Mi reseña de GPT-5.6: El segundo lugar nunca había sido tan bueno

TL;DR

• He estado probando GPT-5.6 desde el 27 de mayo. Durante las primeras dos semanas, fue el modelo más impresionante que jamás había usado. El modo objetivo combinado con este modelo es pura magia. Me construyó una simulación voxel de Manhattan con un metro funcional y un juego de destrucción estilo Teardown, prácticamente por sí solo, en sesiones que duraron días.

• Luego salió Claude Fable, y dejé de usar GPT-5.6 casi de la noche a la mañana, porque Fable es mucho mejor para mis tareas.

• En los benchmarks, los dos se ven cercanos. En el mundo real, no lo están. Fable tiene aroma de modelo grande. GPT-5.6 se siente como un modelo más pequeño que ha sido increíblemente bien entrenado con RL, y esa diferencia se nota en cuanto superas el trabajo de programación normal. También se nota en la confianza: con las salvaguardas y la configuración adecuadas, no necesito revisar el código de Fable. Aún necesito revisar el de 5.6.

• Con GPT-5.6, para hacer trabajo ambicioso, todavía necesitas guiarlo, mientras que con Fable, solo describes el destino final una vez, y generalmente llega allí de forma autónoma.

• GPT-5.6 aún supera a Fable en algunos aspectos importantes: los límites, la interfaz y la disposición para hacer trabajo de seguridad. Ahora es mi auditor de seguridad y mi segundo par de ojos, no mi modelo principal.

• Aparte de Fable, GPT-5.6 es el mejor modelo que puedes usar. Y ejecutarlo en modo objetivo es la mejor configuración de agente que OpenAI haya lanzado.

Lo Bueno

• Modo objetivo. Escribe /goal y el modelo no se detiene hasta que el objetivo esté realmente cumplido. Esto es lo más cerca que OpenAI ha estado de cómo realmente quiero trabajar.

• Es obsesivo y puede ejecutarse durante días para completar una tarea. Mis sesiones de objetivo más largas duraron casi una semana en un solo objetivo, en gran parte sin supervisión.

• Mucha menos necesidad de supervisión que cualquier modelo GPT anterior. Toma decisiones razonables ante la ambigüedad y sigue adelante. Volver a GPT-5.5 después de probar 5.6 se sintió como una enorme regresión en este aspecto.

• El trabajo de seguridad es realmente sólido, y está mucho más dispuesto a hacerlo que Fable.

• El diseño es mucho mejor que los modelos GPT anteriores.

• Los límites son mucho más generosos que los de Anthropic, como siempre.

• La aplicación Codex sigue siendo la mejor interfaz para ejecutar agentes, especialmente desde tu teléfono.

• Si usas 5.6 de la misma manera que usabas modelos anteriores para programar, te gustará este modelo. Fable es más caro y más lento para el mismo trabajo. Pero si estás creando prompts más ambiciosos, tratando de ir de la a a la z de una sola vez, o trabajando en tareas más atípicas, Fable es dramáticamente mejor.

Lo No Tan Bueno

• No es Fable. Eso es la mayor parte de esta reseña, honestamente.

• El diseño todavía no le llega ni a los talones a Fable. Ni siquiera le llega a Opus 4.8.

• El trabajo creativo ambicioso necesita mucha más supervisión que Fable, e incluso con mucha supervisión, no puede alcanzar lo que Fable puede hacer de una sola vez. Menos que los modelos anteriores, pero la brecha es real.

• Puede ser demasiado entusiasta. Una vez le pedí que escribiera una especificación, y fue y encontró algunos archivos vagamente relevantes en mi máquina y comenzó a editarlos, lo cual fue molesto.

• Si tu trabajo son tareas de ingeniería simples, a veces puede que te cueste notar la mejora. La generación anterior ya era lo suficientemente buena para la mayor parte de eso. A medida que empujas el modelo hacia tareas más difíciles, o le pides que haga más cosas a la vez, sentirás más la mejora.

