TL;DR
- ผมได้ทดสอบ GPT-5.6 ตั้งแต่วันที่ 27 พฤษภาคม สองสัปดาห์แรกมันเป็นโมเดลที่น่าประทับใจที่สุดเท่าที่เคยใช้มา โหมด Goal บวกกับโมเดลนี้คือเวทมนตร์ล้วนๆ มันสร้าง Manhattan Simulation แบบ Voxel ที่มีระบบรถไฟใต้ดินที่ใช้งานได้จริง และเกมทำลายล้างสไตล์ Teardown ให้ผม โดยส่วนใหญ่ทำงานเอง ในการรันที่กินเวลาหลายวัน
- จากนั้น Claude Fable ก็ออกมา และผมก็หยุดใช้ GPT-5.6 เกือบจะข้ามคืน เพราะ Fable ดีกว่ามากสำหรับงานของผม
- ในด้าน Benchmarks ทั้งสองตัวดูสูสีกัน แต่ในโลกจริงมันไม่ใช่แบบนั้น Fable มีกลิ่นของโมเดลใหญ่ GPT-5.6 ให้ความรู้สึกเหมือนโมเดลที่เล็กกว่าที่ถูก RL มาอย่างดีเยี่ยม และความแตกต่างนั้นปรากฏทันทีที่คุณก้าวออกจากงานเขียนโค้ดปกติ มันยังปรากฏในเรื่องความไว้วางใจด้วย: ถ้ามี Guardrails และ Setup ที่ถูกต้อง ผมไม่จำเป็นต้องตรวจสอบโค้ดของ Fable แต่ผมยังต้องตรวจสอบของ 5.6
- สำหรับ GPT-5.6 ถ้าต้องการทำงานที่ทะเยอทะยาน คุณยังต้องคอยชี้นำมัน ในขณะที่ Fable คุณแค่บรรยายจุดหมายปลายทางครั้งเดียว และมันมักจะไปถึง那儿ได้เองโดยอัตโนมัติ
- GPT-5.6 ยังคงเหนือกว่า Fable ในบางจุดที่สำคัญ: ข้อจำกัด (Limits), อินเทอร์เฟซ และความเต็มใจที่จะทำงานด้านความปลอดภัย ตอนนี้มันกลายเป็นผู้ตรวจสอบความปลอดภัยและสายตาคู่ที่สองของผม ไม่ใช่โมเดลหลัก
- นอกจาก Fable แล้ว GPT-5.6 เป็นโมเดลที่ดีที่สุดที่คุณสามารถใช้ได้ และการรันมันในโหมด Goal คือการตั้งค่า Agent ที่ดีที่สุดที่ OpenAI เคยส่งออกมา
ข้อดี
- โหมด Goal พิมพ์ /goal แล้วโมเดลจะไม่หยุดจนกว่าเป้าหมายจะสำเร็จจริงๆ นี่คือสิ่งที่ใกล้เคียงที่สุดที่ OpenAI เคยทำมา กับวิธีที่ผมอยากทำงานจริงๆ
- มันหมกมุ่น และสามารถรันเป็นวันเพื่อทำงานให้เสร็จ การรัน Goal ที่ยาวนานที่สุดของผม ใช้เวลาเกือบทั้งสัปดาห์กับเป้าหมายเดียว โดยส่วนใหญ่ไม่ต้องดูแล
- ต้องการการดูแลน้อยกว่าโมเดล GPT รุ่นก่อนหน้ามาก มันตัดสินใจได้สมเหตุสมผลเมื่อเจอความคลุมเครือ และดำเนินต่อไป การกลับไปใช้ GPT-5.5 หลังจากลอง 5.6 รู้สึกเหมือนถอยหลังครั้งใหญ่ในเรื่องนี้
- งานด้านความปลอดภัยแข็งแกร่งจริงๆ และมันเต็มใจทำมากกว่า Fable มาก
- การออกแบบดีกว่าโมเดล GPT รุ่นก่อนหน้ามาก
- ข้อจำกัด (Limits) ใจกว้างกว่าของ Anthropic มาก เหมือนเคย
