大家好我是程序员鱼皮。刚刚OpenAI 正式发布了 GPT-5.6 系列模型包含 Sol 旗舰、Terra 均衡和 Luna 轻量三个版本。这是 OpenAI 继 GPT-5.5 之后最大的一次模型更新官方称 Sol 是有史以来最强模型在多个编程能力测评上超越了 Claude Fable 5恰好同一周马斯克旗下的 SpaceXAI 也放出了 Grok 4.5号称 Opus 级别的模型而 Anthropic 之前被封禁的 Claude Fable 5 也在 7 月 1 号重新上线。这下三家的新旗舰模型凑齐了这种难得的机会必须得安排一次大乱斗正好这三个模型在 Cursor 里都能用了我干脆让它们同时开发同一个项目用实际的 AI 编程能力来分个高下。开始之前先聊聊这次 GPT-5.6 到底更新了什么。GPT-5.6 更新了什么GPT-5.6 这次最大的变化是把模型分成了 3 个档次模型定位输入价格每百万 token输出价格每百万 tokenSol旗舰最强智力$5$30Terra均衡日常工作$2.50$15Luna轻快最低成本$1$6Sol 的定价跟 Opus 4.8 差不多输入 5 刀、输出 30 刀但比 Fable 5输入 10 刀、输出 50 刀便宜了整整一半。跑分方面GPT-5.6 Sol 在 Terminal-Bench 2.1终端编程 Agent 工作流能力上拿到了 88.8%Ultra 模式更是达到了 91.9%把 Fable 5 的 83.4% 和 GPT-5.5 的 83.4% 都甩在了身后。除了模型本身这次 OpenAI 在产品层面也有大动作Codex 正式合并到 ChatGPT 里了在左上角可以切换 Work 和 Codex 两个模式在 Codex 中可以直接使用 GPT 5.6 全系列模型自由设置推理强度另外还新推出了「站点」功能可以用自然语言描述需求AI 帮你生成网页应用并直接托管上线后面带大家玩玩~模型能力方面我觉得最值得关注的有 3 点。1Ultra 模式 - 内置多 Agent 协作这个跟 Opus 4.8 的动态工作流类似但 OpenAI 把它做成了一键开关。开启 Ultra 后模型会自动把任务拆解成多个子任务同时派出多个子 Agent 并行处理中间还能互相协调。相当于以前你得手动搭一个多 Agent 编排框架才能干的事现在模型内置了。但代价可想而知token 的消耗会翻好几倍。2Max 推理模式和 Ultra 不同Max 模式就是单纯给模型更多的思考时间类似 Claude 的 Extended Thinking。适合那些需要深度推理但不需要并行处理的场景。3更智能的 Prompt 缓存支持显式缓存断点和 30 分钟最低缓存生命周期缓存命中时输入成本打一折。对于跑长时间 Agent 任务的开发者来说应该能够大幅节约成本。看到这里你是不是也对 GPT 5.6 充满期待了不过 GPT 5.6 也有一些争议。安全评估组织 METR 在官方博客中披露GPT-5.6 Sol 在跑分测试中存在「作弊」行为利用评测系统的 Bug 来刷分被评为历史上检测到的最高作弊率。OpenAI 自己发布的 System Card 也承认 Sol 有过度主动的倾向会未经授权就执行一些操作。所以跑分数据看看就好很多模型发布时跑分没输过实测翻皮水……下面咱们还是来实战测试一下。让 Cursor 自动并行测试由于要同时测试多个模型我选择用 Cursor 的子 Agent 能力来做测试。给 Cursor 发一段提示词它会帮我同时启动 3 个子 Agent分别用 GPT-5.6 Sol、Claude Fable 5 和 Grok 4.5用同一段提示词在各自的目录里开发同一个项目。这样一来三个模型可以使用完全相同的 Harness 工程环境包括相同的工具、MCP 和 Skills、同样的上下文。我还在提示词里运用了 Loop Engineering 的思想要求模型写完就自测、发现 Bug 就修复、循环迭代直到满意为止。这次我让 AI 开发的是一个「足球对战网页游戏」名字叫2066 决战世界杯。玩家操控一支 5 人球队和电脑人机对战包含 10 个功能需求物理引擎、AI 对手、比赛系统、用户排行榜、战绩统计面板等等。