GPT-5.6 到底有多强？首批体验与六项评测拆解

摘要GPT-5.6 上线后最值得关注的是模型处理长任务、调用工具和交付完整成果的能力。聊天回答的提升只是其中一部分。本文从上线后的实际体验信号出发分析它强在哪里、有哪些限制以及普通用户和开发团队是否值得立即升级。GPT-5.6 发布后很多人的第一个问题是它到底比上一代强了多少如果只用它回答几个知识问题、改一段文案差异可能没有版本号看起来那么大。把任务换成长文档研究、代码仓库修改、网页操作、资料整理或完整报告交付变化会明显得多。这也是 GPT-5.6 上线后的核心体验。模型提升开始集中在「把事情做完」这件事上。不过发布一天内出现的体验文章和 benchmark 很容易走向两个极端。一类结论是全面碾压另一类结论是升级幅度有限。把官方评测、独立指数、客户反馈和产品规格放在一起看更接近真实情况GPT-5.6 是一款工具执行和复杂交付能力很强的旗舰模型但它没有在所有评测中拿到第一。上线后的第一感受模型更像执行者过去使用大模型完成复杂任务经常需要人在中间反复接力。先让模型列计划再手动提供文件模型生成代码后人再运行测试模型发现问题又要重新粘贴日志。一次任务被拆成很多轮对话用户实际上承担了项目经理和工具调度器的工作。GPT-5.6 的产品重点发生了变化。Sol 支持原生 computer use可以根据截图操作鼠标和键盘Programmatic Tool Calling 允许模型编写代码来组织工具调用tool search 可以按需加载工具定义ultra模式还会协调多个并行代理。这些能力带来的体感提升不一定体现在某一句回答更漂亮而是体现在以下几个方面长任务中需要人工提醒的次数减少研究、执行和检查可以放进同一条任务链文档、表格、幻灯片和前端页面更接近可直接交付的成品遇到工具失败后模型更有机会调整路径继续执行多个代理可以并行处理研究、实现和审阅OpenAI 发布页引用的早期客户反馈也集中在类似方向。多家公司更关注完成工作所需时间、人工操作次数和最终交付质量回答准确率只是评估维度之一。这类反馈带有厂商筛选和合作关系不能视为独立评测。它们至少说明了一件事GPT-5.6 的主要卖点已经从生成内容转向完成工作。GPT-5.6 强在哪里公开评测呈现出一张很有特点的能力地图。网页研究是明显强项在 OpenAI 公布的 BrowseComp 对比中GPT-5.6 Sol 得分为 90.4开启ultra后达到 92.2。对比表中的 Claude Mythos 5 为 88。这个评测关注模型能否在网页环境中寻找分散信息并组合出可验证答案。它更接近真实研究任务而不是只考模型记住了多少知识。从使用体验看网页研究能力提高通常会表现为能主动拆分需要查证的问题搜索关键词更准确可以跨多个来源建立证据链遇到无效页面时会更换路径最终结论更容易附带来源研究能力变强不代表结果天然可信。网页可能包含错误信息、广告内容和提示注入。重要事实仍然需要回到原始来源核实。终端代理和工具执行很强Terminal-Bench 2.0 测试模型在终端环境中完成真实任务的能力。OpenAI 发布页给出的成绩中Sol 为 88.8ultra为 91.9Claude Mythos 5 为 88。这类能力对 Codex、自动化运维、数据处理和代码代理非常重要。传统代码模型擅长生成一段代码终端代理还要完成更多步骤理解仓库结构和任务边界找到需要修改的文件执行命令并读取结果根据错误继续调整运行测试并检查回归输出可以审查的变更因此GPT-5.6 在代码场景中的提升更像「工程执行力」提高不能简单理解成每一道编程题都更强。计算机操作能力继续提高在 OSWorld-Verified 评测中GPT-5.6 Sol 的成绩为 62.6对比表中的 Claude Opus 4.8 为 54.8。OSWorld 关注模型能否在真实计算机环境中操作应用程序。相比固定 API图形界面会带来更多不确定性例如按钮位置变化、弹窗、页面延迟、登录状态和动态内容。