- แอป Codex ยังคงเป็นอินเทอร์เฟซที่ดีที่สุดสำหรับการรัน Agent โดยเฉพาะจากโทรศัพท์
- ถ้าคุณใช้ 5.6 แบบเดียวกับที่ใช้โมเดลรุ่นก่อนสำหรับการเขียนโค้ด คุณจะชอบโมเดลนี้ Fable แพงกว่าและช้ากว่าสำหรับงานเดียวกัน แต่ถ้าคุณ Prompt อย่างทะเยอทะยานขึ้น พยายามไปจาก a ถึง z ทีเดียว หรือทำงานที่ไม่ใช่การแจกแจงแบบเดิม Fable จะดีกว่าอย่างมาก
ข้อไม่ค่อยดี
- มันไม่ใช่ Fable นั่นคือส่วนใหญ่ของรีวิวนี้ จริงๆ
- การออกแบบยังเทียบ Fable ไม่ติด ไม่ต้องพูดถึง Opus 4.8 เลย
- งานสร้างสรรค์ที่ทะเยอทะยานต้องการการดูแลมากกว่า Fable มาก และถึงแม้จะมีการดูแลมากมาย ก็ไปไม่ถึงสิ่งที่ Fable ทำได้ในการลองครั้งเดียว น้อยกว่าโมเดลรุ่นเก่า แต่ช่องว่างนั้นมีจริง
- มันสามารถทำงานเกินขอบเขตได้ ครั้งหนึ่งผมขอให้มันเขียน Spec แล้วมันก็ไปหาไฟล์ที่ vaguely เกี่ยวข้องในเครื่องผม และเริ่มแก้ไข ซึ่งน่ารำคาญ
- ถ้างานของคุณเป็นงานวิศวกรรมที่เรียบง่าย คุณอาจรู้สึกยากที่จะเห็นการอัปเกรดในบางครั้ง รุ่นที่แล้วก็ดีพอสำหรับงานส่วนใหญ่แล้ว เมื่อคุณผลักดันโมเดลด้วยงานที่ยากขึ้น หรือขอให้มันทำหลายอย่างพร้อมกัน คุณจะรู้สึกถึงการอัปเกรดมากขึ้น
นี่คือรีวิวที่แปลกที่สุดที่ผมเคยเขียน เพราะความคิดเห็นของผมเกี่ยวกับโมเดลนี้เปลี่ยนไปโดยสิ้นเชิงในช่วงกลางของการทดสอบ และโมเดลก็ไม่มีส่วนเกี่ยวข้องกับมัน
ผมได้สิทธิ์เข้าถึง GPT-5.6 เมื่อวันที่ 27 พฤษภาคม ประมาณสองสัปดาห์ ผมรู้สึกทึ่งมาก ผมรันมันเช้า กลางวัน และกลางคืน ถึงจุดหนึ่งผมมีการรันโหมด Goal หลายๆ ครั้งแบบขนาน จนผมใช้ 3 เท่าของ Token รายเดือนของผู้ใช้ที่สูงที่สุดของ OpenAI ภายใน 17 วัน บนเครื่องเดียว ผมกำลังสร้างสิ่งที่ผมไม่คิดว่าโมเดลจะสร้างได้ และผมแทบไม่ได้พิมพ์อะไรเลย
จากนั้น Fable ก็ออกมา ผมได้สิทธิ์เข้าถึง และผมก็หยุดใช้ GPT-5.6 เกือบจะทันที
คุณควรรู้ว่าผมมาจากจุดไหน ถ้าคุณอ่านรีวิวก่อนหน้าของผม คุณจะรู้ว่าผมมักจะเป็นคนของ GPT ผมไม่ได้ทำงาน Frontend หรือ UX มากนัก ส่วนใหญ่ผมทำงาน Backend, Systems และ Agentic และโมเดล GPT มักจะดีกว่าสำหรับผมในเรื่องนั้น พวกมันมักจะทำการเปลี่ยนแปลงที่ผมขอและไม่ทำอะไรเพิ่ม ดังนั้นเมื่อผมบอกคุณว่าโมเดล Claude ทำให้ผมละทิ้งโมเดล GPT ที่ผมรัก เข้าใจว่านี่ไม่ใช่สิ่งที่ผมมักจะเป็น
