Chúng tôi đã benchmark GPT-5.6 Sol trên [Design Arena’s Web Design (Non-Agentic) Arena](https://www.designarena.ai/leaderboard/code), và chúng tôi ngạc nhiên khi thấy nó xếp hạng 1 tổng thể. Đây là 18 bậc cao hơn so với phiên bản tiền nhiệm GPT-5.5, và là lần đầu tiên một mô hình OpenAI đạt vị trí đầu tiên** trên bảng xếp hạng này.
Chúng tôi đã đào sâu hơn và phân tích các triển khai của GPT-5.6 Sol để theo dõi các tác vụ coding frontend mà mô hình này vượt trội:
- GPT-5.6 Sol dường như nhận diện và chủ động loại bỏ các phản mẫu thiết kế AI phổ biến. Chúng tôi đã chiếu các CLIP embeddings của 1.000 trang web do GPT-5.6 tạo ra bằng UMAP để trực quan hóa đa tạp thiết kế của mô hình. Đáng ngạc nhiên, chúng tôi thấy rằng không gian thiết kế của nó có những khoảng trống rõ ràng nơi GPT-5.5 tạo ra gradient tím, bố cục bento-box, văn bản hero quá khổ và bố cục lệch, gợi ý rằng GPT-5.6 đã học được các phản mẫu AI này nhưng chọn lọc tránh tạo ra chúng.
- Nó kết hợp các template mạnh mẽ với mức độ cá nhân hóa cao bất thường. GPT-5.6 Sol bắt đầu từ các cấu trúc thiết kế đã được kiểm chứng nhưng điều chỉnh chúng đáng kể cho từng prompt, tạo ra sự cân bằng tốt hơn giữa tính nhất quán và đa dạng so với các mô hình sử dụng template nặng hoặc hoàn toàn không bị ràng buộc.
GPT 5.6 Sol thiết lập hai đường biên Pareto mới cho cả sở thích so với tốc độ và sở thích so với giá cả. Nó nhanh hơn 2,44 lần so với GLM 5.2 (trước đây xếp hạng 1) và nhanh hơn 36% so với Claude Fable 5, với mức giá $5/$30 cho 1 triệu token so với mức $10/$50 cho 1 triệu token của Claude Fable 5.
Vậy điều gì đã thay đổi trong đầu ra trang web của GPT-5.6 Sol?
Chúng tôi phát hiện ra rằng gu thiết kế của GPT-5.6 Sol đã được tuyển chọn cẩn thận để tránh các phản mẫu AI dẫn đến thẩm mỹ chung chung. Sự chuyên biệt hóa trong thiết kế và cách tiếp cận template độc đáo này đã đưa GPT-5.6 Sol lên vị trí đầu tiên trên bảng xếp hạng single-turn của chúng tôi.
Hành vi mô hình #1: Tránh rõ ràng các phản mẫu AI
Trong bài đánh giá của chúng tôi về GPT-5.5 ba tháng trước, chúng tôi đã xác định một tập hợp các 'mùi thiết kế' mà GPT-5.5 liên tục tạo ra. Những mùi thiết kế này bao gồm kiểu chữ lớn thay vì hình ảnh hero, các quyết định bố cục bất thường và gradient tím bị lạm dụng. Chúng tôi vui mừng thông báo rằng hầu hết các mùi thiết kế này đã hoàn toàn biến mất trong GPT-5.6 Sol.
Người thua cuộc chỉ ra 'Mùi' thiết kế AI cổ điển #1: Gradient tím & xanh
Người thua cuộc chỉ ra 'Mùi' thiết kế AI cổ điển #2: Nền lưới (grid)
Mặc dù GPT-5.6 Sol không phải là mô hình duy nhất giải quyết vấn đề phản mẫu, nhưng nó có một cách tiếp cận độc đáo đáng được nhấn mạnh. Chúng tôi đã chiếu các CLIP embeddings của 1.000 trang web do GPT-5.6 tạo ra bằng UMAP để trực quan hóa đa tạp thiết kế của mô hình: vùng của không gian embedding CLIP lớn hơn mà các thế hệ của nó chiếm giữ. Hãy xem hình ảnh trực quan đó bên dưới.
Chúng tôi đã rất sốc khi phát hiện ra những lỗ hổng kỳ lạ trong không gian con kết quả.
Những lỗ hổng này không xuất hiện trong các mô hình khác, chẳng hạn như trong hình ảnh trực quan GPT-5.5 bên dưới, vì hầu hết các mô hình tạo ra các thiết kế web tương tự như các thiết kế đã tạo trước đó, với các biến thể chỉ đến từ chính prompt. Vì phép chiếu UMAP về mặt lý thuyết bảo toàn các lỗ hổng trong đa tạp (giả sử các tham số chiếu phù hợp), việc tìm thấy lỗ hổng trong không gian thiết kế của một mô hình nhưng không có trong mô hình khác, báo hiệu rằng GPT-5.6 Sol có thể có một cụm thiết kế trong những lỗ hổng đó mà nó không tạo ra.
Để tìm ra những thiết kế nào nằm trong các lỗ hổng này, chúng tôi đã chồng các trang web của GPT-5.6 Sol và GPT-5.5 trong cùng một không gian embedding và thực hiện cùng một phép chiếu UMAP như trước. Từ đó, chúng tôi tô màu tất cả các thế hệ của GPT-5.6 Sol là màu cam, sau đó xếp chúng lên trên các thế hệ của GPT-5.5. Bất kỳ vùng nào không có màu cam sẽ là các mẫu cụ thể của GPT-5.5, trong khi bất kỳ vùng nào có màu cam sẽ là cụ thể của GPT-5.6 Sol.
