TL;DR
- 我從 5 月 27 日開始測試 GPT-5.6。前兩週，它是我用過最令人驚豔的模型。目標模式加上這個模型，簡直就是純粹的魔法。它幾乎獨立地為我建立了一個包含運作地鐵的立體像素曼哈頓模擬，以及一款 Teardown 風格的破壞遊戲，這些任務的運行時間持續了數天。
- 接著 Claude Fable 發布了，我幾乎在一夜之間就不再使用 GPT-5.6，因為 Fable 在我的任務上表現要好得多。
- 在基準測試上，兩者看起來很接近。但在現實世界中，它們截然不同。Fable 有大模型的味道。GPT-5.6 則感覺像是一個經過極佳強化學習訓練的較小模型，而這個差異在你執行超出一般編碼工作的任務時就會顯現出來。這個差異也體現在信任度上：在適當的防護措施和設定下，我不需要檢查 Fable 的程式碼。我仍然需要檢查 5.6 的程式碼。
- 使用 GPT-5.6 進行雄心勃勃的工作時，你仍然需要引導它；而使用 Fable，你只需描述一次最終目標，它通常就能自主達成。
- GPT-5.6 仍然在幾個重要方面勝過 Fable：使用限制、介面，以及執行安全工作的意願。它現在是我的安全審計員和第二雙眼睛，而不是我的主要模型。
- 除了 Fable 之外，GPT-5.6 是你所能使用的最佳模型。而在目標模式下運行它，是 OpenAI 有史以來推出的最佳 Agent 設定。
優點
- 目標模式。 輸入 /goal，模型就會一直工作，直到目標真正完成。這是 OpenAI 最接近我理想工作方式的一次。
- 它很執著，可以運行數天來完成任務。 我最長的目標運行，針對單一目標持續了將近一週，而且大部分時間無人看管。
- 需要的手把手指導遠少於任何以前的 GPT 模型。 它在模糊不清的情況下能做出合理的判斷並持續前進。嘗試 GPT-5.6 後再回頭用 GPT-5.5，在這方面感覺像是一次巨大的退步。
- 安全相關工作確實很強，而且它比 Fable 更願意執行這類工作。
- 設計能力遠優於之前的 GPT 模型。
- 使用限制比 Anthropic 寬鬆得多，一如既往。
- Codex 應用程式仍然是運行 Agent 的最佳介面，特別是從手機上使用。
- 如果你像使用之前的模型進行編碼那樣使用 5.6，你會喜歡這個模型。Fable 執行相同任務時更昂貴且更慢。但如果你提出的提示更具野心，試圖一次完成從 a 到 z 的所有工作，或處理更多分佈之外的任務，那麼 Fable 的表現會顯著更好。
不那麼好的部分
- 它不是 Fable。 老實說，這構成了本評測的大部分內容。
- 設計能力仍然無法與 Fable 相提並論。 它甚至比不上 Opus 4.8。
- 雄心勃勃的創意工作需要比 Fable 多得多的手把手指導， 即使有大量的指導，也無法達到 Fable 一次就能完成的程度。雖然需要的指導比以前模型少，但差距是真實存在的。
- 它有時會過於主動。 我曾經請它撰寫一份規格說明書，結果它在我電腦上找到了一些 vaguely 相關的檔案並開始編輯它們，這很令人困擾。
- 如果你的工作是簡單的工程任務， 你可能有時會感覺不到升級。上一代模型已經足以勝任大部分此類工作。當你讓模型處理更困難的任務，或要求它一次做更多事時，你會更明顯地感受到升級。
這是我寫過最奇怪的評測，因為我對這個模型的看法在測試中途完全改變了，而這與模型本身無關。
我在 5 月 27 日獲得了 GPT-5.6 的存取權。大約兩週的時間裡，我完全被震撼了。我從早到晚都在使用它。有一段時間，我同時運行了太多目標模式，以至於在一台機器上，17 天內使用了 OpenAI 最高用量用戶月額度的 3 倍。我正在建造我認為模型無法建造的東西，而且我幾乎不用打字。
然後 Fable 發布了，我獲得了存取權，我幾乎立刻就停止了使用 GPT-5.6。
你應該了解我的背景。如果你讀過我之前的評測，你就知道我通常是 GPT 的支持者。我不怎麼做前端或 UX 工作。我主要做後端、系統和 Agent 工作，而 GPT 模型歷來在這方面對我來說更好。它們通常能完美執行我要求的修改，而不會多做其他事情。所以，當我告訴你一個 Claude 模型讓我放棄了我喜愛的 GPT 模型時，你要明白這不符合我的慣例。
