这期简报继续只整理可公开核验的一手资料。近几日的三则更新，指向同一个实践方向：不要只把注意力放在模型本身，也要把接口迁移、成本档位和评测运行环境纳入产品决策。
1. Assistants API 的迁移时间表值得尽早纳入规划
OpenAI 的官方迁移说明表示，Assistants API 将于 2026 年 8 月 26 日停止服务，开发者应迁移至 Responses API。公告同时给出了从 Assistant、Thread、Run 等对象映射到新接口的路线，并建议先以分阶段方式验证工具调用、对话状态与生产流量。
这类平台迁移的重点不只是“换一个接口”。团队应提前列出依赖清单：状态如何保存、工具输出如何处理、异常如何回退、观测指标是否连续。把迁移当作一次系统梳理，通常比临近截止期集中改动更稳妥。
来源：OpenAI 开发者文档：Migrate to the Responses API
2. 模型选择正在从单一偏好转向任务分层
OpenAI 在 GPT-5.6 的价格性能更新中，公布了不同模型档位的价格调整，并为部分场景提供更快响应的选项。官方材料的共同信息是：模型并非越强越适合所有环节，速度、成本与任务复杂度需要一起权衡。
实际落地时，可以先把工作流拆成稳定重复、需要深度判断、以及对延迟敏感的几类任务，再为每类设置质量门槛和成本预算。这样既能避免把简单任务放到昂贵档位，也能减少关键步骤因能力不足而反复返工。
来源：OpenAI：Advancing the price-performance frontier with GPT-5.6
3. 评测成绩离不开上下文与运行策略
OpenAI 对 ARC-AGI-3 的技术说明展示了一个很直观的案例：在同一基础模型上，保留推理上下文并采用压缩策略，会显著改变公开任务的表现与资源消耗。它提醒我们，评测结果往往是模型、提示词、上下文管理和执行编排共同作用的产物。
因此，无论是比较供应商还是复现内部效果，都应记录完整条件：数据范围、工具权限、上下文策略、失败处理与测量口径。只有把这些条件说清楚，分数和体验才有可比较性。
来源：OpenAI：How enabling two settings tripled our scores on the ARC-AGI-3 benchmark
小结
今天的三个提示可以合成一句话：AI 系统的可靠性，来自模型能力与工程边界的共同设计。及早处理接口生命周期，用任务分层管理成本，把运行环境写进评测记录，能让团队在变化中更从容。
资料核验时间：2026 年 8 月 5 日。本文仅整理公开页面中的信息与工程启示。
