GPT-5.6

原文 ↗ Hacker News 讨论 ↗

模型性能与基准测试

  • 许多人认为 GPT‑5.6 Sol 相比 GPT‑5.5 是一次强劲的编码/模型升级，具备更好的规划、更少的 bug，以及更强的“把事情做完”倾向，在日常工作中有时可与 Fable 媲美甚至超越。
  • 也有人报告 Sol 在高难度推理或代码阅读任务上仍落后于 Fable/Mythos；一些人表示 Fable 依然在深度代码审查和架构方面表现独特地好。
  • 基准测试引发争议：
    • OpenAI 的“Agents’ Last Exam”和其他内部图表被批评为挑选性展示，坐标轴具有误导性，而且 Fable 采用的并非最高设置。
    • SWE‑Bench Pro 被多位评论者称为“坏掉了”或已被多模型饱和；一些人指出 OpenAI 现在在淡化它，转而推广 DeepSWE 和 FrontierCode，而 GPT 模型在这些测试上得分更高。
    • Sol 在 ARC‑AGI‑3 上的 7.8% 被视为真实进步，但距离“AGI”仍然很远。

开发者体验与 harness

  • 关于 Codex 与 Claude Code 的大型讨论串：
    • 许多人称赞 Codex 更少戏剧性、更稳定、权限更清晰、使用额度也更慷慨；他们不喜欢 Claude Code 的臃肿、 bug、宕机和不透明配额。
    • 另一些人则觉得 Claude/Fable 生成的代码更优雅、更符合意图，在设计/UI 工作上也更好，而 Codex 则被描述为更字面化、更冗长，或更“简朴”。
    • 一个常见模式是两者并用——一个负责规划，另一个负责实现或审查；也有人通过 OpenCode、Pi 或其他 harness 串联多个模型（例如 Fable + GPT + DeepSeek）。

定价、配额与效率

  • 5.6 的定价（Sol/Terra/Luna）被认为与 Fable 相比颇具竞争力；尤其是 Terra/Luna，在“智能/美元”图表上看起来很有吸引力。
  • 大家特别关注 token 效率：几位评论者指出 Sol 在单位任务成本基准上远比 Fable 和 Opus 更高效，但：
    • Sol Ultra 和大量使用 subagent 会在极短时间内耗尽 5 小时窗口；一些用户看到整个窗口在几分钟内就被用光。
  • OpenAI 可“银行式累积”的配额重置广受称赞；Anthropic 的随机重置以及 Fable 紧缩的订阅上限则普遍不受欢迎。

安全、护栏与政策

  • Fable 的安全过滤器（尤其是围绕生物学、安全，甚至带有“DNA”或“security”词汇的无害代码）是一个重大痛点；许多生物学家和安全研究人员表示因此放弃了 Anthropic。
  • 有人欢迎 OpenAI 明确反对对网络防御任务进行过度拦截的立场，但也有人已经在 5.6 中看到了新的“额外安全检查”和变慢现象。
  • 大家对各大实验室与政府和国防（Palantir、Maven 等）的联系感到不安；一些评论者表示他们现在更偏好开源模型或非美国模型。

提示行为与 UX

  • OpenAI 自己的指导原则（更短的 prompt，避免泛泛的“保持简洁”）被广泛讨论：
    • 有些人喜欢这种摆脱“口水话”的转变；另一些人则抱怨为了“只要短”而需要写长篇、精确的简短指令，这本身就违背了目的。
  • 用户报告称 5.6 在许多 harness 中比 5.5 更慢，尤其是在更高推理等级下，但通常质量也更高。
  • 新的 Sol/Terra/Luna 命名既被认为直观（按大小对应太阳/地球/月亮），也被认为相较于旧的“mini/nano”或简单的“Pro/Max”标签更像营销噱头、令人困惑。

其他反应

  • 长期流传的“骑自行车的鹈鹕” SVG 测试在 Luna/Terra/Sol 以及不同推理等级之间显示出明显的定性差异；一些人认为这个测试现在已经进入训练数据并部分饱和，但另一些人仍认为它是有用的视觉健全性检查。
  • 总体情绪：对 Fable 的强力竞争和更好的成本/效率感到兴奋，同时又对基准营销、安全权衡，以及模型/推理选项快速膨胀的复杂性保持怀疑。