Đánh giá GPT-5.6 của tôi: Vị trí thứ hai chưa bao giờ tuyệt vời đến thế

Tóm tắt

• Tôi đã thử nghiệm GPT-5.6 từ ngày 27 tháng 5. Trong hai tuần đầu, đó là mô hình ấn tượng nhất tôi từng dùng. Chế độ goal kết hợp với mô hình này thực sự là ma thuật. Nó đã tự xây dựng cho tôi một mô phỏng Manhattan dạng voxel với hệ thống tàu điện ngầm hoạt động, và một game phá hủy kiểu Teardown, phần lớn là tự động, qua các phiên chạy kéo dài nhiều ngày.
• Sau đó Claude Fable ra mắt, và tôi gần như ngừng dùng GPT-5.6 chỉ sau một đêm, vì Fable tốt hơn hẳn cho các tác vụ của tôi.
• Trên benchmark, hai mô hình trông khá sát nhau. Nhưng ngoài đời thực thì không hề. Fable có "big model smell". GPT-5.6 cảm giác như một mô hình nhỏ hơn được RL (học tăng cường) cực kỳ tốt, và sự khác biệt đó lộ rõ ngay khi bạn vượt ra khỏi các công việc lập trình thông thường. Nó cũng thể hiện ở độ tin cậy: với các biện pháp bảo vệ và thiết lập phù hợp, tôi không cần kiểm tra code của Fable. Tôi vẫn phải kiểm tra code của 5.6.
• Với GPT-5.6, để làm những việc tham vọng, bạn vẫn phải điều hướng nó, trong khi với Fable, bạn chỉ cần mô tả đích đến một lần, và nó hầu như tự động đến đó.
• GPT-5.6 vẫn hơn Fable ở một vài điểm quan trọng: giới hạn (limits), giao diện, và sự sẵn sàng làm các công việc bảo mật. Giờ nó là công cụ kiểm toán bảo mật và là con mắt thứ hai của tôi, không còn là mô hình chính nữa.
• Ngoại trừ Fable, GPT-5.6 là mô hình tốt nhất bạn có thể dùng. Và chạy nó ở chế độ goal là thiết lập agentic tốt nhất mà OpenAI từng phát hành.

Điểm tốt

• Chế độ goal. Gõ /goal và mô hình không dừng lại cho đến khi mục tiêu thực sự hoàn thành. Đây là thứ gần nhất mà OpenAI đạt được so với cách tôi muốn làm việc.
• Nó rất kiên trì, và có thể chạy nhiều ngày để hoàn thành một tác vụ. Các phiên goal dài nhất của tôi kéo dài gần một tuần cho một mục tiêu duy nhất, hầu như không cần giám sát.
• Giảm đáng kể nhu cầu phải can thiệp so với bất kỳ mô hình GPT nào trước đây. Nó đưa ra quyết định hợp lý khi gặp trường hợp mơ hồ và tiếp tục tiến lên. Quay lại GPT-5.5 sau khi thử 5.6 cảm giác như một bước lùi lớn về mặt này.
• Công việc bảo mật thực sự mạnh mẽ, và nó sẵn sàng làm việc đó hơn hẳn Fable.
• Thiết kế tốt hơn nhiều so với các mô hình GPT trước.
• Giới hạn hào phóng hơn nhiều so với Anthropic, như mọi khi.
• Ứng dụng Codex vẫn là giao diện tốt nhất để chạy agent, đặc biệt là từ điện thoại.
• Nếu bạn dùng 5.6 theo cách bạn đã từng dùng các mô hình trước để lập trình, bạn sẽ thích nó. Fable đắt hơn và chậm hơn cho cùng một công việc. Nhưng nếu bạn prompt một cách tham vọng hơn, cố gắng đi từ a đến z cùng lúc, hoặc làm các tác vụ nằm ngoài phân phối, thì Fable tốt hơn đáng kể.