ให้ผมอธิบายทั้งสองส่วน: ทำไม GPT-5.6 ทำให้ผมทึ่ง และทำไมตอนนี้ผมแทบไม่ได้ใช้มัน
โหมด Goal คือเวทมนตร์ล้วนๆ
โหมด Goal อธิบายได้ง่ายๆ คุณพิมพ์ /goal ใน Codex CLI หรือแอป คุณให้วัตถุประสงค์พร้อมเกณฑ์ความสำเร็จที่ชัดเจน และโมเดลจะไม่หยุดจนกว่าเป้าหมายจะสำเร็จ เมื่อการรันเสร็จ โหมด Goal จะตรวจสอบว่าเป้าหมายสำเร็จจริงหรือไม่ ถ้ายังไม่สำเร็จ มันจะเริ่มการรันใหม่และดำเนินต่อไป ทำซ้ำ เป็นวันถ้าจำเป็น
ถ้าคุณอ่าน คู่มือการ Prompt ของ Fable ทุกอย่างในนั้นใช้ได้โดยตรงที่นี่ เพราะผมพัฒนาเทคนิคเหล่านั้นหลายอย่างบน GPT-5.6 ก่อน ทำให้ "เสร็จ" เป็นการทดสอบ ไม่ใช่คำคุณศัพท์ อย่าปล่อยให้มันเสร็จ ทำให้ Builder และ Judge เป็น Agent แยกกัน ให้มันเก็บบันทึกความคืบหน้าที่คุณสามารถตรวจสอบได้จากโทรศัพท์ GPT-5.6 ตอบสนองต่อทั้งหมดนี้
เคล็ดลับสองข้อเฉพาะสำหรับโหมด Goal:
- เป้าหมายถูกจำกัดที่ 4,000 ตัวอักษร อย่าต่อสู้กับขีดจำกัดและพยายามยัดทุกอย่าง... ให้เขียนเป้าหมายจริงเป็นไฟล์ Markdown และทำให้เป้าหมายเป็นบรรทัดเดียว: "ทำวัตถุประสงค์และเกณฑ์ความสำเร็จใน goal.md ให้สำเร็จ ถือว่าไฟล์นี้เป็นแหล่งความจริงที่คงทนตลอดการรัน" เป็นโบนัส คุณสามารถแก้ไขไฟล์ได้ในขณะที่รันอยู่
- ใช้เวลานานกับไฟล์เป้าหมายนั้น ให้โมเดลช่วยคุณเขียน ไฟล์เป้าหมายทำหน้าที่ที่ผู้จัดการปกติจะทำ และทุกความคลุมเครือที่คุณปล่อยไว้ในนั้นคือการตัดสินใจที่โมเดลจะทำโดยไม่มีคุณ
มันสร้าง Manhattan
วิธีที่ดีที่สุดในการแสดงให้คุณเห็นว่ามันเป็นอย่างไรคือสิ่งที่มันสร้าง
ผมให้ไฟล์เป้าหมายที่พูดว่า: สร้างแบบจำลอง Voxel 3D ของ Manhattan ที่สามารถสำรวจได้ ซึ่งดู ฟัง และทำงานเหมือนเมืองจริง รวมถึงระบบรถไฟใต้ดินนิวยอร์กจริง มาตรฐานที่ผมเขียนในเป้าหมายนั้นเรียบง่าย: คนที่รู้จักนิวยอร์กควรสามารถบอกได้ว่าพวกเขาอยู่ที่ไหน
หลายวันต่อมา ผมมีสิ่งนี้
มุมมองทางอากาศของ Manhattan ที่สร้างโดย GPT-5.6
นั่นคือเกาะจริง เส้นขอบฟ้าตรงกัน รูปร่างอาคารตรงกัน ภูมิศาสตร์และภูมิประเทศตรงกัน มันดึงข้อมูลเมืองจริงเพื่อทำ ดังนั้น Empire State Building อยู่ที่ 40.7485° N, 73.9868° W ซึ่งเป็นที่ที่มันควรอยู่
Empire State Building ที่แม่นยำ
