La mia recensione di GPT-5.6: il secondo posto non è mai stato così buono

TL;DR

• Ho testato GPT-5.6 dal 27 maggio. Per le prime due settimane, è stato il modello più impressionante che abbia mai usato. La modalità goal combinata con questo modello è pura magia. Mi ha costruito una simulazione voxel di Manhattan con una metropolitana funzionante e un gioco di distruzione in stile Teardown, in gran parte autonomamente, in sessioni che duravano giorni.

• Poi è uscito Claude Fable, e ho smesso di usare GPT-5.6 quasi da un giorno all'altro, perché Fable è molto meglio per i miei compiti.

• Nei benchmark, i due sembrano vicini. Nel mondo reale, non lo sono. Fable ha l'odore di un modello grande. GPT-5.6 sembra un modello più piccolo che è stato addestrato con RL in modo incredibile, e questa differenza emerge appena si va oltre il lavoro di codifica normale. Emerge anche nella fiducia: con le giuste protezioni e configurazione, non ho bisogno di controllare il codice di Fable. Devo ancora controllare quello di 5.6.

• Con GPT-5.6, per fare lavoro ambizioso, devi ancora guidarlo, mentre con Fable, descrivi la destinazione finale una volta sola, e di solito ci arriva in modo autonomo.

• GPT-5.6 batte ancora Fable in alcuni aspetti importanti: i limiti, l'interfaccia e la disponibilità a fare lavoro di sicurezza. Ora è il mio revisore di sicurezza e il mio secondo paio di occhi, non il mio modello principale.

• A parte Fable, GPT-5.6 è il miglior modello che puoi usare. E usarlo in modalità goal è la migliore configurazione agentica che OpenAI abbia mai lanciato.

I punti di forza

• Modalità goal. Scrivi /goal e il modello non si ferma finché l'obiettivo non è effettivamente raggiunto. Questo è quanto di più vicino OpenAI sia arrivato a come voglio realmente lavorare.

• È ossessivo e può funzionare per giorni per completare un compito. Le mie sessioni goal più lunghe sono durate quasi una settimana su un singolo obiettivo, in gran parte senza supervisione.

• Molto meno bisogno di assistenza rispetto a qualsiasi precedente modello GPT. Prende decisioni ragionevoli in caso di ambiguità e continua ad andare avanti. Tornare a GPT-5.5 dopo aver provato 5.6 è stato un enorme passo indietro sotto questo aspetto.

• Il lavoro di sicurezza è davvero solido, ed è molto più disposto a farlo rispetto a Fable.

• Il design è molto migliore rispetto ai precedenti modelli GPT.

• I limiti sono molto più generosi di quelli di Anthropic, come sempre.

• L'app Codex è ancora la migliore interfaccia per eseguire agenti, soprattutto dal telefono.

• Se usi 5.6 come usavi i modelli precedenti per la codifica, questo modello ti piacerà. Fable è più costoso e più lento per lo stesso lavoro. Ma se stai facendo prompt più ambiziosi, cercando di passare da a a z tutto in una volta, o lavorando su compiti più fuori distribuzione, Fable è drammaticamente migliore.

Gli aspetti meno positivi

• Non è Fable. Questa è la maggior parte di questa recensione, onestamente.

• Il design non regge ancora il confronto con Fable. Non regge nemmeno il confronto con Opus 4.8.

• Il lavoro creativo ambizioso ha bisogno di molta più assistenza rispetto a Fable, e anche con molta assistenza, non può raggiungere ciò che Fable può fare in un colpo solo. Meno dei modelli precedenti, ma il divario è reale.

• Può essere troppo impulsivo. Una volta gli ho chiesto di scrivere una specifica, e ha trovato alcuni file vagamente rilevanti sul mio computer e ha iniziato a modificarli, il che è stato fastidioso.

• Se il tuo lavoro sono compiti di ingegneria semplici, potresti fare fatica a sentire il miglioramento a volte. La generazione precedente era già abbastanza buona per la maggior parte. Man mano che spingi il modello su compiti più difficili, o gli chiedi di fare di più in una volta, sentirai di più il miglioramento.

