实测了一下 GPT-5.6 Sol Max。和之前一样，用同样的提示词生成一个基于 three.js 3D 飞行避障游戏。我的感受是，比其他所有模型，包括 Claude Fable 5（http://t.cn/AXavNy49） 都要出色的多。

飞机建模细节极为细腻，加速时尾灯会自动亮起，转向时机身会倾斜、场景跟着平移，障碍物上的光影是流动的，碰撞时飞机有闪烁效果，结束时有飞机坠落的动画，场景也会跟着旋转。这些全没写在 prompt 里，模型自己补的。桌面和手机操作都极为顺滑。跟 Claude Fable 5 同 prompt 对比，建模、光影、交互细节差距明显。

但有意思的是，这个结果跟公开榜单的排名是反的。

SWE-Bench Pro 上，GPT-5.6 Sol 拿 64.6%，Claude Fable 5 是 80%，差了 16 分。单看这个数，GPT 输得挺难看。换到 Artificial Analysis Coding Agent Index，Sol 反超到 80，Fable 5 是 77.2。两个榜，成绩完全不同。

OpenAI 自己的博客花了大篇幅讲 "设计判断力" 和 computer use，还自己做了个 3D 帆船游戏 Saltwind 当 demo。本质上是在说：模型不光写代码，还能验证渲染结果、自己修视觉和交互的细节。我实测里看到的那些自选动作，应该就是这种能力的体现。

补充几组数据供大家参考：FrontierMath Tier 4，Sol 83%，Fable 5 是 87.8%，高难推理 Claude 仍然领先。GPQA Diamond 两边打平，94.6%。Terminal-Bench 2.1 Sol 88.8%，Ultra 模式 91.9%。BrowseComp Sol 90.4%，Ultra 92.2%，都是目前最高。

这次，OpenAI 的说法是用更少 token 和时间达到相近或更好的结果，从 Coding Agent Index 的数据看确实省。

从这次简单的测试以及我的个人感受来说，GPT-5.6 Sol 对于工程落地和前端生成，有着明显优势。纯推理以及数学难题方面，Claude 依然是王者。在视觉交互类的任务中，榜单排名和实际产出确实有很大的差异。

霓虹地平线试玩：modeltest.caprompt.com

#ChatGPT5.6##AI模型评测##AI创造营# http://t.cn/AXK74zfl