几个月前，GPT-5.5 和 Claude Opus 4.6 已经能够完成大量编程、调研、文档和办公任务。到了 GPT-5.6、Opus 4.8 与 Grok 4.5，普通用户却未必还能感受到类似早期模型迭代时的巨大代差。

这并不意味着模型停止进步了，而是竞争的重点正在发生变化：从提高单次回答的质量，转向延长可独立执行的任务时间、提高工具适配能力、管理上下文、验证结果、调度子智能体，以及降低每个有效交付物的总成本。

下一阶段真正被比较的，可能不再是一个孤立的模型，而是一整套由模型、工具、上下文、运行环境、验证机制和真实用户反馈组成的工作系统。

GPT-5.6 发布后，我第一时间给它安排了四项真实任务：

1. 根据参考图片制作一个可交互的 3D 页面；
2. 使用给定素材搭建一个品牌官网；
3. 根据 PRD 开发一个网页游戏；
4. 完成一项包含联网研究、调研报告、Word、PDF、PPT、评分卡和交互式页面的长程 Agent 任务。

这些任务不是让模型回答几个问题，而是要求它实际创建可以打开、运行和验收的交付物。为了方便后续横评，我还要求它保留测试提示词、输入材料、成品、验收清单和运行说明。

图1：GPT-5.6 先统一测试变量和验收口径，再拆分四项真实交付任务。

GPT-5.6 给我的第一印象非常鲜明：

Token 在燃烧，产物也在快速堆积。

一次测试里，它更像一个项目负责人

它没有让四项任务在同一条对话里依次排队，而是先为 3D、品牌官网和网页游戏创建独立子智能体，让它们并行读取素材、搜索参考信息、编写代码并进行基础验证；主智能体则继续处理工作量最大的长程 Agent 任务，并负责最后的汇总和交付。

图2：主智能体显式创建 T01、T02、T03 三个子智能体，同时推进不同类型的任务。

界面中可以直接查看每个子智能体的状态、工作时间和阶段性汇报。从结果看，这种并行策略不是为了展示“智能体数量”，而是确实压缩了自然等待时间。

图3：3D、品牌官网和网页游戏同时运行，主智能体继续处理长程资料任务。

两个子智能体的执行过程也比较具体。3D 子智能体会先核对参考图、结构关系和授权信息，再开始搭建离线可运行的场景；品牌官网子智能体则先判断素材是否符合品牌叙事，主动淘汰不合适的图片，再进行页面设计。

图4：3D 子智能体并非直接生成页面，而是先分析参考结构、空间关系和素材来源。

图5：品牌官网子智能体主动判断素材是否适合使用，而不是把图片机械堆进页面。

不过，这里仍然需要区分两个概念：

• 多任务并行：多个子智能体分别完成不同任务，主要提高吞吐量和速度；
• 多智能体协作：多个智能体围绕同一个成果进行研究、编写、审核、回写和验收，目标是提高单项成果质量。

这次前三个子智能体主要属于第一种。它们分别负责 3D、官网和游戏，并没有围绕同一个页面进行交叉审核。因此，这轮测试足以证明 GPT-5.6 的并行调度能力很强，却还不能单独证明它默认擅长深层多智能体协作。

不到 50 分钟完成全部任务，但额度消耗同样激进

我是 ChatGPT Plus 用户。这轮任务在不到 50 分钟的自然时间里，总共消耗了 3 轮“5 小时使用额度”。

这里的“5 小时”是产品中的订阅额度周期，不代表模型实际连续工作了 15 个小时，也不能直接换算成精确 Token 数量。更准确的理解是：多个子智能体和主智能体同时高强度运行，使计算额度被快速并行消耗。

图6：高并发执行明显加快了 Plus 订阅额度的消耗。

这说明 GPT-5.6 的优势不是节省订阅额度，而是用更多并行计算换取更短的自然时间。它更像临时拉起了一支高强度工作的数字团队：交付速度很快，但多条工作流会同时记账。

不过，这些额度并没有被空耗。四项任务最终全部完成，而且模型主动补充了大量交付和汇报材料：

• 四套可以原样交给其他模型的测试提示词；
• 3D 页面、品牌官网和网页游戏；
• Markdown、DOCX、PDF 调研报告；
• CSV 模型横评评分卡；
• 四周执行手册；
• 8 页 PowerPoint 汇报稿；
• 交互式 Agent 评测记分板；
• 每项任务的验收清单；
• 统一总览页面、启动脚本、运行说明和完整交付清单。