Esta es la reseña más extraña que he escrito, porque mi opinión sobre este modelo cambió por completo a mitad de las pruebas, y el modelo no tuvo nada que ver.

Obtuve acceso a GPT-5.6 el 27 de mayo. Durante unas dos semanas, quedé totalmente alucinado. Lo usé mañana, tarde y noche. En un momento, tenía tantas sesiones de modo objetivo ejecutándose en paralelo que había usado 3 veces los tokens mensuales del usuario más activo de OpenAI en 17 días, en una sola máquina. Estaba construyendo cosas que no creía que los modelos pudieran construir, y apenas escribía.

Luego salió Fable, obtuve acceso y dejé de usar GPT-5.6 casi de inmediato.

Debes saber de dónde vengo. Si has leído mis reseñas anteriores, sabes que normalmente soy una persona de GPT. No hago mucho trabajo de frontend o UX. Principalmente hago trabajo de backend, sistemas y agentes, y los modelos GPT históricamente han sido mejores para mí en eso. Suelen acertar con el cambio que pedí y nada más. Así que cuando te digo que un modelo de Claude me hizo abandonar un modelo de GPT que amaba, entiende que esto va en contra de mi tipo.

Déjame explicar ambas mitades: por qué GPT-5.6 me dejó alucinado, y por qué apenas lo uso ahora.

El Modo Objetivo Es Pura Magia

El modo objetivo es simple de describir. Escribes /goal en la CLI o aplicación de Codex, le das un objetivo con criterios de finalización claros, y el modelo no se detiene hasta que el objetivo está cumplido. Cuando una sesión termina, el modo objetivo verifica si el objetivo se ha cumplido realmente. Si no es así, inicia una nueva sesión y continúa. Se repite. Durante días si es necesario.

Si leíste mi guía de prompts para Fable, todo lo que contiene se aplica directamente aquí, porque desarrollé muchas de esas técnicas primero en GPT-5.6. Haz que "terminado" sea una prueba, no un adjetivo. Nunca dejes que termine. Haz que los constructores y los jueces sean agentes separados. Haz que mantenga una página de progreso que puedas consultar desde tu teléfono. GPT-5.6 responde a todo eso.

Dos trucos específicos para el modo objetivo:

1. Los objetivos tienen un límite de 4,000 caracteres. No luches contra el límite tratando de meter todo... en su lugar, escribe el objetivo real como un archivo markdown y haz que el objetivo en sí sea una línea: "Completa el objetivo y los criterios de finalización en goal.md. Trata este archivo como la fuente de verdad duradera durante toda la ejecución." Como beneficio adicional, puedes editar el archivo mientras la sesión está en curso.

1. Dedica mucho tiempo a ese archivo de objetivo. Pide ayuda a un modelo para escribirlo. El archivo de objetivo está haciendo el trabajo que normalmente haría un gerente, y cada ambigüedad que dejes en él es una decisión que el modelo tomará sin ti.

Construyó Manhattan

La mejor manera de mostrarte cómo se ve esto es lo que construyó.

Le di un archivo de objetivo que decía, en esencia: construye una recreación voxel 3D explorable de Manhattan que se vea, suene y funcione como la ciudad real, incluyendo el sistema de metro real de la ciudad de Nueva York. El estándar que escribí en el objetivo era simple: alguien que conozca Nueva York debería poder saber dónde está.

Días después, tenía esto.

Vista aérea de Manhattan construida por GPT-5.6

Esa es la isla real. El horizonte coincide. Las formas de los edificios coinciden. La geografía y la topografía coinciden. Utilizó datos reales de la ciudad para hacerlo, por lo que el Empire State Building está en 40.7485° N, 73.9868° W, donde debe estar.