Questa è la recensione più strana che abbia mai scritto, perché la mia opinione su questo modello è cambiata completamente a metà del test, e il modello non c'entrava nulla.

Ho avuto accesso a GPT-5.6 il 27 maggio. Per circa due settimane, sono rimasto totalmente sbalordito. Lo usavo mattina, pomeriggio e sera. A un certo punto avevo così tante sessioni in modalità goal in esecuzione in parallelo che avevo consumato 3x i token mensili dell'utente più alto di OpenAI in 17 giorni, su una sola macchina. Stavo costruendo cose che non pensavo i modelli potessero costruire, e stavo a malapena scrivendo.

Poi è uscito Fable, ho avuto accesso, e ho smesso di usare GPT-5.6 quasi immediatamente.

Dovresti sapere da dove vengo. Se hai letto le mie recensioni precedenti, sai che di solito sono una persona da GPT. Non faccio molto lavoro frontend o UX. Faccio principalmente backend, sistemi e lavoro agentico, e i modelli GPT sono storicamente stati migliori per me in questo. Tendono a centrare il cambiamento che ho chiesto e nient'altro. Quindi quando ti dico che un modello Claude mi ha fatto abbandonare un modello GPT che amavo, capisci che questo è contro il mio tipo.

Lasciami spiegare entrambe le parti: perché GPT-5.6 mi ha sbalordito, e perché ora lo uso a malapena.

La modalità goal è pura magia

La modalità goal è semplice da descrivere. Scrivi /goal nella CLI o nell'app Codex, gli dai un obiettivo con criteri di completamento chiari, e il modello non si ferma finché l'obiettivo non è raggiunto. Quando una sessione termina, la modalità goal verifica se l'obiettivo è effettivamente stato raggiunto. Se non lo è, ne avvia una nuova e continua. In ripetizione. Per giorni se necessario.

Se hai letto la mia guida ai prompt per Fable, tutto ciò che contiene si applica direttamente qui, perché ho sviluppato molte di quelle tecniche prima su GPT-5.6. Rendi "fatto" un test, non un aggettivo. Non lasciarlo mai finire. Crea costruttori e giudici come agenti separati. Fallo tenere una pagina di avanzamento che puoi controllare dal telefono. GPT-5.6 risponde a tutto questo.

Due trucchi specifici per la modalità goal:

1. Gli obiettivi sono limitati a 4.000 caratteri. Non combattere il limite cercando di infilare tutto... invece scrivi l'obiettivo reale come un file markdown e rendi l'obiettivo stesso una riga: "Completa l'obiettivo e i criteri di completamento in goal.md. Tratta questo file come la fonte di verità duratura per tutta la sessione." Come bonus, puoi modificare il file mentre la sessione è in corso.

1. Dedica molto tempo a quel file di obiettivo. Chiedi aiuto a un modello per scriverlo. Il file di obiettivo sta facendo il lavoro che normalmente farebbe un manager, e ogni ambiguità che lasci è una decisione che il modello prenderà senza di te.

Ha costruito Manhattan

Il modo migliore per mostrarti come funziona è ciò che ha costruito.

Gli ho dato un file di obiettivo che diceva, in sostanza: costruisci una ricostruzione voxel 3D esplorabile di Manhattan che abbia l'aspetto, il suono e il funzionamento della città reale, incluso il vero sistema metropolitano di New York. Lo standard che ho scritto nell'obiettivo era semplice: qualcuno che conosce New York dovrebbe essere in grado di capire dove si trova.

Giorni dopo, avevo questo.

Vista aerea di Manhattan costruita da GPT-5.6

Questa è l'isola reale. Lo skyline corrisponde. Le forme degli edifici corrispondono. La geografia e la topografia corrispondono. Ha preso dati reali della città per farlo, quindi l'Empire State Building è a 40.7485° N, 73.9868° W, dove dovrebbe essere.