Điểm chưa tốt

• Nó không phải là Fable. Phần lớn bài đánh giá này thực ra chỉ xoay quanh điều đó.
• Thiết kế vẫn không thể sánh với Fable. Thậm chí còn không sánh được với Opus 4.8.
• Công việc sáng tạo tham vọng cần can thiệp nhiều hơn Fable, và dù có can thiệp nhiều cũng không thể đạt được những gì Fable làm trong một lần. Ít hơn các mô hình cũ, nhưng khoảng cách là có thật.
• Nó có thể hơi "nóng máy". Một lần tôi yêu cầu nó viết một bản đặc tả, và nó tự động tìm các file có liên quan mơ hồ trên máy tôi và bắt đầu chỉnh sửa chúng, điều này khá khó chịu.
• Nếu công việc của bạn là các tác vụ kỹ thuật đơn giản, đôi khi bạn sẽ khó cảm nhận được sự nâng cấp. Thế hệ trước đã đủ tốt cho hầu hết các việc đó. Khi bạn đẩy mô hình vào các tác vụ khó hơn, hoặc yêu cầu nó làm nhiều việc cùng lúc, bạn sẽ cảm nhận được nhiều hơn sự nâng cấp.

Đây là bài đánh giá kỳ lạ nhất tôi từng viết, bởi vì quan điểm của tôi về mô hình này đã hoàn toàn thay đổi giữa chừng khi thử nghiệm, và mô hình không hề liên quan đến sự thay đổi đó.

Tôi được cấp quyền truy cập GPT-5.6 vào ngày 27 tháng 5. Trong khoảng hai tuần, tôi hoàn toàn choáng ngợp. Tôi chạy nó sáng, trưa, tối. Có thời điểm tôi có nhiều phiên goal mode chạy song song đến nỗi tôi đã dùng gấp 3 lần token hàng tháng của người dùng cao nhất OpenAI trong 17 ngày trên một máy. Tôi đang xây dựng những thứ mà tôi không nghĩ mô hình có thể xây dựng, và tôi hầu như không gõ phím.

Sau đó Fable ra mắt, tôi được cấp quyền truy cập, và tôi gần như ngay lập tức ngừng dùng GPT-5.6.

Bạn nên biết quan điểm của tôi. Nếu bạn đã đọc các bài đánh giá trước của tôi, bạn biết tôi thường là người dùng GPT. Tôi không làm nhiều về frontend hay UX. Tôi chủ yếu làm backend, hệ thống và agentic, và các mô hình GPT trước đây thường tốt hơn cho tôi ở những lĩnh vực đó. Chúng thường thực hiện chính xác thay đổi tôi yêu cầu và không làm gì thêm. Vì vậy, khi tôi nói với bạn rằng một mô hình Claude khiến tôi từ bỏ một mô hình GPT mà tôi yêu thích, hãy hiểu rằng điều này đi ngược lại với bản chất của tôi.

Hãy để tôi giải thích cả hai nửa: tại sao GPT-5.6 làm tôi choáng ngợp, và tại sao bây giờ tôi hầu như không dùng nó.

Chế độ Goal là ma thuật thuần khiết

Chế độ goal rất dễ mô tả. Bạn gõ /goal trong Codex CLI hoặc ứng dụng, đưa ra một mục tiêu với tiêu chí hoàn thành rõ ràng, và mô hình sẽ không dừng lại cho đến khi mục tiêu hoàn thành. Khi một phiên chạy kết thúc, chế độ goal kiểm tra xem mục tiêu đã thực sự đạt được chưa. Nếu chưa, nó bắt đầu một phiên mới và tiếp tục. Lặp lại. Có thể kéo dài nhiều ngày nếu cần.

Nếu bạn đã đọc hướng dẫn prompt Fable của tôi, mọi thứ trong đó đều áp dụng trực tiếp ở đây, bởi vì tôi đã phát triển nhiều kỹ thuật đó trên GPT-5.6 trước tiên. Biến "hoàn thành" thành một bài kiểm tra, không phải một tính từ. Đừng bao giờ để nó kết thúc. Tách builder và judge thành các agent riêng biệt. Yêu cầu nó giữ một trang tiến độ mà bạn có thể kiểm tra từ điện thoại. GPT-5.6 đáp ứng tất cả.