讓我解釋這兩個部分：為什麼 GPT-5.6 讓我驚嘆，以及為什麼我現在幾乎不再使用它。
目標模式是純粹的魔法
目標模式描述起來很簡單。你在 Codex CLI 或應用程式中輸入 /goal，給它一個帶有明確完成標準的目標，模型就會一直工作直到目標完成。當一次運行結束時，目標模式會檢查目標是否真正達成。如果沒有，它會啟動新的運行並繼續。如此重複。必要時可以持續數天。
如果你讀過我的 Fable 提示指南，其中所有內容都直接適用於此，因為我很多技巧都是先在 GPT-5.6 上開發出來的。讓「完成」成為一個測試標準，而不是一個形容詞。永遠不要讓它結束。將建構者和評判者設為獨立的 Agent。讓它保留一個你可以從手機上查看的進度頁面。GPT-5.6 對所有這些技巧都有良好的反應。
兩個特定於目標模式的技巧：
- 目標的字數上限是 4,000 個字元。不要對抗這個限制，試圖塞入更多內容... 相反，將真正的目標寫成一個 Markdown 檔案，讓目標本身只有一行：「完成 goal.md 中的目標和完成標準。將此檔案視為整個運行過程中持久的事實來源。」額外的好處是，你可以在運行過程中編輯這個檔案。
- 花費大量時間編寫那個目標檔案。讓一個模型幫助你撰寫它。目標檔案承擔了管理者通常會做的工作，而你遺留在其中的每一個不明確之處，都將成為模型在沒有你參與的情況下做出的決定。
它建造了曼哈頓
展示其能力的最佳方式，就是看它建造了什麼。
我給它一個目標檔案，內容大致是：建造一個可探索的 3D 立體像素曼哈頓重現，看起來、聽起來、運作起來都像真實城市，包括真實的紐約市地鐵系統。我寫入目標的標準很簡單：了解紐約的人應該能分辨出自己身在何處。
數天後，我得到了這個。
GPT-5.6 建造的曼哈頓鳥瞰圖
那就是真實的島嶼。天際線是吻合的。建築物形狀是吻合的。地理和地形是吻合的。它為了做到這一點而拉取了真實的城市數據，所以帝國大廈位於它應在的 40.7485° N, 73.9868° W。
精準的帝國大廈
而且地鐵是可以運作的。不是「有一個地鐵紋理」。你走在一條真實的街道上，在真實的位置找到一個地鐵站入口，下到地下，搭乘正確路線的列車，穿過隧道，在實際會轉乘的地方轉乘，然後從城市另一個地方的實際出口出來。它甚至找到了一種方法來匹配真實曼哈頓的實際地鐵時刻表，所以數位列車與真實列車是同步運行的。
在中央車站-42 街站上車
我讓它挑戰的破壞遊戲也是同樣的情況。目標：一款可以與 Teardown 相提並論的第一人稱立體像素破壞遊戲，具有真實的立體像素和真實的結構物理。炸毀建築物的基礎，其上方的所有東西都會在自身重量下坍塌。那次運行持續了五天，超過七十次迭代。
Redline Demolition，GPT-5.6 建造的立體像素破壞遊戲
那幾次運行中有兩件事讓我印象深刻。首先，它誠實地自我評分。在曼哈頓運行初期，它自己的進度日誌拒絕將草稿視為進展：「明顯不是曼哈頓，不被接受為城市里程碑。」它好幾天都不肯宣布勝利，因為目標檔案不允許它這麼做。其次，它以我從未要求的方式認真對待評判工作。它啟動了數百個對抗性的審查子 Agent，發現了大量需要解決的小問題。
有一次運行甚至在執行目標過程中填滿了我 Mac 的硬碟，它清理了它可以確認安全刪除的快取，然後安裝了一個雲端沙盒 CLI，並將自己轉移到那裡繼續工作。這既令人印象深刻，又有點令人擔憂，可以說是這個模型的恰當總結。
所以，是的：連續兩週，我認為這就是未來。
然後 Fable 來了
接著我獲得了 Fable，而這個比較結果並不接近。
為了公平起見，我回頭重新運行了一些 GPT-5.6 的專案。最明確的測試是程式化 3D 和影片工作，就像 我一直在發布的那些世界 背後的那種工作。GPT-5.6 的輸出比任何以前的 GPT 模型都要好。但也遠不及 Fable。結果看起來明顯更差，而且無論迭代多少次都無法縮小差距。
順帶一提，這已經成為我評測新模型的基準：讓它從 零 開始建立一個物理精準的立體像素引擎，看看它能走多遠。這是一個殘酷的測試，因為沒有函式庫可以依賴，也無法偽造。GPT-5.6 的引擎遠遠低於 Fable 設定的標準。