为什么选择足球游戏作为测试案例呢因为它能全方位考察模型的能力物理引擎要求模型具备向量计算和碰撞检测的数学能力电脑人机要求模型能设计状态机和决策逻辑Canvas 渲染考验游戏循环和帧率控制后端 API 和排行榜考验全栈工程能力而且最终效果好不好打一把游戏就知道了不需要逐行看代码~提示词中我不对技术栈做限定由模型自己选择。比如物理引擎是从 0 开始写还是用现成的库、前端用什么框架、数据库选什么全部交给 AI 自主判断而且全程零人工干预。开发过程对比在 AI 开发的过程中只有 Claude Fable 5 在动手写代码之前先列出了一份完整的任务计划逐条规划要实现哪些模块、用什么方案。GPT-5.6 Sol 和 Grok 4.5 则是想了想就直接开干了边写边调。在提示词的引导下三个模型都使用了 Cursor 内置的浏览器来自主测试效果最后三个模型全部完成了 10 个功能的开发但速度差异非常明显模型总耗时修复轮次GPT-5.6 Sol9.2 分钟2 次Grok 4.510.1 分钟5 次Claude Fable 519.5 分钟未详细记录GPT-5.6 Sol 最快交卷而且只修了 2 轮 Bug 就跑通了。Fable 5 花了将近 20 分钟大概是 thinking 模式花了更多时间在规划上。说明在这种一把梭的场景下快速动手迭代可能比详细的前期规划更有效。好了下面咱们看看成品效果。成品效果对比GPT-5.6 Sol打开网站后直接进入到赛前设置界面不需要先登录就能玩这个体验设计我觉得挺好的。队名给我整乐了什么霓虹龙队、量子猎鹰怎么又土又潮的。凭借着对自己手速的自信我选了中等难度。进入到比赛界面UI 风格还可以球场基本还原了标准布局虽然少了两个罚球区弧线但不影响游戏。游戏的操作体验很顺畅踢球方向也没问题但是人机的表现让我有点难绷……我开局站着不动 20 秒想看看人机会不会有什么战术配合结果对方前锋一直在顶撞我的后卫同时疯狂对轰我的守门员守门员倒是不动如山愣是一个球没进。好家伙你俩打乒乓球呢而且 AI 不会主动组织进攻基本就是追着球跑。更搞笑的是下面这个名场面两个自家的红方球员扭打在一团何意味我尽了自己的全力打完了一整场中等难度结果是 0 比 0 收场人机的防守真是密不透风。我又试了一把简单难度。这次人机的水平明显下降了我方前锋「李佛脚」单枪匹马直接破门拿下一分比赛结束只有登录才能统计成绩。登录页面的风格挺不错虽然一眼 GPT但还是有未来感的。战绩统计面板做得也挺完整胜率、难度分布、近场走势都有排行榜页面没什么好说的中规中矩不过移动端就拉胯了足球场被严重挤压完全没法玩Grok 4.5Grok 4.5 开发的网站上来先要登录而且登录界面的配色有点儿魔幻很难让人联想到这是一个足球游戏。进入赛前设置页面我方队名「银河战舰」、对手队名 「星际联队」这名字的确很符合 SpaceX 的模型了。右侧直接就是排行榜没见过这么会偷懒的……进入比赛之后这个球场的图形…… 什么成分我就不多说了吧中等难度下我方球员笨得可怕。你管下面这位叫守门员果然没过多久我方就被破门了。TNND 我的几个队友全体挂机只留下守门员和对手赵云单挑。游戏的换人逻辑也很不顺畅经常给我换到离球最远的那个人身上点好几次才能切换到我想控制的球员。最后被踢了个 4 比 0而且一直是被对方同一个人反复破门。这将是我李佛脚职业生涯上的耻辱柱 %*……赛后的战绩统计做得还挺完整但就是太偷懒了谁家把赛前设置和赛后统计放在一个页面啊再看看移动端足球场能够完整展示但空间太小布局一般Claude Fable 5Claude Fable 5 开发的网站同样需要先登录才能玩登录页面的整体风格中规中矩吧。来到赛前准备界面这 Emoji 用的让我有点儿难受了界面也太刻板没什么游戏的感觉进入比赛这个球员的造型给我蚌埠住了…… 小只因 不过球场的布局倒是三个模型里最标准的中圈、禁区、罚球区弧线都有这点给好评。结果没想到整个游戏体验极差足球会经常瞬移好像每个球员都有飞雷神术一样我玩了 1 分钟就受不了了。比如你看现在球在对方球员的前面一转眼球直接瞬移到对方球员身后了不是哥们挑球也没你这么挑的啊我直接就是一个放弃比赛给我玩恶心了…… 你管这叫 Claude Fable 5个人战绩页面也是中规中矩让我怀疑模型是不是降智到 Opus 4.8 了最后看看移动端倒是三个里面体验最好的球场完整显示、布局合理有虚拟摇杆和操作按钮代码质量对比游戏体验聊完了再来看看代码层面的差异。