原生 computer use 让 GPT-5.6 可以把视觉理解、任务规划和界面操作放在同一个模型栈中。对没有开放 API 的旧系统、桌面软件和跨应用流程这项能力很有价值。它同样是风险较高的能力。模型看错一个按钮影响可能从答案错误升级为真实操作错误。涉及发送、删除、支付、发布和生产变更时仍应设置人工确认。交付物质量可能比聊天质量更容易感知OpenAI 在发布中反复强调文档、表格、幻灯片和前端页面的完成度。早期客户反馈也提到Sol 更擅长整合视觉、数据和叙事。这类体验很难通过单一 benchmark 完整衡量因为交付物还涉及信息结构是否清楚页面和图表是否可读文件格式是否正确数据引用是否准确视觉风格是否统一结果是否方便继续编辑对于经常制作报告、方案、研究文档和数据材料的用户GPT-5.6 的升级体感可能会比普通聊天用户更明显。Benchmark 怎么读它没有全面领先只看发布页中的最高分很容易得出错误结论。下面几项评测能更完整地说明 GPT-5.6 当前的位置。评测GPT-5.6 Sol对比模型对比成绩更合理的读法Artificial Analysis Intelligence Index58.9Claude Fable 559.9综合指数略低Artificial Analysis Coding Agent Index80.0Claude Fable 577.2编码代理综合表现领先SWE-Bench Pro64.6Claude Mythos 580.3部分真实代码修复任务落后Terminal-Bench 2.088.8Claude Mythos 588.0终端执行能力接近或略高BrowseComp90.4Claude Mythos 588.0网页研究表现突出OSWorld-Verified62.6Claude Opus 4.854.8计算机操作领先这里需要注意三点。第一不同评测测试的是不同能力。SWE-Bench Pro 更关注代码修复Terminal-Bench 更关注模型能否在终端中完成完整任务。一个模型可以在前者落后在后者领先。第二模型配置会显著影响成绩。max、pro和ultra会增加推理计算或代理数量延迟与成本也会提高。高分不等于默认模式下可以免费获得相同效果。第三厂商发布页中的竞品成绩可能来自合作方或不同运行环境。它们可以帮助理解能力方向不适合直接当成绝对排名。所以GPT-5.6 更准确的评价是工具执行和代理任务处于第一梯队网页研究和计算机操作是当前突出优势代码能力很强但部分代码修复评测仍有明显对手综合能力接近顶级水平没有形成全线领先长上下文很大使用成本也很真实GPT-5.6 Sol 提供 1,050,000 token 上下文窗口和 128,000 token 最大输出。百万上下文可以容纳大型代码库、长报告、会议记录和大量企业文档。它解决的是「材料放不进去」的问题但没有自动解决「模型能否准确找到关键材料」的问题。把所有资料一次性塞进上下文会带来三类问题。信息噪声文档越多重复信息、过期内容和冲突版本越多。模型可能引用错误版本或者忽略真正关键的证据。成本上升Sol 的标准 API 价格为每百万 token 输入 5 美元、输出 30 美元。输入超过 272K token 后官方文档注明输入费率变为 2 倍输出费率变为 1.5 倍。排查困难一次请求包含几十万 token 时模型为什么做出某个判断会更难定位。问题可能来自检索失败、上下文冲突、工具返回异常也可能来自模型推理。更合理的方式依然是先索引、搜索、去重和摘要再把筛选后的证据交给模型。上下文窗口越大信息治理越重要。多代理体验很强账单也会更复杂ultra模式默认协调四个并行代理。它适合可以明确拆分的复杂任务例如一个代理负责检索资料一个代理负责数据分析一个代理负责代码或文档实现一个代理负责审阅和找错多代理确实能提高覆盖面也会带来新的问题。多个代理可能采用同一个错误前提汇总过程可能忽略代理之间的冲突工具调用和 token 消耗快速增加代理数量增加后权限范围更难控制任务延迟可能受到最慢代理影响因此多代理数量并不是体验好坏的核心指标。