Hai mẹo cụ thể cho chế độ goal:

1. Goal bị giới hạn ở 4.000 ký tự. Đừng chống lại giới hạn và cố nhồi nhét... thay vào đó hãy viết goal thực tế thành một file markdown và biến goal thành một dòng: "Hoàn thành mục tiêu và tiêu chí hoàn thành trong goal.md. Coi file này là nguồn sự thật bền vững trong suốt phiên chạy." Thêm vào đó, bạn có thể chỉnh sửa file trong khi phiên chạy đang diễn ra.
2. Dành nhiều thời gian cho file goal đó. Nhờ một mô hình khác giúp bạn viết nó. File goal đang làm công việc mà một người quản lý thường làm, và mọi sự mơ hồ bạn để lại trong đó là một quyết định mà mô hình sẽ tự đưa ra thay bạn.

Nó đã xây dựng Manhattan

Cách tốt nhất để cho bạn thấy điều này trông như thế nào là những gì nó đã xây dựng.

Tôi đưa cho nó một file goal, về cơ bản nói: xây dựng một bản tái tạo 3D voxel có thể khám phá của Manhattan, trông, nghe và vận hành như thành phố thật, bao gồm cả hệ thống tàu điện ngầm thực tế của New York City. Tiêu chuẩn tôi viết vào goal rất đơn giản: một người biết New York sẽ có thể nhận ra mình đang ở đâu.

Nhiều ngày sau, tôi đã có được thứ này.

Quang cảnh Manhattan từ trên không do GPT-5.6 xây dựng

Đó là hòn đảo thực sự. Đường chân trời chính xác. Hình dạng các tòa nhà chính xác. Địa lý và địa hình chính xác. Nó đã lấy dữ liệu thành phố thực để làm điều đó, vì vậy Tòa nhà Empire State ở tọa độ 40.7485° N, 73.9868° W, đúng vị trí của nó.

Tòa nhà Empire State chính xác

Và tàu điện ngầm hoạt động. Không phải "có một texture tàu điện ngầm." Bạn đi bộ xuống một con phố thực, tìm một lối vào ga tại vị trí thực của nó, đi xuống lòng đất, lên một chuyến tàu trên tuyến chính xác, đi qua các đường hầm, chuyển tuyến ở nơi bạn thực sự sẽ chuyển, và ra khỏi một lối thoát thực tế ở một nơi khác trong thành phố. Nó thậm chí còn tìm ra cách khớp với lịch trình tàu điện ngầm thực tế của Manhattan, vì vậy các chuyến tàu kỹ thuật số đồng bộ với thực tế.

Lên tàu tại Grand Central-42 St

Trò chơi phá hủy tôi yêu cầu nó thực hiện cũng tương tự. Mục tiêu: một game phá hủy voxel góc nhìn thứ nhất sánh ngang với Teardown, với voxel thực và vật lý kết cấu thực. Phá hủy chân một tòa nhà và mọi thứ phía trên sụp đổ dưới trọng lượng của chính nó. Phiên chạy đó kéo dài năm ngày và hơn bảy mươi lần lặp.

Redline Demolition, game phá hủy voxel do GPT-5.6 xây dựng

Xem gameplay

Hai điều từ các phiên chạy đó đã ám ảnh tôi. Thứ nhất, nó tự đánh giá bản thân một cách trung thực. Đầu phiên Manhattan, nhật ký tiến độ của nó từ chối coi bản nháp là tiến bộ: "rõ ràng không phải Manhattan và không được chấp nhận là một cột mốc của thành phố." Nó sẽ không tuyên bố chiến thắng trong nhiều ngày, vì file goal không cho phép. Thứ hai, nó thực hiện việc đánh giá một cách nghiêm túc theo những cách tôi chưa từng yêu cầu. Nó tạo ra hàng trăm subagent đánh giá đối nghịch, và tìm ra vô số vấn đề nhỏ để giải quyết.