最让我意外的并不是某个页面，而是它最后主动制作了一个统一的 HTML 总入口。所有成品、提示词、评分卡和长程任务入口都被组织在同一个页面里，可以快速打开和验收。

图7：模型主动建立统一 HTML 总入口，把四项测试、提示词和验收材料组织到一起。

这体现出一种比“会写代码”更重要的能力：它知道任务完成后还需要整理、汇报和方便用户验收。

四项成品分别表现如何？

T01：3D 交互——结构逻辑和运行流畅度超过预期

3D 任务要求模型根据参考图还原福尔柯克轮，并表现旋转主轮与双水槽反向补偿、始终保持水平的机械关系。

最终成果不是一张静态概念图，而是一个可以实时运行的 Three.js 场景：

• 主轮可以连续旋转；
• 两侧水槽会进行反向补偿；
• 页面实时显示旋转角度和水槽角度；
• 支持暂停、速度切换和视角切换；
• 场景包含引水渠、支撑结构、树木和环境层；
• 动画运行非常丝滑，不存在卡顿。

图8：3D 动画可以实时运行，机械关系和控制界面完整，整体流畅度较好。

这一项最强的地方是把参考结构转化成可运行的空间和运动逻辑。它没有只做一个外形相似的转轮，而是实现了水槽保持水平这一核心机械特征。

不足则主要在精细建模和写实程度：主体比例和识别度已经具备，但几何细节、材质、光影和真实场景质感仍然偏程序化，更像高完成度的交互演示，而不是专业 3D 美术作品。

T02：品牌官网——视觉完成度是四项中最成熟的

品牌官网任务没有给模型写死页面风格，而是提供一组混合素材，让它自行判断哪些图片适合“栖岚山居”的叙事。

最终页面采用比较克制的东方旅宿风格：

• 使用大字号中文标题和较多留白；
• 色彩以米白、深灰和自然图片为主；
• 页面信息层级清楚；
• 素材没有被全部堆叠，而是经过筛选；
• 品牌故事、空间与房型、山中日程和预订入口形成完整路径。

图9：品牌官网的排版、留白和图片使用较成熟，是本轮视觉表现最好的一项。

这一项比我最初预期更好。它已经不只是“页面整洁”，而是具备一定的编辑设计意识和品牌氛围。

但如果以专业品牌官网为标准，仍然可以看到模型常见的问题：视觉语言相对安全，首屏和版式容易接近当前流行的设计模板，真正独特的品牌识别、字体系统和细节动效仍需要设计师继续打磨。

T03：网页游戏——规则实现清楚，美术明显弱于功能

网页游戏要求模型把一份 PRD 转换成可以玩的三关游戏，包含能量、虫洞、撤销、护盾、存档和刷新恢复等机制。

最终成果的功能结构比较清楚：

• 三个关卡具有明确状态；
• 星图路径和能量变化可视化；
• 支持撤销、重新开始和提示；
• 特殊星章、护盾和归航门状态得到保留；
• 页面能够自动保存；
• 信息区、关卡选择和操作区层级清晰。

图10：游戏逻辑、状态信息和关卡结构较清楚，但视觉更接近功能原型。

这项任务体现了 GPT-5.6 对 PRD、状态管理和边界条件的理解。游戏逻辑虽然不复杂，但它确实做成了一个可以运行和操作的产品，而不是只画出一张游戏界面。

主要短板在美术：棋盘、卡片、图标和整体场景依然偏开发者工具或赛博控制台风格，缺少更丰富的角色、场景和动画反馈。换句话说，它已经完成了“游戏开发原型”，但还没有稳定完成“游戏美术设计”。

T04：长程 Agent——不只写报告，还建立了一套可复用的评测系统

第四项原本只是要求围绕 AI 编码 Agent 的评测方法完成资料研究和多文件交付。

GPT-5.6 最终把它扩展成了一套完整的评测资料包，包括：

• 权威信源整理；
• Markdown、Word 和 PDF 报告；
• 模型横评 CSV 评分卡；
• 四周执行手册；
• 8 页 PPT；
• 交互式评测记分板；
• 文件和引用验收记录。

交互式记分板可以录入四个真实场景的分数，并按照场景权重和统一评价维度计算结果，还提供 JSON 导出。

图11：第四项任务最终形成了可以继续复用的模型横评工具，而不只是一篇报告。

这一项最值得肯定的是交付意识和产品化意识。模型不仅完成了资料研究，还主动考虑后续如何重复测试其他模型、如何记录成本和重试次数、如何检查主产物是否真正可运行。

本轮 GPT-5.6 实测结论

所以，这次体验需要分成两个层面评价。

如果只比较单个网页或单个游戏，它未必让人产生“比 GPT-5.5 跨越一代”的感觉；但如果观察整个项目的推进方式，GPT-5.6 的系统级能力就很突出：

不到 50 分钟完成四类真实任务，主动生成额外报告、验收资料和统一入口，这种吞吐量与交付意识本身就是它最明显的进步。

它更像一个速度极快、很会调用工具和组织交付的全栈项目负责人。它已经能让多个执行者同时开工，也知道最后应该把文件整理好交给用户；至于能否让多个智能体共同审查和反复打磨同一个成果，以及能否稳定达到专业美术团队的水准，则仍然是下一轮测试需要验证的问题。

