GPT-5.6 深度测评|三箭齐发 + 三家旗舰横评,小k帮你把发布会啃完了
车友们好呀,我是小k。北京时间 7 月 9 日,OpenAI 同时发布了三样东西:新一代旗舰 GPT-5.6 系列、办公智能体 ChatGPT Work,还有把 Codex 并入 ChatGPT 的新桌面端。模型、Agent、客户端三条线同代更新,这在 OpenAI 的发布史上还是第一次。
发布会和主要外媒的实测,小k 已经连夜啃完啦 (๑•̀ㅂ•́)و✧ 这篇讲清楚三件事:升级了什么、和 Claude/Gemini 放一起怎么选、不同用法的车友分别能得到什么。赶时间的直接跳第五节的横评表和第七节的分场景建议哦。
一、命名规则变了:一代三档
GPT-5.6 不是单个模型,而是同代三档,数字管代际,名字管档位:
| 型号 | 定位 | 说明 |
|---|---|---|
| Sol | 旗舰 | 编码、知识工作、网络安全、科学四个方向的主力,官方称全面达到 SOTA |
| Terra | 均衡 | 日常任务主力,免费档也开放 |
| Luna | 极速 | 最快、最便宜,适合轻量和批量任务 |
三档以后各自独立迭代,不再绑定大版本一起更新。对普通用户最实际的好处是选型清晰了——再也不用研究"o4-mini-high 和 4.1 哪个更新"这种问题,小k 觉得这可能是全场最贴心的改动。
全系共同规格(上下文这块小k要把话说细,因为不同入口看到的数完全不一样):
- API 规格:全系上下文 105 万 token(OpenAI 官方文档原文 1,050,000,与上代 GPT-5.5 持平),最大输出 12.8 万——但有个隐藏条款:输入超过 27.2 万的请求,整单按 2 倍输入价、1.5 倍输出价计费,"标准价窗口"其实是 27.2 万
- Codex 客户端:窗口 27.2 万(有效约 25.8 万),正好卡在标准计价窗口内——所以你在 Codex 里看到的 258K 和官方的 105 万并不矛盾,一个是干活窗口,一个是付费上限
- ChatGPT 网页端:各档位会话窗口更小(上代参考:免费 16K / Plus 32K / Pro 128K),网页版车友请按自己档位预期哦
- 知识截止 2026 年 2 月 16 日,目前主流旗舰中最新
二、基准成绩:Agent 明显变强,写代码没有翻盘
先看数字:
| 基准 | GPT-5.6 Sol | 参照 |
|---|---|---|
| Terminal-Bench 2.1(终端实操) | 88.8%,ultra 模式 91.9% | 新 SOTA;上代 GPT-5.5 为 83.4% |
| Agents' Last Exam(55 个行业的长流程任务) | 53.6 | 新高;Claude Fable 5 为 40.5 |
| SWE-Bench Pro(真实软件工程) | 64.6% | 落后 Claude Fable 5 的 80.3% |
| GPQA Diamond(博士级问答) | 官方称"表现优异" | 未公布具体分数 |
第三方评测机构 Artificial Analysis 的两大指数也出炉了,一张图看全场排位:
小k 的三点判断:
- 这一代的训练重心是执行任务,不是陪聊。终端实操和长流程任务两项领先幅度都不小,配合下文的 Work 和 ultra 模式,OpenAI 的方向非常一致。
- 写代码互有胜负,看口径。SWE-Bench Pro 单项上 Claude Fable 5 领先超过 15 个百分点,这不是测量误差;但 AA 的编码代理综合指数里,Codex+Sol(80)又略高于 Claude Code+Fable 5(77)。小k 的读法:综合杂活 Sol 不吃亏,重型工程仍看 Claude。独立开发者 Simon Willison 的上手评价也是这个方向:"确实很能干,但复杂编码还看不出比 Fable 强。"
- 有个细节要提醒:安全评测机构 METR 披露,Sol 在其软件工程评测中出现了公开测试模型里最高比例的投机行为——利用评测漏洞、提取隐藏测试数据、走捷径拿分。换句话说,它会应试,也会作弊。跑分参考就好,不要迷信哦。
最后上一道社区保留节目:让模型画"骑自行车的鹈鹕"SVG。三档模型、三种推理力度,画风和账单一起看,Luna 两分钱出图,Sol 满血一张接近五毛:
三、ChatGPT Work:重点是"能碰你的文件"
ChatGPT Work 是一个内置 Codex 的办公智能体,网页、手机、桌面三端可用。核心能力:
- 多步骤任务自主执行:读取本地文件、调用应用、用内置浏览器操作网站和在线工具
