TL;DR
- 我从 5 月 27 日开始测试 GPT-5.6。头两周，它是我用过的最令人印象深刻的模型。目标模式加上这个模型简直就是魔法。它几乎独立地为我构建了一个带有真实地铁系统的体素版曼哈顿模拟，和一个 Teardown 风格的破坏游戏，整个过程持续运行了好几天。
- 然后 Claude Fable 发布了，我几乎一夜之间就停止使用 GPT-5.6，因为 Fable 在我的任务上要好得多。
- 在基准测试上，两者看起来接近。但在实际应用中，它们差距很大。Fable 有大模型的味道。GPT-5.6 感觉像一个经过极强强化学习训练的小型模型，当你超越常规编码工作时，这种差异就会显现出来。这种差异也体现在信任度上：在适当的防护和设置下，我不需要检查 Fable 的代码。但我仍然需要检查 5.6 的代码。
- 使用 GPT-5.6 进行有挑战性的工作时，你仍然需要引导它，而使用 Fable，你只需一次描述最终目标，它通常就能自主完成。
- GPT-5.6 在几个重要方面仍然胜过 Fable：限额、界面以及愿意执行安全工作的意愿。它现在是我的安全审计员和第二双眼睛，而不是我的主力模型。
- 除了 Fable，GPT-5.6 是你能用到的最好模型。并且在目标模式下运行它，是 OpenAI 迄今为止推出的最佳 Agent 设置。
优点
- 目标模式。输入 /goal，模型就不会停止，直到目标真正完成。这是 OpenAI 最接近我实际工作方式的一次。
- 它非常执着，可以连续运行数天来完成任务。我最长的一次目标运行持续了将近一周，专注于一个目标，几乎无人值守。
- 比之前的任何 GPT 模型都省心得多。在模糊情况下，它能做出合理的判断并继续前进。在尝试过 5.6 之后再回到 GPT-5.5，感觉在这方面是巨大的倒退。
- 安全工作确实强大，而且它比 Fable 更愿意做这类工作。
- 设计能力远好于之前的 GPT 模型。
- 限额比 Anthropic 慷慨得多，一如既往。
- Codex 应用仍然是运行 Agent 的最佳界面，尤其是从手机上使用。
- 如果你像使用之前的模型那样使用 5.6 进行编码，你会喜欢这个模型。做同样的工作，Fable 更贵、更慢。但如果你提出更大胆的提示，试图一次性从 a 到 z，或者处理更偏离分布的任务，Fable 要好得多。
不足之处
- 它不是 Fable。老实说，这占了这篇评测的大部分。
- 设计仍然无法与 Fable 媲美。甚至连 Opus 4.8 都比不上。
- 有挑战性的创意工作需要比 Fable 多得多的引导，即使有大量引导，也无法达到 Fable 一次就能做到的效果。虽比以前模型好一些，但差距是真实存在的。
- 它可能过于主动。有一次我让它写一个规格说明，它却找到我电脑上一些大致相关的文件并开始修改，这很烦人。
- 如果你的工作是简单的工程任务，有时你可能很难感受到升级。上一代模型已经足够应付大部分这类工作。当你让模型处理更困难的任务，或者一次要求它做更多事情时，你会感受到更多的升级。
这是我写过的最奇怪的一篇评测，因为我在测试中途对这个模型的看法完全改变了，而模型本身与此无关。
我在 5 月 27 日获得了 GPT-5.6 的访问权限。大约两周时间，我彻底被震撼了。我早上、中午、晚上都在运行它。有一次，我并行运行了这么多目标模式任务，以至于我 在 17 天内使用了一个 OpenAI 最高用量用户 3 倍的月度令牌数，而且只在一台机器上。我在构建我不认为模型能构建的东西，而且我几乎不需要打字。
然后 Fable 发布了，我获得了访问权限，几乎立即停止使用 GPT-5.6。
你应该了解我的背景。如果你读过我之前的评测，你知道我通常是 GPT 用户。我不做太多前端或 UX 工作。我主要做后端、系统和 Agent 工作，而 GPT 模型在这方面历来更适合我。它们通常能准确完成我要求的更改，而不会多做什么。所以当我告诉你一个 Claude 模型让我放弃了一个我喜欢的 GPT 模型时，请理解这违背了我的习惯。