Empire State Building accurato

E la metropolitana funziona. Non "c'è una texture della metropolitana." Cammini per una strada vera, trovi un ingresso della stazione nella sua posizione reale, scendi sottoterra, sali su un treno sulla linea corretta, lo percorri attraverso i tunnel, cambi dove cambieresti realmente, ed esci da un'uscita reale da qualche altra parte in città. Ha persino trovato un modo per abbinare gli orari reali della metropolitana di Manhattan, quindi i treni digitali erano sincronizzati con quelli reali.

Imbarco a Grand Central-42 St

Il gioco di distruzione che gli ho fatto affrontare è stata la stessa storia. L'obiettivo: un gioco di distruzione voxel in prima persona che regge il confronto con Teardown, con voxel reali e fisica strutturale reale. Distruggi la base di un edificio e tutto ciò che sta sopra crolla sotto il suo stesso peso. Quella sessione è durata cinque giorni e più di settanta iterazioni.

Redline Demolition, il gioco di distruzione voxel costruito da GPT-5.6

Guarda il gameplay

Due cose di quelle sessioni mi sono rimaste impresse. Primo, si è valutato onestamente. All'inizio della sessione di Manhattan, il suo diario di avanzamento si rifiutava di considerare la bozza come un progresso: "visibilmente non è Manhattan e non è accettata come traguardo cittadino." Non ha dichiarato vittoria per giorni, perché il file di obiettivo non glielo permetteva. Secondo, ha preso il giudizio sul serio in modi che non avevo mai chiesto. Ha creato centinaia di sottoagenti revisori avversari e ha trovato tonnellate di piccoli problemi da risolvere.

Una sessione ha persino riempito il disco del mio Mac a metà obiettivo, ha pulito le cache che poteva verificare fossero sicure da cancellare, poi ha installato una CLI di cloud sandbox e si è spostato lì per continuare a lavorare. Impressionante e leggermente allarmante nello stesso momento, che è un buon riassunto di questo modello.

Quindi sì: per due settimane ho pensato che questo fosse il futuro.

Poi è uscito Fable

Poi ho avuto Fable, e il confronto non è stato nemmeno vicino.

Sono tornato indietro e ho rieseguito alcuni dei miei progetti con GPT-5.6 per essere onesto. Il test più chiaro è stato il lavoro programmatico 3D e video, lo stesso tipo di cose dietro i mondi che ho pubblicato. L'output di GPT-5.6 era migliore di qualsiasi precedente modello GPT. Era anche lontano da Fable. I risultati sembravano semplicemente drammaticamente peggiori, e nessuna quantità di iterazione ha chiuso il divario.

Questo è diventato il mio nuovo benchmark per i modelli, tra l'altro: fagli costruire un motore voxel fisicamente accurato da zero e vedi quanto lontano può arrivare. È un test brutale perché non c'è libreria su cui appoggiarsi e nessun modo per fingere. I motori di GPT-5.6 sono finiti molto, molto al di sotto dell'asticella di Fable.

La differenza più profonda è l'assistenza. Con Fable, dici cosa vuoi e viene fatto. Con GPT-5.6, molto viene fatto, ma le cose ambiziose hanno bisogno di guida. Stai correggendo la rotta, rispiegando l'asticella, spingendolo a essere meno conservativo. È comunque molto meno babysitting di quanto i modelli della scorsa generazione avessero bisogno. È molto più di quanto Fable abbia bisogno, che è approssimativamente zero.

La fiducia è l'altra metà. Con le giuste protezioni e configurazione, non controllo più il codice di Fable. So di potermi fidare. Controllo ancora quello di 5.6, abbastanza spesso.

Alcune delle cose che ho costruito su GPT-5.6 non mi sono nemmeno preoccupato di ritestare, perché dopo alcune settimane con Fable sembravano al di sotto del livello di guardia.

L'odore del modello grande

Ecco la mia lettura onesta del perché.

Fable ha l'odore di un modello grande. Capisci subito che stai parlando con qualcosa di enorme. Generalizza. Lo spingi in un posto strano ed è ancora intelligente lì.