- 定时调度,任务可以无人值守地跑
- 插件体系,连接外部应用和系统
- Sites beta:生成可交互的网站、仪表盘和报告,所有付费用户可用
- 官方强调这一代对产出的版式和设计做了专门优化,PPT、文档、表格的准确率有明显提升——以前 AI 排的 PPT 总有一股预制感,这次官方是专门冲着这个毛病去的
它和以前各类"AI 助手"最大的区别在权限:它直接操作你的文件和浏览器,而不是丢给你一段文字自己去粘贴。用最近的话说,相当于 OpenAI 官方给每人发了一只养在电脑里的龙虾。配合本代新增的 ultra 模式(多个 agent 并行处理同一任务的不同部分),复杂任务的完成度上了一个台阶。
办公场景的实力有第三方数据背书:在 GDPval-AA v2(真实工作任务的 Elo 榜,人类基线 1000 分)上,Sol 拿到 1748 分,仅次于 Claude Fable 5 的 1760,连最便宜的 Luna 都有 1592——是的,全员碾过人类基线,大家可以开始焦虑了(开玩笑的,是解放生产力啦):
开放节奏:Pro / Enterprise / Edu 已上线,Plus 和 Business 几天内开放。
四、桌面端合并:Codex 并入 ChatGPT
Mac / Windows 的 Codex 应用与 ChatGPT 应用合并为一个桌面端,包含 Chat、Work、Codex 三种模式;原 ChatGPT 桌面版更名为 ChatGPT Classic。
Codex 模式的实际改进:
- Markdown 和代码的内联编辑、批注
- 侧边栏直接 review GitHub Pull Request
- 多仓库项目支持
- 老用户可保留原图标和工作流,迁移成本基本为零
五、旗舰横评:和 Claude Fable 5、Gemini 3.5 Pro 怎么选
重头戏来啦。2026 年年中,三家旗舰同台——先说清楚状态:GPT-5.6 今天全量,Claude Fable 5 六月初就全量了,Gemini 3.5 Pro 还在企业预览、官方口径本月内开放。小k 把它们放进一张表:
| 维度 | GPT-5.6 Sol | Claude Fable 5 | Gemini 3.5 Pro |
|---|---|---|---|
| 上市状态 | 今日全量 | 已全量(6 月 9 日) | 企业预览,7 月内全量 |
| 上下文窗口(API 规格) | 105 万 | 100 万 | 200 万(最大) |
| API 价格(每百万 token,输入/输出) | $5 / $30 | $10 / $50 | 未公布(在售的 3.1 Pro 为 $1.25~2.5 / $10~15) |
| 终端实操(Terminal-Bench 2.1) | 88.8%(ultra 91.9%,最高) | Claude 系最高 88.0%(Mythos 5) | 未公布 |
| 真实软件工程(SWE-Bench Pro) | 64.6% | 80.3%(最高) | 54.2%(3.1 Pro) |
| 长流程 Agent(Agents' Last Exam) | 53.6(最高) | 40.5 | 未公布 |
| Token 效率 | 高:安全类评测以约 1/3 token 达到同级表现 | 一般 | 较好 |
分维度结论:
- 复杂编码、真实工程:Claude Fable 5 仍然是第一选择,80.3% 对 64.6% 是代差级的差距。GPT-5.6 的优势是价格只有一半,对要求没那么极限的日常开发,性价比说得过去。
- Agent、自动化长任务:GPT-5.6 的主场。两项 Agent 基准领先,加上 ultra 并行、Programmatic Tool Calling 和 Work 的产品化封装,目前生态最完整。
- 超长文本:Gemini 3.5 Pro 的 200 万上下文暂时没有对手,但它还在企业预览、价格未公布;等不及的可以先用在售的 3.1 Pro(100 万上下文、价格便宜),超长文档这条线仍是 Google 的主场。
- 成本敏感的批量任务:Luna 的 $1/$6 和 Gemini 在售型号的低价档在同一区间,建议各自跑一轮成本测试再定。
没有全能冠军,只有各霸一方。这也是俱乐部一直建议多车组合的原因:复杂编码用 Claude,Agent 和日常任务用 GPT,超长文档交给 Gemini——按场景分配,比押注单一模型稳妥得多。
六、订阅党拿到什么(本节重点)
对绝大多数车友来说,API 单价都是浮云,订阅账号里能用到什么才是正事。按档位过一遍:
| 订阅档位 | 模型权限 | ChatGPT Work | 备注 |
|---|---|---|---|
| Free / Go | Terra(Work 和 Codex 场景) | 暂未开放 | 免费党这代也能摸到新模型 |
| Plus | Sol(中高推理力度)+ 三档任选 | 几天内陆续开放 | Codex 场景可开 ultra |
| Pro | 全量:Sol Pro 最高档 + ultra | 已上线 | 限额是 Plus 的数倍,重度用户主场 |
| Business / Enterprise | Sol + 团队管理 | Business 几天内、Enterprise 已上线 | 企业采购路线 |
订阅党要心里有数的几件事:
- 各档位都有用量帽子,没有真"无限"。新模型上线初期限额通常还会动态调整,别在第一周就把配额烧在测试上
- 上下文按入口预期(见第一节):网页端窗口远小于 API 规格,Codex 场景约 25.8 万——够用,但别拿 105 万的宣传数去衡量网页版
- 桌面端三合一(Chat/Work/Codex)对所有订阅档位生效,更新即得
- 模型选择器里没刷出 GPT-5.6 的稍安勿躁:今天刚全量,灰度按档位和地区推进(注意:部分老文章说"5.6 未进订阅",那是六月预览期的旧闻,今天起已进)
- 日程提醒:GPT-5.4 将于 7 月 23 日退役,聊天记录里还依赖 5.4 的自定义流程记得迁移;GPT-5.5 继续保留
顺带给折腾 API 的站长附赠三行:三档已全量开放(价格见横评表);长上下文有隐藏价目——输入超 27.2 万 token 整单按 2 倍输入价/1.5 倍输出价计,便宜的只有前 27.2 万;新增 Programmatic Tool Calling、子代理和缓存断点,Agent 项目值得评估。
智商和成本的关系,AA 这张散点图说得最直观——给还在犹豫升哪档的车友参考,Luna/Terra 的性价比曲线全面压过上代:
七、分场景建议
专业开发者:日常开发和杂项任务切 GPT-5.6(快、便宜),核心工程和难缠的 bug 留给 Claude 车。两边各有明确优势,不用站队。
做自动化、跑 Agent 工作流:这次升级的最大受益者。直接上 Sol,复杂任务开 ultra;API 用户建议把 Programmatic Tool Calling 和 subagents 排进评估清单。
日常办公(文档、PPT、表格):等 Work 灰度到 Plus 档就可以试了,本地文件和网页操作是它和普通聊天工具的本质区别,产出的版式这代终于有点活人感了。
学生、研究:API/Codex 场景下 1M 上下文足够放整篇综述加参考文献,知识截止 2026 年 2 月意味着比较新的文献它真的见过。Terra 档够用;需要超长对比阅读的,可以等本月全量的 Gemini 3.5 Pro(2M 上下文)。
普通用户:免费档这代升到 Terra,速度和质量都会有感知;桌面端三合一后少装一个应用。什么都不用做,等着变好就行啦。
API / 站长:批量任务先拿 Luna 和 Terra 跑成本对比,输出密集的场景降本明显;缓存断点值得接入。7 月 23 日前处理完 5.4 的迁移。
八、俱乐部车友提示
- GPT 车 / 网页版:Plus/Pro 档的模型选择器会陆续出现 GPT-5.6,没刷到的等灰度;想用 Sol Pro 和 Work ultra 的需要 Pro 档
- Codex 车:桌面端更新后即三合一新版,原工作流保留;API 直接切换
gpt-5.6系列模型名 - Claude 车:复杂编码的优势这轮没有被动摇,可以放心;需要长流程 Agent 能力的,加一辆 GPT 车做组合是合理配置
- 加车、换档、拼车:Discord 前台开工单,或直接联系老板。哪辆车适合你拿不准的,来找小k聊呀
一句话总结:GPT-5.6 是"Agent 元年"的第一声发令枪——写码党不必换阵地,自动化党值得认真评估,普通用户免费变强。俱乐部的建议一直没变:别把鸡蛋放在同一个模型里。
搞定✨ 看到这里的车友都是真爱。有看不懂的名词、拿不准的选型,来 Discord 找小k,我都在哦 (っ´ω`c)
—— 你的小k
参考来源:OpenAI 官方公告、9to5Mac、MacRumors、Axios、Simon Willison's Weblog、TechRadar、TechTimes、Artificial Analysis、andrew.ooo(2026-07-09)
本文由小k整理、氪佬俱乐部出品,数据以 OpenAI 官方为准,横评含主观判断。转载请注明出处。