刚刚 GPT-5.6 发布，吊打 Claude 5 和 Grok 4.5？一手实测来啦！

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：

Sol 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。

1）Ultra 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。

2）Max 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：

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 4.5

Grok 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 5

Claude 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。

GPT-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：

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？