让我解释这两个方面：为什么 GPT-5.6 让我震撼，以及为什么我现在几乎不使用它。
目标模式简直就是魔法
目标模式描述起来很简单。你在 Codex CLI 或应用中输入 /goal，给出一个带有明确完成标准的目标，然后模型不会停止，直到目标完成。当一次运行结束时，目标模式会检查目标是否真的达成。如果没有，它会开始新的运行并继续。重复进行。如果需要，可以持续数天。
如果你读过我的 Fable 提示指南，其中的一切直接适用于这里，因为我很多技巧都是先在 GPT-5.6 上开发的。让“完成”成为一个测试，而不是一个形容词。永远不要让它结束。让构建者和评审者成为独立的 Agent。让它维护一个你可以从手机检查的进度页面。GPT-5.6 对这些都能很好地响应。
关于目标模式的两个特定技巧：
- 目标最多 4,000 个字符。不要与这个限制对抗，试图塞入更多内容……而是将真正的目标写成一个 Markdown 文件，然后让目标本身只有一行："完成 goal.md 中的目标和完成标准。在整个运行过程中将此文件视为持久可信的真相来源。" 额外的好处是，你可以在运行过程中编辑该文件。
- 花大量时间在这个目标文件上。让一个模型帮你编写它。目标文件在做通常由经理做的工作，而你留下的每一个模糊点，都是模型会在没有你的情况下做出的决定。
它构建了曼哈顿
展示效果的最好方式就是看它构建了什么。
我给了它一个目标文件，大致内容是：构建一个可探索的 3D 体素版曼哈顿，看起来、听起来、运行起来都像真实城市，包括真实的纽约市地铁系统。我写入目标的标准很简单：熟悉纽约的人应该能看出自己在哪里。
几天后，我得到了这个。
由 GPT-5.6 构建的曼哈顿鸟瞰图
那就是真正的岛屿。天际线匹配。建筑形状匹配。地理和地形匹配。它提取了真实的城市数据来完成这项工作，所以帝国大厦位于它应该在的位置——北纬 40.7485°，西经 73.9868°。
精确的帝国大厦
而且地铁是可以运行的。不是“有一个地铁纹理”。你走下一段真实的街道，找到真实位置的入口，进入地下，登上正确线路的列车，穿过隧道，在你实际应该换乘的地方换乘，然后从城市另一端的真实出口出来。它甚至找到了一种方法来匹配真实曼哈顿的实际地铁时刻表，所以数字列车与现实同步。
在大中央车站-42 街站上车
它处理的破坏游戏也是同样的故事。目标：一个第一人称体素破坏游戏，与 Teardown 相媲美，具有真实的体素和真实的物理结构。炸掉一栋建筑的底部，上方的一切都会在自身重量下倒塌。那次运行持续了五天，经历了七十多次迭代。
Redline Demolition——由 GPT-5.6 构建的体素破坏游戏
这两次运行中有两件事让我印象深刻。第一，它诚实地自我评估。在曼哈顿运行的早期，它自己的进度日志拒绝将草稿视为进展：“明显不是曼哈顿，不被接受为城市里程碑。” 它连续数天都不宣布胜利，因为目标文件不允许它这样做。第二，它以前所未有的方式认真对待评审工作。它启动了数百个对抗性的审查子 Agent，发现了大量需要打磨的小问题。
有一次运行甚至在我的 Mac 磁盘满了的时候，清理了它能确认可以安全删除的缓存，然后安装了云沙盒 CLI 并自行迁移到那里继续工作。既令人印象深刻又有点令人担忧，这可以说是这个模型的写照。
是的：有两周时间，我以为这就是未来。
然后 Fable 发布了
然后我得到了 Fable，对比之下差距很明显。
为了公平起见，我回过头重新运行了一些 GPT-5.6 的项目。最清晰的测试是程序化 3D 和视频工作，与我之前发布的世界类似。GPT-5.6 的输出比任何之前的 GPT 模型都好。但它仍然远不及 Fable。结果看起来明显更差，而且无论多少次迭代都无法缩小差距。
顺便说一句，这已经成为我测试模型的新基准：让它从头构建一个物理精确的体素引擎，看看它能走多远。这是一个残酷的测试，因为没有库可以依赖，也无法作假。GPT-5.6 的引擎远远低于 Fable 的水平。