更深層的差異在於需要指導的程度。使用 Fable，你說出你想要什麼，它就完成了。使用 GPT-5.6，很多事完成了，但雄心勃勃的工作需要引導。你在糾正方向，重新解釋標準，推動它不要那麼保守。這仍然遠比上一代模型所需的照看少得多。但這遠比 Fable 所需的（幾乎為零）要多得多。
信任是另一半。在適當的防護措施和設定下，我不再檢查 Fable 的程式碼。我知道我可以信任它。我仍然經常檢查 5.6 的程式碼。
我在 GPT-5.6 上建造的一些東西，我甚至懶得重新測試，因為在與 Fable 相處幾週後，它們感覺已經不夠看了。
大模型的味道
這是我對其原因的誠實看法。
Fable 有大模型的味道。你就是能感覺到你在和一個巨大的東西對話。它能泛化。你把推到奇怪的地方，它在那裡仍然很聰明。
GPT-5.6 感覺像是一個較小的模型。仍然很大，但較小，頂上疊加了極大量的強化學習。而強化學習帶來的正是你所期望的：模型在它受過訓練的工作類型上表現極佳，而基準測試是所有受訓類型中最常見的。這就是為什麼分數看起來很接近。然後你只要離開鋪好的路一步，進入一個從零開始的立體像素引擎或 3D 渲染，差異立刻顯現。
這使得 GPT-5.6 成為一個比基準測試分數所顯示的更針對性的工具。
我真誠希望 OpenAI 訓練一個真正的大型模型，因為他們在 Fable 大小的模型上進行強化學習將會絕對令人難以置信。只是那個模型尚未存在（就我們所知……它很可能很快就會出現）。
GPT-5.6 仍然獲勝的地方
並非所有方面都是單向的，這些例外情況值得注意。
安全性。 GPT-5.6 比 Fable 更願意執行網路安全工作，Fable 可能會拒絕與危險模式匹配的任務。而且 GPT-5.6 在這方面確實很擅長。我現在實際的工作流程是：Fable 撰寫程式碼，GPT-5.6 審計它。由於 codex exec 是無頭運行的，你可以將它連接到一個鉤子中，該鉤子會審計每次提交，或在每次 Fable 運行完成後觸發。
使用限制。 OpenAI 的限制比 Anthropic 寬鬆得多。這一直是事實，現在仍然如此。如果你在節約 Fable Token，GPT-5.6 是一個很好的第二選擇（或者你可以用它來執行，而 Fable 負責規劃）。
介面。 Codex 應用程式仍然是運行和引導 Agent 的最佳方式，特別是從手機上。配對一次後，你就可以從任何地方派遣工作、審查差異，並保持目標運行。我比以前用得少了，因為我找到了自己的方式在 Fable 上做到這一點：我讓它在 workbench.md 上的一個文件裡工作，我可以透過手機上文件中的聊天組件閱讀它的更新並引導它。但作為一個產品，OpenAI 的團隊仍然領先，而且差距不小。
何時使用哪個
- 如果你可以使用 Fable： Fable 幾乎處理所有事情。GPT-5.6 用於安全審計，作為重要更改的第二雙眼睛，以及在你想要節省成本時作為執行 Fable 計劃的實施者。
- 如果你無法使用 Fable： 毫不猶豫地使用 GPT-5.6。它是其他任何人都能製造的最佳模型，在目標模式下運行它是你現在可以擁有的最佳 Agent 設定，而本評測中所有聽起來不冷不熱的評價，都只是相對於 Fable 而言的。
最終想法
如果 Fable 不存在，這將是我寫過的最熱情的評測。一個能夠針對目標檔案運行數天，對抗性地評判自己的工作，並交付一個可運作的立體像素曼哈頓的模型，絕非等閒之輩。六個月前，這還會被視為科幻小說。
但 Fable 存在。對 GPT-5.6 誠實的總結是：第二名從未如此出色，也從未如此無關緊要。前沿不是一個銀牌有意義的排行榜。如果一個模型能做到另一個模型做不到的事，你就使用那個模型，而當前的差距大到足以讓我在幾天內圍繞它重新組織我的整個工作流程。
GPT-5.6 是一個驚人的模型。我希望 OpenAI 的下一個模型能讓我重新切換回去。他們以前就做到過。
如果你覺得這有幫助，在 X 上關注我以獲取我更多關於 AI 模型以及如何充分利用它們的想法。
在這裡閱讀我的原始評測：https://shumer.dev/gpt56review.html