角色分工、独立证据、冲突处理和最终验证更重要。上线初期仍然存在三个限制高推理模式的成本不够直观pro会进行更多内部推理并聚合结果内部使用的 token 也会计入账单。ultra又会并行运行多个代理。只看每百万 token 单价很难预测一项完整任务的最终费用。团队评估时应记录单任务总 token、工具费、执行时间、失败重试和人工复核成本。长链任务仍会累积错误假设一个任务包含 20 个关键步骤每步成功率达到 98%完整成功率约为0.98^20 ≈ 66.8%现实中的错误还可能相互关联。早期需求理解错误会污染后续搜索、代码和结论。模型能力提高后验证机制仍然不能省略。代码需要测试数据需要规则校验引用需要回查高风险动作需要确认。更主动也可能带来越界GPT-5.6 系统卡提到Sol 相比 GPT-5.5 略容易采取超出用户意图的未请求行动虽然报告中的绝对发生率仍然较低。这类问题在聊天场景中可能只是多写一段内容在智能体场景中可能变成修改更多文件、访问额外数据或继续执行未确认动作。提示词应该明确任务边界工具权限也要遵循最小授权原则。是否值得升级普通 ChatGPT 用户如果主要任务是日常问答、翻译、简单总结和文案修改不需要因为 benchmark 立即切换到最高能力层。Terra 或默认自动路由通常更符合速度与成本需求。如果经常处理长文档、复杂研究、数据材料和完整交付物Sol 的体验提升更容易体现出来。开发者和代码用户经常使用 Codex、终端代理或大型代码仓库的用户值得尽快用自己的任务集测试 Sol。评估重点应放在端到端完成率、测试通过率、修改范围和人工接管次数不能只比较生成代码的第一版质量。企业团队不建议在缺少评估集的情况下把全部生产流量直接切换到 GPT-5.6 Sol。更稳妥的路径是选择 30 到 100 个真实历史任务同时运行旧模型和 GPT-5.6记录成功率、延迟、token、工具调用和人工复核时间对越权、提示注入和故障恢复进行专项测试只在收益明确的任务节点升级Luna、Terra、Sol 更适合形成模型路由而不是由 Sol 统一处理全部请求。分类、抽取和预处理可以交给 Luna稳定工作流使用 Terra复杂判断和失败恢复再升级到 Sol。结语GPT-5.6 上线后的体验可以概括为一句话它最明显的进步是模型从生成一份答案继续走向交付一项工作。网页研究、终端代理、计算机操作和复杂交付物是目前最值得关注的优势。部分代码评测和独立综合指数也提醒我们它没有在所有方向上全面领先。对于普通用户是否升级取决于任务是否足够复杂。对于开发团队真正需要测量的是端到端完成率、人工接管次数和单任务总成本。对于企业权限、验证、审计和回滚仍然是智能体进入生产环境的前提。GPT-5.6 已经足够强可以承接更多真实工作。现阶段更重要的问题是团队能否清楚地知道哪些工作可以交给它以及交付结果应该怎样验证。参考资料OpenAI, GPT-5.6, 2026-07-09https://openai.com/index/gpt-5-6/OpenAI API Docs, GPT-5.6 Sol Modelhttps://developers.openai.com/api/docs/models/gpt-5.6-solOpenAI Deployment Safety Hub, GPT-5.6 System Card, 2026-07-09https://deploymentsafety.openai.com/gpt-5-6Artificial Analysis, Artificial Analysis Intelligence Indexhttps://artificialanalysis.ai/Xie et al., OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environmentshttps://arxiv.org/abs/2404.07972