技术选型方面很有意思三个模型不约而同都选择了手写物理引擎没有一个用 matter.js 之类的现成库。可能是因为足球游戏的碰撞逻辑相对简单都是圆形碰撞手写几十行代码就能搞定引入一个完整的物理库反而显得笨重。数据库方面 GPT 选了最轻量的 JSON 文件存储Grok 和 Claude 都选了 SQLite。虽然三个模型都实现了全部 10 个功能但它们的工程实现风格差别很大。模型源码文件数代码行数物理方案数据库GPT-5.6 Sol5683手写圆形物理JSON 文件Grok 4.582,622手写 2D 物理better-sqlite3Claude Fable 551,844手写物理引擎SQLite WALGPT-5.6 Sol 只用 683 行代码就搞定了 10 个功能代码密度极高。Grok 4.5 拆了 8 个文件、2622 行模块化做的比较好。Fable 5 代码量排在中间1844 行但有个问题核心游戏逻辑全堆在一个 33KB 的game.js里可维护性比较差。人机对手的实现上三个模型都用了规则驱动的状态机方案按球员角色门将 / 后卫 / 中场 / 前锋分配不同行为通过难度参数来区分三档。虽然实现思路高度一致但实际效果差异很大这说明 AI 的代码逻辑和运行效果之间还是有 gap 的。综合排名最终这次测试下来 3 个模型的排名如下排名模型一句话评价 1GPT-5.6 Sol速度最快、代码最精简、操控流畅、能正常玩 2Grok 4.5架构最规范、统计面板最好看但换人逻辑和球场渲染有硬伤 3Claude Fable 5球场最标准、移动端最好但物理引擎翻车导致没法正常游玩看到这个结果你觉得意外么Claude Fable 5 在之前我做的全栈项目测试中一直是 UI 和代码质量的王者没想到这次竟然垫底了。我自己的理解哈足球游戏这种场景跟普通的 CRUD 全栈项目完全不一样。它对物理模拟的实时性要求很高球的位置每一帧都在变碰撞检测的精度直接决定了游戏能不能玩。Claude Fable 5 的 thinking 模式可能花了大量时间在「想清楚架构」上但在物理计算这种需要精确调参的场景下反而不如 Sol 那种「快速写完、马上跑、发现问题就修」的 Loop 风格来得有效。Sol 只修了 2 轮 Bug 就跑通了Fable 5 虽然花了 20 分钟但物理引擎依然有明显的瞬移问题。这说明花时间多不代表质量高至少在这种需要快速看到效果的小游戏场景下快速迭代验证比深度规划更管用。这告诉我们最贵的模型效果未必最好也未必最适合你的任务。还是得按自己的实际场景来选模型。时间有限就先给大家分享这次测试。最后结合我自己的使用体感给大家一些模型选择的建议日常开发、一把梭小项目选 GPT-5.6 Sol。代码精简、效率极高价格只有 Fable 5 一半。长任务、复杂架构设计选 Claude Fable 5。不过它有点像让教授来做初中数学题简单的事反而想复杂了遇到需要快速验证效果的场景可能会水土不服。预算有限选 Grok 4.5。每百万 token 输入只要 2 美元、输出 6 美元比 Sol 便宜 5 倍、比 Fable 5 便宜近 10 倍架构设计也比较规范。之前很多人都不看好 Grok但这次新出的 Grok 4.5 在 Cursor 论坛上的反馈明显好了很多算是打了个翻身仗。不过说实话就从这个例子来看这三个模型写出来的游戏都还差了点意思。没有一个能称得上「有足球战术智能」的要么不会主动进攻要么队友集体挂机要么球直接瞬移。想让 AI 写一个真正好玩的游戏目前还是得花精力在迭代反馈上指望一把梭出精品还为时尚早。不过这样也好说明程序员暂时还不用担心被 AI 抢走游戏开发的饭碗。OK 就分享到这里本文会收录到我免费开源的 《AI 编程零基础入门教程》上千张图、几十万字带你从 0 开始快速学会 AI 编程做出自己的产品、跑通变现全流程一次拿捏。开源指路https://github.com/liyupi/ai-guide我是鱼皮持续分享 AI 编程干货。觉得有用的话记得点赞收藏和关注~也欢迎在评论区聊聊你觉得 GPT 5.6 怎么样你现在最常用的模型是什么