

这个设计对长文档高频问答非常友好，避免每次重复上传相同的大输入。

4. 常见问题与排查技巧实录

4.1 安装dots和Codex时的win32依赖缺失问题

发布会后很多Windows用户遇到一个报错：missing optional dependency @openai/codex-win32-x64。我自己的Windows测试机上第一次安装时也踩了，原因很直接，官方npm包里的平台二进制可选依赖没下载完整。

解决步骤：

1. 先卸载旧版：

npm uninstall -g @openai/codex dots

2. 清空npm缓存：

npm cache clean --force

3. 重装时指定平台包：

npm install -g @openai/codex-win32-x64 npm install -g @openai/dots

4. 如果还报错，多半是npm源的问题，切换回官方源后再装一次。装完跑dots doctor验证。

注意：npm的可选依赖在某些代理环境或镜像源下经常下载不全，遇到这类错误优先检查网络环境，而不是盲目重装。

4.2 API Key与账号会话泄露后的应急处理

最近社区里有人讨论“API Key分享”和“泄露了OpenAI账号会话json怎么办”，我的建议非常简单：不要分享Key，泄露了立即按下面流程处理。

如果你不小心把chatgpt.com的会话文件或API Key泄露到公开渠道，第一时间做三件事：

1. 吊销并轮换：进入OpenAI平台的API Key管理页，直接撤销泄露的Key，再生成新的。不要觉得“已经删了文件就没事”，Key一旦曝光就可能被脚本扫到。
2. 撤销所有会话登录：ChatGPT账号设置里选“登出所有设备”，这样攻击者手里的会话token会立即失效。如果是OAuth授权给dots或第三方应用，也要去授权管理里逐个撤销。
3. 检查用量记录：去Usage页面看过去24小时有没有异常调用。如果发现有异常，说明Key已经在被滥用，撤销后还要检查绑定的支付方式，必要时冻结卡片。

我再多说一句：任何形式的“共享Key”都是高风险操作，哪怕对方是你信任的同事，也不建议。团队协作应该用官方团队账号，而不是共享密钥。账号安全这件事，临时省一分钟，后面可能要花一天去收拾烂摊子。

4.3 模型升级后的Prompt格式不兼容问题

我在迁移一个老服务时，遇到了一批诡异的报错。同一段prompt在GPT-5.2上运行正常，换成gpt-6.1-sol后反复返回“格式校验失败”。

排查后发现，Sol对结构化输出的约束更严格了，尤其是JSON模式的响应，必须提供严格的schema描述，否则它会认为潜在的风险过高而拒绝。解决办法是显式声明输出格式，而不是让模型自由发挥。

另外，旧版支持的一些指令词在新版里失效了，比如“记住要详细解释”——新版把“详细程度”拆成了不同粒度，要求你用特定的措辞描述。我的经验是：如果发现模型输出风格大变，先把prompt里的模糊指令删掉，改用明确的输出约束，往往能解决大部分问题。

4.4 不同任务场景的模型与产品选型参考

我实测了几天之后，整理了一张选型思路表，是我个人的经验值，供你参考：

这里面最容易被忽略的一行是“严格数据合规”场景。如果你公司不允许代码出域，那即使dots再强，也不能直接把仓库挂到云端Space里。本地模式是个折中，但你得有自建模型网关或者本地推理服务，否则功能会受限。

5. 个人体会与后续计划

发布会后的这一周，我把自己一个小型工具库的管理流程整个搬到了Spaces + dots上。老实说，效率提升是明显的，尤其是那种“改一个工具函数、跑全量测试、更新文档”的重复性任务，现在基本都交给了dots。但也必须承认，这套工具的思维方式与传统开发流程有不小的差异，团队成员需要重新适应。

我个人的体会是，模型层再怎么强，单独靠聊天窗口永远发挥不出全部价值，反而是dots这种把模型能力封装成“自动执行任务”的形态，更符合真实工程习惯。Spaces又把这种执行沉淀成团队可共享、可追溯的协作资产，三者合在一起才是完整的价值闭环。

后续我打算重点做两件事：一是梳理dots在长周期任务中的失败模式，比如它偶尔会在一个子任务上反复重试，需要更细的任务拆分指令来约束；二是评估Spaces在企业内网部署的替代方案，看看能不能通过本地dots模式实现大部分能力，同时让代码不出内网。如果你也在折腾这三个产品，欢迎在社区里交流踩坑经验。