Empire State Building preciso

Y el metro funciona. No es "hay una textura de metro." Caminas por una calle real, encuentras la entrada de una estación en su ubicación real, bajas al subsuelo, abordas un tren en la línea correcta, viajas a través de los túneles, haces transbordo donde realmente harías transbordo, y sales por una salida real en otro lugar de la ciudad. Incluso encontró una manera de igualar los horarios reales del metro de Manhattan, por lo que los trenes digitales estaban sincronizados con los reales.

Abordando en Grand Central-42 St

El juego de destrucción que le pedí que abordara fue la misma historia. El objetivo: un juego de destrucción voxel en primera persona que esté a la altura de Teardown, con voxels reales y física estructural real. Vuela la base de un edificio y todo lo que está encima se derrumba por su propio peso. Esa sesión duró cinco días y más de setenta iteraciones.

Redline Demolition, el juego de destrucción voxel que construyó GPT-5.6

Ver jugabilidad

Dos cosas de esas sesiones se quedaron conmigo. Primero, se calificó a sí mismo con honestidad. Al principio de la ejecución de Manhattan, su propio diario de progreso se negó a contar el borrador como progreso: "visiblemente no es Manhattan y no se acepta como un hito de la ciudad." No se declaró victorioso durante días, porque el archivo de objetivo no se lo permitía. Segundo, se tomó la evaluación en serio de maneras que nunca le pedí. Creó cientos de subagentes revisores adversarios y encontró montones de pequeños problemas que pulir.

Una sesión incluso llenó el disco de mi Mac a mitad del objetivo, limpió los cachés que pudo verificar que eran seguros de eliminar, luego instaló una CLI de sandbox en la nube y se movió allí para seguir trabajando. Impresionante y ligeramente alarmante en el mismo movimiento, que es un resumen justo de este modelo.

Así que sí: durante dos semanas pensé que esto era el futuro.

Luego Salió Fable

Luego obtuve Fable, y la comparación no fue cercana.

Volví atrás y reejecuté algunos de mis proyectos de GPT-5.6 para ser justo al respecto. La prueba más clara fue el trabajo de 3D y video programático, el mismo tipo de cosas detrás de los mundos que he estado publicando. La salida de GPT-5.6 era mejor que la de cualquier modelo GPT anterior. También estaba muy lejos de Fable. Los resultados simplemente se veían dramáticamente peores, y ninguna cantidad de iteración cerró la brecha.

Este se ha convertido en mi nuevo punto de referencia para los modelos, por cierto: haz que construya un motor voxel físicamente preciso desde cero y mira hasta dónde puede llegar. Es una prueba brutal porque no hay biblioteca en la que apoyarse ni forma de fingir. Los motores de GPT-5.6 quedaron muy, muy por debajo del listón de Fable.

La diferencia más profunda es la supervisión. Con Fable, dices lo que quieres y se hace. Con GPT-5.6, se hace mucho, pero las cosas ambiciosas necesitan dirección. Estás corrigiendo el rumbo, reexplicando el listón, empujándolo a ser menos conservador. Eso sigue siendo mucho menos cuidado del que necesitaban los modelos de la generación anterior. Es mucho más de lo que necesita Fable, que es aproximadamente nada.

La confianza es la otra mitad de esto. Con las salvaguardas y la configuración adecuadas, ya no reviso el código de Fable. Sé que puedo confiar en él. Todavía reviso el de 5.6, con bastante frecuencia.

Algunas de las cosas que construí en GPT-5.6 ni siquiera me molesté en volver a probar, porque después de unas semanas con Fable se sentían por debajo del nivel del agua.

Aroma de Modelo Grande

Esta es mi lectura honesta de por qué.

Fable tiene aroma de modelo grande. Simplemente puedes notar que estás hablando con algo enorme. Generaliza. Lo llevas a algún lugar extraño y sigue siendo inteligente allí.