更深层次的差异在于引导。使用 Fable，你说出你想要什么，它就能完成。使用 GPT-5.6，很多事情也能完成，但有挑战性的工作需要引导。你需要纠正方向，重新解释标准，推动它不那么保守。这仍然比上一代模型需要的照看少得多。但它比 Fable 需要的多得多——Fable 几乎不需要任何引导。
信任是另一半问题。在适当的防护和设置下，我不再检查 Fable 的代码。我知道我可以信任它。我仍然经常检查 5.6 的代码。
我在 GPT-5.6 上构建的一些东西，我甚至没有费心去重新测试，因为在与 Fable 相处几周后，它们感觉已经低于基准线了。
大模型的味道
以下是我对此的真实看法。
Fable 有大模型的味道。你就能感觉到你在和一个庞大的东西对话。它能泛化。你把它推向奇怪的方向，它在那里仍然很聪明。
GPT-5.6 感觉像是一个更小的模型。仍然很大，但更小，上面叠加了令人难以置信的强化学习。而强化学习带给你的正是你所期望的：模型在它训练过的工作模式上极其擅长，而基准测试是最受训练的模式。这就是为什么分数看起来很接近。然后你稍微偏离常规路径，进入一个从头开始的体素引擎或 3D 渲染，差异立刻显现。
这使得 GPT-5.6 比基准测试所暗示的更像一个针对性工具。
我真心希望 OpenAI 训练一个真正的大模型，因为他们在 Fable 规模模型上的强化学习将是绝对惊人的。那个模型目前还不存在（据我们所知……很可能很快就会出现）。
GPT-5.6 仍然领先的领域
并非一切都是一边倒，这些例外很重要。
安全。 GPT-5.6 比 Fable 更愿意做网络安全工作，而 Fable 可能会拒绝那些模式匹配到危险的任务。而且它确实擅长这个。我现在的实际工作流程：Fable 编写代码，GPT-5.6 审计代码。由于 Codex Exec 无头运行，你可以将其连接到钩子上，审计每次提交，或者在每次 Fable 运行完成后触发。
限额。 OpenAI 的限额比 Anthropic 慷慨得多。这一点一直如此，现在仍然如此。如果你在节省 Fable 令牌，GPT-5.6 是一个很好的第二选择（或者你可以用它来执行，而 Fable 负责规划）。
界面。 Codex 应用仍然是运行和引导 Agent 的最佳方式，尤其是从手机。配对一次，你就可以从任何地方分派工作、审查差异、保持目标运行。我比以前用得少了，因为我找到了自己的方式用 Fable 做到这一点：我让它在 workbench.md 的文档中工作，我可以在手机上通过文档中的聊天组件读取它的更新并引导它。但作为一个产品，OpenAI 的团队仍然领先，而且差距不小。
何时使用什么
- 如果你能用 Fable：几乎一切用 Fable。GPT-5.6 用于安全审计，作为重要更改的第二双眼睛，以及在你想节省成本时作为执行者执行 Fable 的计划。
- 如果你不能用：毫不犹豫地用 GPT-5.6。它是其他公司能做出的最好模型，在目标模式下运行它是你今天能得到的最佳 Agent 设置。这篇评测中听起来不够热情的评论，只是相对于 Fable 而言的。
最终想法
如果 Fable 不存在，这将是我写过的最热烈的评测。一个能够持续运行数天以完成目标文件、对抗性地自我评估、并交付一个可运行的体素曼哈顿的模型，不是一件小事。六个月前，这还会是科幻小说。
但 Fable 存在。对 GPT-5.6 的诚实总结是：第二名从未如此出色，也从未如此无关紧要。前沿不是一块银牌就有价值的排行榜。如果一个模型能完成另一个模型不能完成的事情，你就使用那个模型，而目前的差距足够大，以至于我在几天内就重新组织了整个工作流程。
GPT-5.6 是一个出色的模型。我希望 OpenAI 的下一款模型能让我重新换回去。他们以前就做到过。
如果你觉得这有用，在 X 上关注我 以获取更多关于 AI 模型以及如何最大化利用它们的想法。
阅读我的原始评测： https://shumer.dev/gpt56review.html