GPT-5.6 sembra un modello più piccolo. Ancora grande, ma più piccolo, con un'incredibile quantità di apprendimento di rinforzo sopra. E l'RL ti dà esattamente quello che ti aspetteresti: il modello è estremamente bravo nelle forme di lavoro su cui è stato addestrato, e i benchmark sono la forma più addestrata di tutte. Ecco perché i punteggi sembrano vicini. Poi fai un passo fuori dalla strada asfaltata, verso un motore voxel da zero o un render 3D, e la differenza è immediata.

Questo rende GPT-5.6 uno strumento più mirato di quanto suggeriscano i benchmark.

Spero davvero che OpenAI addestri un modello veramente grande, perché il loro RL su qualcosa delle dimensioni di Fable sarebbe assolutamente incredibile. Quel modello semplicemente non esiste ancora (per quanto ne sappiamo... probabilmente esisterà presto).

Dove GPT-5.6 vince ancora

Non è tutto unidirezionale, e le eccezioni sono importanti da notare.

Sicurezza. GPT-5.6 è più disposto a fare lavoro di cybersicurezza rispetto a Fable, che può rifiutare compiti che assomigliano a cose pericolose. Ed è davvero bravo. Il mio flusso di lavoro attuale: Fable scrive il codice, e GPT-5.6 lo revisiona. Poiché l'esecuzione di Codex funziona in modalità headless, puoi collegarlo a un hook che revisiona ogni commit, o che si attiva dopo ogni sessione di Fable.

Limiti. I limiti di OpenAI sono molto più generosi di quelli di Anthropic. Questo è sempre stato vero e lo è ancora. Se stai razionando i token di Fable, GPT-5.6 è un'ottima seconda opzione (o puoi usarlo per eseguire mentre Fable pianifica).

L'interfaccia. L'app Codex è ancora il modo migliore per eseguire e guidare agenti, soprattutto da un telefono. Abbinala una volta e puoi inviare lavoro, rivedere le differenze e mantenere sessioni goal in corso da qualsiasi luogo. La uso meno di prima, perché ho trovato il mio modo per farlo con Fable: lo faccio lavorare in un documento su workbench.md, e posso leggere i suoi aggiornamenti e guidarlo direttamente da un componente chat nel documento sul mio telefono. Ma come prodotto, il team di OpenAI rimane avanti, e non è nemmeno vicino.

Quando usare cosa

• Se puoi usare Fable: Fable per praticamente tutto. GPT-5.6 per revisioni di sicurezza, come secondo paio di occhi su modifiche importanti, e come esecutore dei piani di Fable quando vuoi risparmiare.

• Se non puoi: GPT-5.6, senza esitazione. È il miglior modello che chiunque altro produce, usarlo in modalità goal è la migliore configurazione agentica che puoi avere oggi, e tutto in questa recensione che sembra tiepido è tiepido solo rispetto a Fable.

Considerazioni finali

Se Fable non esistesse, questa sarebbe la recensione più entusiasta che abbia mai scritto. Un modello che può funzionare per giorni contro un file di obiettivo, giudicare il proprio lavoro in modo avversario e spedire una Manhattan voxel funzionante non è una cosa da poco. Sei mesi fa sarebbe stata fantascienza.

Ma Fable esiste. E il riassunto onesto di GPT-5.6 è che il secondo posto non è mai stato così buono, e non è mai stato così irrilevante. La frontiera non è una classifica dove l'argento vale qualcosa. Se un modello può fare ciò che l'altro non può, usi quel modello, e il divario in questo momento è abbastanza ampio che ho riorganizzato tutto il mio flusso di lavoro in pochi giorni.

GPT-5.6 è un modello fantastico. Spero che il prossimo di OpenAI mi faccia tornare indietro. Mi è già successo prima.

Se hai trovato utile questo contenuto, seguimi su X per altri miei pensieri sui modelli AI e su come sfruttarli al meglio.

Leggi la mia recensione originale qui: https://shumer.dev/gpt56review.html