และรถไฟใต้ดินก็ใช้งานได้ ไม่ใช่ "มีพื้นผิวรถไฟใต้ดิน" คุณเดินลงถนนจริง หาทางเข้าสถานีในตำแหน่งจริง ลงไปใต้ดิน ขึ้นรถไฟในเส้นทางที่ถูกต้อง นั่งผ่านอุโมงค์ ต่อรถที่คุณจะต่อจริงๆ และออกมาจากทางออกจริงที่อื่นในเมือง มันยังหาวิธีจับคู่ตารางรถไฟใต้ดินจริงของ Manhattan จริงๆ ดังนั้นรถไฟดิจิทัลจึงซิงค์กับของจริง
ขึ้นรถไฟที่ Grand Central-42 St
เกมทำลายล้างที่ผมให้มันทำก็เป็นเรื่องเดียวกัน เป้าหมาย: เกมทำลายล้างมุมมองบุคคลที่หนึ่งแบบ Voxel ที่ยืนหยัดเคียงข้าง Teardown ด้วย Voxel จริงและฟิสิกส์โครงสร้างจริง ระเบิดฐานอาคารแล้วทุกอย่างที่อยู่เหนือมันจะพังทลายตามน้ำหนักของมันเอง การรันนั้นใช้เวลาห้าวันและมากกว่าเจ็ดสิบครั้ง
Redline Demolition เกมทำลาย Voxel ที่ GPT-5.6 สร้าง
สองสิ่งจากการรันเหล่านั้นติดอยู่ในใจผม ประการแรก มันให้คะแนนตัวเองอย่างซื่อสัตย์ ในช่วงต้นของการรัน Manhattan วารสารความคืบหน้าของมันเองปฏิเสธที่จะนับ Draft เป็นความคืบหน้า: "เห็นได้ชัดว่าไม่ใช่ Manhattan และไม่ได้รับการยอมรับว่าเป็นเหตุการณ์สำคัญของเมือง" มันจะไม่ประกาศชัยชนะเป็นเวลาหลายวัน เพราะไฟล์เป้าหมายไม่อนุญาต ประการที่สอง มันให้ความสำคัญกับการตัดสินในแบบที่ผมไม่เคยขอ มันสร้าง Agent ผู้ตรวจสอบที่ไม่เป็นมิตรหลายร้อยคน และพบปัญหามากมายที่จะแก้ไข
การรันครั้งหนึ่งถึงกับเต็มดิสก์ Mac ของผมระหว่างเป้าหมาย ล้าง Cache ที่มันสามารถตรวจสอบว่าปลอดภัยที่จะลบ จากนั้นติดตั้ง Cloud Sandbox CLI และย้ายตัวเองไปที่นั่นเพื่อทำงานต่อ น่าประทับใจและน่าตกใจเล็กน้อยในเวลาเดียวกัน ซึ่งเป็นบทสรุปที่ยุติธรรมของโมเดลนี้
ดังนั้น ใช่: เป็นเวลาสองสัปดาห์ที่ผมคิดว่านี่คืออนาคต
แล้ว Fable ก็ออกมา
จากนั้นผมได้ Fable และการเปรียบเทียบก็ไม่สูสี
ผมกลับไปและรันโปรเจกต์ GPT-5.6 บางส่วนของผมอีกครั้งเพื่อให้ยุติธรรม การทดสอบที่ชัดเจนที่สุดคืองาน 3D และวิดีโอแบบ Programmatic ซึ่งเป็นประเภทเดียวกับที่อยู่เบื้องหลัง โลกที่ผมโพสต์ ผลลัพธ์ของ GPT-5.6 ดีกว่าโมเดล GPT รุ่นก่อนหน้าใดๆ แต่มันก็ยังห่างไกลจาก Fable ผลลัพธ์ดูแย่กว่ามาก และไม่ว่าการทำซ้ำกี่ครั้งก็ไม่สามารถปิดช่องว่างได้
นี่กลายเป็น Benchmark ใหม่ของผมสำหรับโมเดล โดยวิธี: ให้มันสร้าง Voxel Engine ที่แม่นยำทางฟิสิกส์จาก ศูนย์ และดูว่ามันสามารถไปได้ไกลแค่ไหน มันเป็นการทดสอบที่โหดร้ายเพราะไม่มี Library ให้พึ่งพาและไม่มีทางปลอมแปลง Voxel Engine ของ GPT-5.6 ตกลงไปไกลกว่าเกณฑ์ของ Fable มาก
