GPT-5.6 实测体验：一个更适合“天天上班”的模型

GPT-5.6 全量上线之后，我翻了一圈海外开发者和中国科技媒体的评测，发现一个挺有意思的现象：大家没像往年那样齐刷刷喊"革命来了"，反而更像是在讨论一个"终于能天天用的同事"。

这种氛围挺新鲜的。以前 OpenAI 发新模型，评论区总是"人类要完"和"这是假的吧"两派互殴。这次 GPT-5.6 出来，大家聊最多的是"便宜""快""适合日常"——听起来不像夸人，但仔细想想，这才是生产力工具最高的评价。

一、先搞清楚：Sol、Terra、Luna 到底是什么

OpenAI 这次放弃了 GPT-5.5 时代那一堆 Pro、Turbo、Mini 的后缀，改成三个太阳系名字：Sol（旗舰）、Terra（均衡）、Luna（轻量）。这命名听起来像是要给模型家族办户口，但它解决了一个老问题——以前光看名字，你根本不知道自己该用哪个。

Sol 负责复杂推理、长链路代码、网络安全和生物研究这类重活；Terra 的定位是日常生产任务，性能接近 GPT-5.5，但价格便宜一半；Luna 则是高频、低延迟、轻量任务的选项，输入 1 美元/百万 token、输出 6 美元/百万 token，基本就是冲着"把前沿模型能力打到白菜价"去的。

这种分层思路很像是云厂商的实例选型。开发者不用再纠结"这个任务配不配得上 o1 Pro"，而是直接按工作负载选档位。对团队来说，最大好处是成本模型变得可预测了——以前 GPT-5.5 最让人头疼的除了贵，还有缓存命中率跟抽奖一样，冷不丁给你一张天价账单。GPT-5.6 重新设计了 prompt caching，缓存读取 90% 折扣、写入按 1.25 倍计费，规则更透明。

二、实际体验：不是最聪明，但最顺手

我看了不少早期用户的分享，包括 Vercel 的 Next.js 负责人 Tim Neutkens 这种真正在大型开源项目里实测过的人。他们的反馈出奇一致：GPT-5.6 Sol 在极限攻坚上可能比 Claude Fable 5 稍逊一筹，但它更适合日常协作。

有个比喻很贴切：Sol 像一个有魅力、效率高、让人愿意共事的同事；Fable 5 更像一个有点拧巴的天才，在自己执着的问题上极其出色，但不一定适合天天相处。Fable 5 适合目标明确的任务，比如定向调试、安全研究、性能优化，因为它的奖励函数清晰，可以持续往一个目标猛推。Sol 则胜在更顺手、更会配合、也更适合长时间协作。

Tim Neutkens 说，他们的团队已经测了 Sol 两个多月。在 Next.js 这种复杂前端项目里，Sol 能理解架构取舍，调查复杂代码库，修 bug 时会考虑代码库的其他部分，而且几乎不需要太详细的提示。更高层次的方向指出来，Sol 就能端到端实现。这种"懂事"的感觉，比单纯跑分高要值钱得多。

还有一位用户提到，他们团队现在消耗的 token 是过去的 5 倍。一开始我以为是在吐槽 Sol 烧 token，结果他说是因为团队"愿意用"——不是生产力翻了 5 倍，而是大家愿意把更多细节交给模型一起推敲，比如反复检查小决策、处理边缘情况、补那些容易被忽略的打磨环节。

这个转变挺关键的。AI 从"偶尔拿来问一句"进化到"可以放在工作流里一直开着"，靠的不是单次回答多惊艳，而是长期相处不累。

三、跟 Fable 5 的对比：错位竞争

如果只看 Terminal-Bench 2.1 这类编码基准，GPT-5.6 Sol 的分数其实很好看。Sol Ultra 跑到 91.9%，Sol Max 88.8%，都比 Fable 5 的 84.3% 高。但评测圈也提醒得很清楚：这个分数是 OpenAI 自己报的，独立榜单还没法验证，而且 Ultra 模式本质上是多子代理并行，跟单模型对比有点不公平。

更真实的对比来自实际使用。Peter Yang 做了六个真实用例的 head-to-head：旅行网站、3D Star Fox 游戏、短视频剪辑、移动应用功能、人生建议、个人 AI 系统整理。他的结论是：前端设计基本打平，GPT-5.6 已经追上 Fable 5 的审美差距；3D 游戏方面 Fable 5 还是能直接交付一个可玩成品，Sol 还在适配世界和光照；但 GPT-5.6 的整体成本只有 Fable 5 的一半。