Điều này càng trở nên rõ ràng hơn nếu chúng tôi loại bỏ các ảnh chụp màn hình và thay thế các thế hệ cụ thể của GPT-5.5 và GPT-5.6 Sol bằng các chấm màu xanh lam và cam tương ứng. Điều này cho chúng ta hình ảnh trực quan bên dưới, nơi chúng ta có thể thấy GPT-5.5 và GPT-5.6 Sol tạo ra các trang web phần lớn giống nhau, với GPT-5.6 Sol thể hiện sự khác biệt nhiều hơn một chút so với GPT-5.5.
Tuy nhiên, có một cụm chính mà GPT-5.5 và GPT-5.6 Sol không chồng lấn chút nào: cụm dành cho các trang web có gradient tím.
Mặc dù GPT-5.6 Sol tạo ra các thiết kế phần lớn tương tự GPT-5.5, nhưng có một nỗ lực rõ ràng trong việc tránh nhiều phản mẫu AI phổ biến. Chúng tôi thấy hiệu ứng tương tự đối với các phản mẫu khác, như bố cục bento box, kiểu chữ lớn trong hình ảnh hero và bố cục lệch.
Cách tiếp cận này khác biệt đáng kể so với các mô hình khác. Ví dụ, GLM-5.2 tránh các phản mẫu như kiểu chữ lớn bằng cách học một tập hợp các template không bao gồm chúng. Điều này tránh được các phản mẫu mà không tạo ra lỗ hổng trong không gian tạo ra vì GLM-5.2 chỉ đơn giản là tránh hoàn toàn việc tạo ra các thiết kế có phản mẫu.
Trong khi GLM-5.2 dường như đã tránh học các phản mẫu thiết kế hoàn toàn (và do đó tránh tạo ra chúng), thì có vẻ như GPT-5.6 Sol đã học được rằng các phản mẫu thiết kế cụ thể tồn tại, nhưng từ chối tạo ra chúng.
Mặc dù tránh được các phản mẫu phổ biến, cách tiếp cận này không tổng quát hóa cho tất cả các phản mẫu. Ví dụ, GPT-5.6 Sol liên tục lạm dụng confetti, xuất hiện trong hơn 26,5% các thế hệ. Nó thậm chí còn tự tạo các thư viện confetti của riêng mình khi không có sẵn.
Mô hình cũng có hiệu suất thấp hơn khi tạo biểu đồ và trực quan hóa dữ liệu vì nó không giỏi sử dụng chart.js để tạo biểu đồ thực tế.
Hành vi mô hình #2: Template tùy chỉnh cân bằng giữa tổng quát hóa và chuyên biệt hóa
Một trong những tín hiệu chính mà chúng tôi đo lường cho hiệu suất mô hình là 'templating', nơi các mô hình mô phỏng gu thiết kế bằng cách học một tập hợp các template hiệu suất cao hoạt động tốt trên arena. Điều này là bình thường đối với các mô hình tiên tiến, và trong một phân tích trước đó cho GLM 5.2, chúng tôi thấy rằng chiến lược này cho phép nó đạt vị trí đầu tiên trên bảng xếp hạng của chúng tôi.
So sánh điều này với Claude Fable 5, mô hình mà chúng tôi thấy hầu như không có templating. Nó có không gian thiết kế đa dạng hơn nhiều, cá nhân hóa từng đầu ra theo nhu cầu của người dùng.
GPT-5.6 Sol kết hợp hai cách tiếp cận thiết kế bằng cách sử dụng các template, nhưng thực hiện nhiều thay đổi hơn để tạo sự khác biệt trong mỗi cụm. Giống như cách vi khuẩn tiến hóa thành các chủng di truyền liên quan khác nhau, mô hình có các cụm thiết kế tương tự sau đó được cá nhân hóa thêm theo prompt của người dùng. Điều này đặc biệt rõ ràng khi nói đến việc sử dụng hình ảnh của GPT-5.6 Sol, vì mô hình có xu hướng sử dụng cùng một hình ảnh cho nhiều bối cảnh và trường hợp sử dụng khác nhau.
Sự cá nhân hóa này chính là lý do tại sao GPT-5.6 Sol hoạt động tốt như vậy trên Design Arena, vì mỗi người dùng nhận được một trang web tùy chỉnh cho trường hợp sử dụng của họ mà vẫn có cảm giác như được thiết kế chuyên nghiệp.
Điều này có ý nghĩa gì đối với việc lựa chọn mô hình
Tổng hợp lại, những phát hiện này cho thấy lợi thế của GPT-5.6 Sol đến từ việc vừa chọn lọc hơn vừa thích ứng hơn. Nó dường như đã (1) học được những mẫu hình ảnh nào khiến các trang web do AI tạo ra có cảm giác chung chung, sau đó chủ động loại bỏ chúng, trong khi vẫn duy trì một tập hợp các cấu trúc thiết kế đáng tin cậy mà nó có thể tùy chỉnh cho từng prompt, và (2) kết hợp các thiết kế templated với đầu ra tùy chỉnh.
Đây là một số chỉ số chính đã dẫn đến việc GPT-5.6 Sol dẫn đầu bảng xếp hạng Design Arena.
Chúng tôi sẽ tiếp tục theo dõi hiệu suất của GPT-5.6 Sol và cách nó so sánh với các mô hình khác. Xin chúc mừng đội ngũ OpenAI về bản phát hành này, và hãy tự mình thử nghiệm GPT-5.6 Sol trên DesignArena.ai.