Một phiên chạy thậm chí còn làm đầy ổ cứng Mac của tôi giữa chừng, dọn sạch các bộ nhớ đệm mà nó có thể xác minh là an toàn để xóa, sau đó cài đặt một CLI sandbox trên đám mây và tự di chuyển đến đó để tiếp tục làm việc. Vừa ấn tượng vừa hơi đáng lo ngại trong cùng một lúc, đó là một bản tóm tắt công bằng về mô hình này.

Vì vậy, vâng: trong hai tuần tôi đã nghĩ đây là tương lai.

Sau đó Fable ra mắt

Sau đó tôi có Fable, và sự so sánh không hề kề cận.

Tôi quay lại và chạy lại một số dự án GPT-5.6 của mình để công bằng. Thử nghiệm rõ ràng nhất là công việc 3D và video theo chương trình, cùng loại với những thế giới tôi đã đăng. Đầu ra của GPT-5.6 tốt hơn bất kỳ mô hình GPT nào trước đây. Nhưng nó cũng không bằng Fable. Kết quả trông tệ hơn đáng kể, và không có số lần lặp nào thu hẹp khoảng cách.

Nhân tiện, đây đã trở thành benchmark mới của tôi cho các mô hình: yêu cầu nó xây dựng một engine voxel chính xác về vật lý từ đầu và xem nó có thể đi xa đến đâu. Đó là một bài kiểm tra khắc nghiệt vì không có thư viện nào để dựa vào và không có cách nào để làm giả. Engine của GPT-5.6 ở rất xa so với mức của Fable.

Sự khác biệt sâu sắc hơn là mức độ can thiệp. Với Fable, bạn nói bạn muốn gì và nó sẽ hoàn thành. Với GPT-5.6, nhiều thứ được hoàn thành, nhưng những thứ tham vọng cần được điều hướng. Bạn đang điều chỉnh hướng đi, giải thích lại tiêu chuẩn, thúc đẩy nó bớt thận trọng hơn. Điều đó vẫn ít hơn nhiều so với nhu cầu của thế hệ trước. Nhưng nó nhiều hơn so với nhu cầu của Fable, gần như bằng không.

Niềm tin là nửa còn lại. Với các biện pháp bảo vệ và thiết lập phù hợp, tôi không kiểm tra code của Fable nữa. Tôi biết tôi có thể tin tưởng nó. Tôi vẫn kiểm tra code của 5.6, khá thường xuyên.

Một số thứ tôi xây dựng trên GPT-5.6 tôi thậm chí không buồn thử lại, vì sau vài tuần với Fable, chúng có vẻ như dưới mực nước.

Big Model Smell

Đây là nhận định trung thực của tôi về lý do tại sao.

Fable có "big model smell". Bạn có thể cảm nhận được rằng bạn đang nói chuyện với một thứ gì đó khổng lồ. Nó khái quát hóa tốt. Bạn đẩy nó đến một nơi kỳ lạ và nó vẫn thông minh ở đó.

GPT-5.6 cảm giác như một mô hình nhỏ hơn. Vẫn lớn, nhưng nhỏ hơn, với một lượng RL (học tăng cường) đáng kinh ngạc ở trên. Và RL mang lại cho bạn chính xác những gì bạn mong đợi: mô hình cực kỳ giỏi ở các dạng công việc nó được huấn luyện, và benchmark là dạng được huấn luyện nhiều nhất. Đó là lý do tại sao điểm số trông gần nhau. Sau đó, bạn bước một bước ra khỏi con đường trải nhựa, vào một engine voxel từ đầu hoặc một kết xuất 3D, và sự khác biệt ngay lập tức.

Điều đó làm cho GPT-5.6 trở thành một công cụ có mục tiêu hơn so với những gì benchmark gợi ý.

Tôi thực sự hy vọng OpenAI huấn luyện một mô hình thực sự lớn, bởi vì RL của họ trên một thứ gì đó có kích thước bằng Fable sẽ hoàn toàn tuyệt vời. Mô hình đó chưa tồn tại (theo những gì chúng tôi biết... có thể sẽ sớm thôi).