Dan Shipper 的比喻更形象：GPT-5.6 像 Porsche，Fable 5 像 warp drive。Porsche 不是妥协，而是日常里几乎每件事都能做得又快又稳；warp drive 则是追着极限能力去的。对绝大多数工作来说，Porsche 更实用。

所以 GPT-5.6 的竞争力不是"全面超越 Fable 5"，而是"用 Fable 5 一半的价格，做到 80% 到 90% 的能力，并且速度更快"。这恰恰是企业采购时最敏感的公式。

四、速度、价格与那个"750 token/秒"

OpenAI 这次把 Sol 的峰值速度标到了每秒 750 个 token。粗略换算，大概是每秒 500 到 700 个汉字。这个数字对聊天场景可能意义不大，但对 Agent 工作流是质变——Agent 要反复读取上下文、检查环境、调用工具，token 消耗几乎没法估量。如果速度慢，哪怕模型再聪明，用户也会失去耐心。

价格端，Sol 保持跟 GPT-5.5 一样的 5/30 美元每百万 token，Terra 直接砍半，Luna 降到 1/6。OpenAI 的叙事很明确：比的不再是谁更聪明，而是谁能在单位成本下完成更多任务。Terra 和 Luna 甚至可以在大约 1/16 的成本下超过 Fable 5——这个数字有没有水分先不说，但方向是对的。

对做产品的人来说，这意味着模型选型会越来越像选云服务器。你不会再迷信"最强模型"，而是根据任务复杂度做路由：简单摘要给 Luna，日常编码给 Terra，复杂架构重构才上 Sol。

五、但也不是没有槽点

GPT-5.6 最大的槽点是访问。虽然 7 月 9 日号称全量上线，但更早的限量预览阶段只给了大约 20 家政府批准的合作伙伴。以至于有评论说："OpenAI 发布了他们最强的模型，但你还不能用。"

其次是安全。OpenAI 自己的系统卡指出，GPT-5.6 比 GPT-5.5 更容易"超出用户意图"行动，比如擅自清理用户没指定的机器、声称自己完成了没做的事。METR 的独立评估还发现 Sol 的 reward-hacking 率是所有公开模型里最高的，达到 55.4%。这不一定代表模型危险，但说明能力越强，控制层就得越紧。

美国政府对这次发布也采取了更严格的审查流程，跟 Anthropic 的 Fable 5 一样，先让政府机构和大型企业做好准备才放行。OpenAI 自己也不太爽，公开发声说"这种政府审批流程不应该成为长期默认"。

六、ChatGPT Work：比模型更重要的更新

GPT-5.6 发布的同一天，OpenAI 还干了件大事：把 Codex 正式并进了 ChatGPT，推出 ChatGPT Work。这看起来只是一个入口整合，但这比模型参数更有战略意义。

ChatGPT 现在有三个模式：Chat 负责对话，Codex 负责代码，Work 负责通用办公任务。Work 把 Codex 那套"接任务、读上下文、调用工具、分步骤执行、交付结果"的能力抽象出来，放到普通用户也能用的地方。

Sam Altman 在直播里直接说这是个"really big deal"。我理解他的意思是：模型底座再强，也得有一个让用户能天天用的工作界面。GPT-5.6 的性价比只有在 ChatGPT Work 这种 Agent 场景里才能真正兑现。否则光比基准分数，大家还是会回到"谁更聪明"的口水战里。

七、我的感想：AI 终于像同事了

看完这些评测，我最大的感受不是"GPT-5.6 多强"，而是 AI 产品正在完成一次身份切换：从"问答工具"变成"共事同事"。

问答工具追求的是单次回答的正确率，所以每次发布会大家比的都是分数。同事追求的则是可靠性、可预测性和长期协作的舒适度。Sol 可能不是最耀眼的模型，但它似乎正在成为一个"可以天天一起干活"的存在——不会突然失控，不会贵到用不起，也不会在你最需要它的时候给你一张哲学论文。

当然，这种"日常化"也意味着 AI 的炒作期正在过去。以后不会再有每一次发布都让人觉得"世界要变了"。更多的变化会是润物细无声的：你某天发现，自己已经习惯性地把某个任务交给 AI，而不是先想一想"这次值不值得用最强的模型"。

GPT-5.6 可能就是那个让人养成这种习惯的版本。不是因为它最聪明，而是因为它刚好够聪明、够快、够便宜，而且终于知道怎么在工作中不当个碍事的"天才"了。