GPT-5.6 se siente como un modelo más pequeño. Sigue siendo grande, pero más pequeño, con una cantidad increíble de aprendizaje por refuerzo encima. Y el RL te da exactamente lo que esperarías: el modelo es extremadamente bueno en las formas de trabajo en las que fue entrenado, y los benchmarks son la forma más entrenada de todas. Por eso las puntuaciones se ven cercanas. Luego das un paso fuera del camino pavimentado, hacia un motor voxel desde cero o un render 3D, y la diferencia es inmediata.

Eso hace de GPT-5.6 una herramienta más específica de lo que sugieren los benchmarks.

Sinceramente espero que OpenAI entrene un modelo verdaderamente grande, porque su RL sobre algo del tamaño de Fable sería absolutamente increíble. Ese modelo simplemente no existe todavía (que sepamos... probablemente lo hará pronto).

Donde GPT-5.6 Aún Gana

No es todo en una dirección, y las excepciones son importantes de señalar.

Seguridad. GPT-5.6 está más dispuesto a hacer trabajo de ciberseguridad que Fable, que puede negarse a tareas que coincidan con patrones peligrosos. Y es genuinamente bueno en ello. Mi flujo de trabajo real ahora: Fable escribe el código y GPT-5.6 lo audita. Dado que la ejecución de codex se ejecuta sin cabeza, puedes conectarlo a un enlace que audite cada commit, o que se active después de cada ejecución de Fable.

Límites. Los límites de OpenAI son mucho más generosos que los de Anthropic. Esto siempre ha sido cierto y sigue siéndolo. Si estás racionando los tokens de Fable, GPT-5.6 es una gran segunda opción (o puedes usarlo para ejecutar mientras Fable planifica).

La interfaz. La aplicación Codex sigue siendo la mejor manera de ejecutar y dirigir agentes, especialmente desde un teléfono. Vincúlala una vez y puedes enviar trabajo, revisar diferencias y mantener sesiones de objetivo en curso desde cualquier lugar. La uso menos de lo que solía, porque encontré mi propia manera de hacer esto con Fable: hago que trabaje en un documento en workbench.md, y puedo leer sus actualizaciones y dirigirlo directamente desde un componente de chat en el documento en mi teléfono. Pero como producto, el equipo de OpenAI sigue adelante, y no está cerca.

Cuándo Usar Qué

• Si puedes usar Fable: Fable para prácticamente todo. GPT-5.6 para auditorías de seguridad, para un segundo par de ojos en cambios importantes, y como implementador ejecutando los planes de Fable cuando quieras ahorrar costos.

• Si no puedes: GPT-5.6, sin dudarlo. Es el mejor modelo que cualquier otro fabrica, ejecutarlo en modo objetivo es la mejor configuración de agente que puedes tener hoy, y todo en esta reseña que suena tibio solo es tibio en comparación con Fable.

Reflexiones Finales

Si Fable no existiera, esta sería la reseña más entusiasta que jamás haya escrito. Un modelo que puede ejecutarse durante días contra un archivo de objetivo, juzgar su propio trabajo de manera adversarial y entregar un Manhattan funcional basado en voxels no es poca cosa. Hace seis meses habría sido ciencia ficción.

Pero Fable existe. Y el resumen honesto de GPT-5.6 es que el segundo lugar nunca ha sido tan bueno, y nunca ha importado tan poco. La frontera no es una tabla de clasificación donde la plata vale algo. Si un modelo puede hacer lo que otro no puede, usas ese modelo, y la brecha ahora es lo suficientemente amplia como para que reorganizara todo mi flujo de trabajo en cuestión de días.

GPT-5.6 es un modelo increíble. Espero que el próximo de OpenAI me haga volver a cambiar. Me lo han hecho antes.

Si encontraste esto útil, sígueme en X para más de mis pensamientos sobre modelos de IA y cómo sacarles el máximo provecho.

Lee mi reseña original aquí: https://shumer.dev/gpt56review.html