Nơi GPT-5.6 vẫn chiến thắng

Không phải mọi thứ đều một chiều, và những ngoại lệ rất quan trọng cần lưu ý.

Bảo mật. GPT-5.6 sẵn sàng làm công việc an ninh mạng hơn Fable, vốn có thể từ chối các tác vụ mà khớp mẫu với nguy hiểm. Và nó thực sự giỏi việc đó. Quy trình làm việc thực tế của tôi bây giờ: Fable viết code, và GPT-5.6 kiểm toán nó. Vì Codex exec chạy headless, bạn có thể kết nối nó vào một hook kiểm toán mọi commit, hoặc kích hoạt sau mỗi phiên Fable kết thúc.

Giới hạn. Giới hạn của OpenAI hào phóng hơn nhiều so với Anthropic. Điều này luôn đúng và vẫn đúng. Nếu bạn đang hạn chế token của Fable, GPT-5.6 là một lựa chọn thứ hai tuyệt vời (hoặc bạn có thể dùng nó để thực thi trong khi Fable lên kế hoạch).

Giao diện. Ứng dụng Codex vẫn là cách tốt nhất để chạy và điều hướng agent, đặc biệt là từ điện thoại. Ghép nối một lần và bạn có thể phân công công việc, xem xét các diff, và duy trì các phiên goal từ bất cứ đâu. Tôi sử dụng nó ít hơn trước, vì tôi đã tìm ra cách riêng để làm điều này với Fable: tôi yêu cầu nó làm việc trong một tài liệu trên workbench.md, và tôi có thể đọc các bản cập nhật và điều hướng nó ngay từ một thành phần chat trong tài liệu trên điện thoại của tôi. Nhưng với tư cách là một sản phẩm, đội ngũ của OpenAI vẫn đi trước ở đây, và khoảng cách không hề nhỏ.

Khi nào nên dùng cái gì

• Nếu bạn có thể dùng Fable: Fable cho hầu hết mọi thứ. GPT-5.6 cho kiểm toán bảo mật, cho con mắt thứ hai về các thay đổi quan trọng, và như một người thực thi kế hoạch của Fable khi bạn muốn tiết kiệm chi phí.
• Nếu bạn không thể: GPT-5.6, không do dự. Đó là mô hình tốt nhất mà bất kỳ ai khác tạo ra, chạy nó ở chế độ goal là thiết lập agentic tốt nhất bạn có thể có hôm nay, và mọi thứ trong bài đánh giá này nghe có vẻ hời hợt chỉ là hời hợt so với Fable.

Suy nghĩ cuối cùng

Nếu Fable không tồn tại, đây sẽ là bài đánh giá tích cực nhất tôi từng viết. Một mô hình có thể chạy trong nhiều ngày theo một file goal, tự đánh giá công việc của mình một cách đối nghịch, và giao một Manhattan dựa trên voxel hoạt động được không phải là chuyện nhỏ. Sáu tháng trước nó sẽ là khoa học viễn tưởng.

Nhưng Fable tồn tại. Và bản tóm tắt trung thực về GPT-5.6 là vị trí thứ hai chưa bao giờ tốt đến thế, và nó chưa bao giờ ít quan trọng đến thế. Ranh giới không phải là một bảng xếp hạng nơi huy chương bạc có giá trị. Nếu một mô hình có thể làm những gì mô hình kia không thể, bạn sẽ dùng mô hình đó, và khoảng cách hiện tại đủ rộng để tôi đã tổ chức lại toàn bộ quy trình làm việc của mình trong vòng vài ngày.

GPT-5.6 là một mô hình tuyệt vời. Tôi hy vọng mô hình tiếp theo của OpenAI sẽ khiến tôi quay lại. Họ đã từng làm điều đó với tôi trước đây.

Nếu bạn thấy bài viết này hữu ích, hãy theo dõi tôi trên X để biết thêm suy nghĩ của tôi về các mô hình AI và cách tận dụng chúng tối đa.

Đọc bài đánh giá gốc của tôi tại đây: https://shumer.dev/gpt56review.html