OpenAI GPT-5.6 测评

短的结论：硅基生命的第一声啼哭

基本情况：

GPT-5 这一代每个版本都在优化推理效率，从 GPT-5 到 GPT-5.6，推理能力持续增长，而推理开销却没有同步提升。即便考虑到不同推理档位对应的思考额度有差异，GPT 的代际推理效率改善也是可观的。由于时间关系，这次只测试了 xhigh 档位，GPT-5.6-Sol 在仅用 GPT-5.5 65% Token 的情况下，性能基本持平，如果按 max 档位，则可能小幅反超。

GPT-5.6 这一代原本可以更早发布，被迫延后到 7 月上旬也并不显过时，依然是目前最好的一档。 除了顶配的 Sol，连最小的 Luna 在一定程度也很像 SOTA，其性能已经领先前代 GPT-5.4 Mini 太多，如果放在国模中，也是第一梯队。

逻辑成绩：

表格的排序切换为按中位分数降序。

*1 表格为了突出对比关系，仅展示部分可对照模型，不是完整排序。

*2 题目及测试方式，参见：大语言模型-逻辑能力横评 26-06 月榜 ，新增#70、#71 题

*3 完整榜单更新在 https://llm2014.github.io/llm_benchmark/

*4 红字模型代表工作在推理模式下(慢思考)，黑色模型则是对应的非推理模式(快思考)

编程 Agent：

考虑到 GPT-5.5 在 4 个项目上已经取得了 A 档成绩，所以这次 GPT-5.6-Sol 默认 Pass，不再测这部分。

*1 测试方式参见：大模型编程应用测试-V3榜单

以下会对比 GPT-5.6-Sol 与 GPT-5.5，Fable-5 等模型。

• 编程：本次测试 GPT-5.6-Sol 使用 max 档位，对比 Fable-5 high 档位来看，Sol 在审美风格，细节把控上仍不是 Fable 的对手，新增的 H 和 I 两个项目是复杂需求文档一次性完成。Fable-5 可以严格遵守各项约束，细节要求，只犯个别交互体验上考虑不周的小问题，除此之外无可挑剔。而 Sol 则有少量的功能遗漏和前后功能实现不一致导致的 Bug。Sol 的功能遗漏没有规律，但基本只遗漏细节要求，比如某个UI 特效，某个属性字段等，不会出现大功能的遗漏。这方面基本持平前代 GPT-5.5，只是概率更低。
• Sol 的审美比前代 GPT-5.5 进步很大，但往往在大处设计良好，整体协调，但在细节如按钮间距，元素大小，字号，配色等方面又更显粗糙。如果 Fable-5 算达到了一遍过直接上线的程度，那么 Sol 则明显还需要一轮或多轮的细节调整。
• GPT-5.6-Sol 在不同技术栈上有不同的行为特征，在前端方面，Sol 尤其注重自测验证，会尽可能的闭环验证到各个交互细节，如果搭配 Codex 默认的 Browser 插件，则会进行更彻底的截图验收，这使得 Sol 在前端类任务上消耗更多的时间和 Token，最终调用工具数也显著高于其他模型，按 API 计算的成本接近 Fable-5。在其他技术栈，Sol 的验证工作要简单的多，步骤也更少。验证少不代表完成质量差，Sol 在各类技术上错误率较前代 GPT-5.5 显著更低，泛化性更好，最终任务完成成本甚至仅比头部国产模型略贵，优势极大。
• 推理效率：虽然GPT-5.6-Sol (xhigh) 的推理平均 Token 要低于 GPT-5.5 (xhigh)，但并非所有任务都更低。其中Coding 任务，文本任务都要显著更低一些，最低的甚至只有 GPT-5.5 的14%（也可见曾经 GPT-5.5 在这类任务上大量以来逐字处理，效率不高）。而复杂多步推理则要消耗的略高一些，考虑到两个模型分配的思考预算不同，这部分差异也可看做是误差范围。
• 能力差异：各类任务上，GPT-5.6-Sol (xhigh)  与GPT-5.5 (xhigh) 并没有明显差异，在最终分数上二者有差别，主要是 Sol 在个别解空间较大的任务上，探索深度不足，通过的用例更少。如果给到 Sol max 档位，则这部分差距也会被抹掉。Sol 真正（相对）弱项是其数据洞察，归纳分析能力，这部分靠提升推理档位改善也不大。最小的 Luna 模型主要的分差也来自这个维度，而 Luna 的Token 甚至用到了 Sol 的 2 倍以上，也无法取得相近表现。

赛博史官曰：

曾经 ChatGPT 就是 AI 的代名词，也是所有国产模型无法回避的对标对象。而竞争对手掀起的面向真实任务，复杂任务的范式转移，悄然夺下阵地，GPT 则一度隐入烟尘。GPT-5 系列从去年 8 月首发至今，OpenAI 用了接近一年时间迭代 6 版，完成了从追求极限智力到追求极致任务完成率的转型，从绝世独立到与 Anthropic 紧密缠斗，从ChatBox 专家到 Vibe Coding 顶流。 全线出击的 OpenAI 不会停下，自迭代的飞轮已然转动，这艘大模型旗舰已经驶入了无人深空。