ความแตกต่างที่ลึกซึ้งกว่าคือการดูแล ด้วย Fable คุณพูดว่าคุณต้องการอะไรและมันก็ทำเสร็จ ด้วย GPT-5.6 หลายอย่างเสร็จ แต่สิ่งที่ทะเยอทะยานต้องการการชี้นำ คุณกำลังแก้ไขเส้นทาง อธิบายเกณฑ์ใหม่ ผลักดันให้มันอนุรักษ์นิยมน้อยลง นั่นยังต้องการการดูแลน้อยกว่ารุ่นที่แล้วมาก แต่มันมากกว่าที่ Fable ต้องการ ซึ่งคือประมาณศูนย์
ความไว้วางใจเป็นอีกครึ่งหนึ่งของเรื่องนี้ ด้วย Guardrails และ Setup ที่ถูกต้อง ผมไม่ตรวจสอบโค้ดของ Fable อีกต่อไป ผมรู้ว่าผมวางใจได้ ผมยังตรวจสอบของ 5.6 ค่อนข้างบ่อย
บางสิ่งที่ผมสร้างบน GPT-5.6 ผมไม่เคยสนใจจะทดสอบซ้ำ เพราะหลังจากสองสามสัปดาห์กับ Fable พวกมันรู้สึกว่าต่ำกว่าเส้นน้ำ
กลิ่นของโมเดลใหญ่
นี่คือการอ่านที่ซื่อสัตย์ของผมว่าทำไม
Fable มีกลิ่นของโมเดลใหญ่ คุณสามารถบอกได้ว่าคุณกำลังคุยกับอะไรที่ใหญ่มาก มันสรุปความได้ คุณผลักมันไปที่ไหนสักแห่งที่แปลก และมันยังคงฉลาดอยู่ที่นั่น
GPT-5.6 ให้ความรู้สึกเหมือนโมเดลที่เล็กกว่า ยังใหญ่ แต่เล็กกว่า พร้อมการเรียนรู้แบบเสริมกำลัง (RL) จำนวนมากอยู่ด้านบน และ RL ให้สิ่งที่คุณคาดหวัง: โมเดลเก่งมากในรูปแบบงานที่มันถูกฝึกมา และ Benchmarks เป็นรูปแบบที่ถูกฝึกมากที่สุด นั่นคือเหตุผลที่คะแนนดูสูสีกัน จากนั้นคุณก้าวออกจากถนนลาดยางหนึ่งก้าว เข้าไปใน Voxel Engine จากศูนย์หรือการเรนเดอร์ 3D และความแตกต่างก็ปรากฏทันที
นั่นทำให้ GPT-5.6 เป็นเครื่องมือที่เจาะจงมากกว่าที่ Benchmarks แนะนำ
ผมหวังจริงๆ ว่า OpenAI จะฝึกโมเดลที่ใหญ่จริงๆ เพราะ RL ของพวกเขาบนสิ่งที่ขนาดเท่า Fable จะยอดเยี่ยมมาก โมเดลนั้นยังไม่มีอยู่จริง (เท่าที่เรารู้... แต่อาจจะเร็วๆ นี้)
จุดที่ GPT-5.6 ยังคงชนะ
มันไม่ใช่ทั้งหมดในทิศทางเดียว และข้อยกเว้นก็สำคัญที่ต้องสังเกต
ความปลอดภัย. GPT-5.6 เต็มใจทำงานด้านความปลอดภัยทางไซเบอร์มากกว่า Fable ซึ่งสามารถปฏิเสธงานที่จับคู่รูปแบบกับอันตราย และมันเก่งจริงๆ เวิร์กโฟลว์ปัจจุบันของผม: Fable เขียนโค้ด และ GPT-5.6 ตรวจสอบมัน เนื่องจาก Codex Exec ทำงานแบบ Headless คุณสามารถเชื่อมต่อมันกับ Hook ที่ตรวจสอบทุก Commit หรือทำงานหลังจากทุกการรันของ Fable เสร็จ
ข้อจำกัด. ข้อจำกัดของ OpenAI ใจกว้างกว่าของ Anthropic มาก สิ่งนี้เป็นจริงเสมอและยังคงเป็นจริง ถ้าคุณกำลังจำกัด Token ของ Fable GPT-5.6 เป็นตัวเลือกที่สองที่ดี (หรือคุณสามารถใช้มันเพื่อ Execute ในขณะที่ Fable วางแผน)
อินเทอร์เฟซ. แอป Codex ยังคงเป็นวิธีที่ดีที่สุดในการรันและชี้นำ Agent โดยเฉพาะจากโทรศัพท์ จับคู่ครั้งเดียวแล้วคุณสามารถส่งงาน ตรวจสอบ Diff และรักษาการรัน Goal ต่อไปได้จากทุกที่ ผมใช้มันน้อยกว่าที่เคย เพราะผมพบวิธีของตัวเองในการทำสิ่งนี้กับ Fable: ผมให้มันทำงานในเอกสารบน workbench.md และผมสามารถอ่านอัปเดตของมันและชี้นำมันได้จากส่วนแชทในเอกสารบนโทรศัพท์ แต่ในฐานะผลิตภัณฑ์ ทีมของ OpenAI ยังคงนำหน้าอยู่ และมันไม่สูสี
เมื่อใดควรใช้อะไร
- ถ้าคุณสามารถใช้ Fable: Fable สำหรับเกือบทุกอย่าง GPT-5.6 สำหรับการตรวจสอบความปลอดภัย สำหรับสายตาคู่ที่สองในการเปลี่ยนแปลงที่สำคัญ และเป็นผู้ปฏิบัติตามแผนของ Fable เมื่อคุณต้องการประหยัดค่าใช้จ่าย
- ถ้าคุณไม่สามารถ: GPT-5.6 โดยไม่ลังเล มันเป็นโมเดลที่ดีที่สุดที่ใครอื่นสร้าง การรันมันในโหมด Goal คือการตั้งค่า Agent ที่ดีที่สุดที่คุณสามารถมีได้ในวันนี้ และทุกอย่างในรีวิวนี้ที่ฟังดูเย็นชา ก็เย็นชาเมื่อเทียบกับ Fable เท่านั้น
ความคิดสุดท้าย
ถ้า Fable ไม่มีอยู่ นี่จะเป็นรีวิวที่ชื่นชมมากที่สุดที่ผมเคยเขียน โมเดลที่สามารถรันเป็นวันกับไฟล์เป้าหมาย ตัดสินงานของตัวเองอย่างไม่เป็นมิตร และส่ง Manhattan แบบ Voxel ที่ใช้งานได้ ไม่ใช่เรื่องเล็กน้อย หกเดือนที่แล้วมันคงเป็นนิยายวิทยาศาสตร์
แต่ Fable มีอยู่ และบทสรุปที่ซื่อสัตย์ของ GPT-5.6 คืออันดับสองไม่เคยดีขนาดนี้ และมันไม่เคยมีความสำคัญน้อยขนาดนี้ แนวหน้าไม่ใช่ลีดเดอร์บอร์ดที่เงินมีค่า ถ้าโมเดลหนึ่งสามารถทำสิ่งที่อีกโมเดลหนึ่งทำไม่ได้ คุณใช้โมเดลนั้น และช่องว่างตอนนี้กว้างพอที่ผมจัดระเบียบเวิร์กโฟลว์ทั้งหมดของผมใหม่ภายในไม่กี่วัน
GPT-5.6 เป็นโมเดลที่ยอดเยี่ยม ผมหวังว่าโมเดลถัดไปของ OpenAI จะทำให้ผมกลับมาใช้ มันเคยทำให้ผมเปลี่ยนมาก่อน
ถ้าคุณพบว่าสิ่งนี้มีประโยชน์ ติดตามผมบน X สำหรับความคิดเพิ่มเติมของผมเกี่ยวกับโมเดล AI และวิธีใช้ให้เกิดประโยชน์สูงสุด
อ่านรีวิวต้นฉบับของผมได้ที่นี่: https://shumer.dev/gpt56review.html