于是，一个比“GPT-5.6 强不强”更值得讨论的问题出现了：

几个月前，GPT-5.5 和 Claude Opus 4.6 已经可以完成大量编码、研究和办公任务。普通用户甚至很难从某一个最终成品中感受到明显代差，那么这些仍在快速更新的顶尖模型，究竟还在发展什么？

一、最近几代模型，其实一直在改变“工作方式”

如果只看版本号，很容易把大模型的发展理解成手机处理器升级：新一代跑分更高、速度更快，然后等待下一次更新。

但回看 OpenAI、Anthropic 和 xAI 最近几代模型的演进，会发现它们的重点正在逐渐离开单纯的问答能力。

1. OpenAI：从强化代码，到把模型变成工作系统的执行引擎

OpenAI 最近几代模型的变化，可以概括为：

先把代码能力做强，再把代码、工具、电脑操作和日常办公逐渐合并到同一条主线上。

GPT-5.3-Codex：先把长程编码做成独立能力

2026 年 2 月，OpenAI 发布 GPT-5.3-Codex，将其定位为面向长程任务的 Agentic Coding 模型。官方强调，它不仅能写代码，还可以完成涉及研究、工具使用和复杂执行的长任务。

这个阶段，Codex 仍然像一条相对独立的专业产品线：核心用户是开发者，核心战场是代码库和终端。

GPT-5.4：把 Codex 能力并入通用模型

一个月后的 GPT-5.4，发生了更重要的变化。

OpenAI 将 GPT-5.3-Codex 的前沿编码能力并入主线推理模型，同时强化了：

• 电子表格；
• 演示文稿；
• 文档生成；
• 网页搜索；
• 工具选择；
• 电脑操作；
• 跨软件工作流。

GPT-5.4 也是 OpenAI 第一款原生具备电脑操作能力的通用主线模型。它不再只是生成代码，而是可以通过截图、鼠标和键盘去操作软件，并在较长流程中规划、执行和验证任务。

这时，OpenAI 的目标已经不只是“做一个更会编程的 GPT”，而是：

让同一个模型进入开发、办公、研究和软件操作环境。

GPT-5.5：从“会使用工具”走向“自己承担更多工作”

2026 年 4 月发布的 GPT-5.5，进一步强调了持续性和完整执行。

OpenAI 对它的描述并不是“回答更加聪明”，而是：

• 更快理解用户真正想做什么；
• 能处理混乱、包含多个部分的任务；
• 自己规划步骤；
• 使用工具；
• 检查结果；
• 在不确定和工具错误中继续推进。

GPT-5.5 已经可以完成相当完整的编码和办公工作：研究资料、分析数据、生成文档和表格、操作软件，并在不同工具之间移动，直到任务完成。

也正是在这个阶段，很多重度用户产生了一种感觉：

对于普通网页、常规编码、报告整理和办公交付，模型似乎已经“基本够用了”。

GPT-5.6：把计算预算、工具编排和多智能体同时产品化

GPT-5.6 没有只发布一个统一模型，而是拆成了三个能力层级：

• Sol：旗舰能力；
• Terra：较低成本的主力模型；
• Luna：更快、更便宜的执行模型。

同时，GPT-5.6 引入了更明确的计算预算概念。Ultra 模式会协调多个智能体并行推进复杂任务，用更多计算量和额度消耗，换取更短的自然等待时间和更高的任务成功率。

在 API 中，OpenAI 还推出了两个值得关注的方向：

• Programmatic Tool Calling：模型可以在内存中编写并运行程序，批量协调工具、筛选中间数据，而不是每一次工具调用都重新经过完整的自然语言往返；
• Multi-agent：允许模型并发运行多个子智能体，并在一次请求中汇总它们的结果。

这意味着 OpenAI 的竞争单位正在改变：

GPT-5.6 不只是一个模型版本，它更像一套可以调节模型档位、推理预算、工具调用方式和子智能体数量的执行系统。

OpenAI 官方称 GPT-5.6 在设计判断、电脑操作、文档、表格和演示文稿方面也有明显进步。我的实测部分支持这一判断：品牌官网和统一交付总览已经表现出不错的版式与信息组织能力；但不同任务之间的视觉水平仍不均衡，网页游戏美术和 3D 精细度尚未稳定达到专业设计团队的水平。

这个差异本身也很重要。

厂商口中的“设计能力提升”，可能更多意味着：

• 更少错位；
• 更稳定地遵循模板；
• 更完整地检查渲染结果；
• 更少出现明显的视觉和功能错误。

它不一定意味着模型已经拥有专业艺术总监那种独特的品牌判断和审美取舍。

2. Anthropic：从代码能力，逐渐转向长程稳定、验证和诚实

Claude 的演进路线没有 OpenAI 那么强调产品线合并，但方向同样清楚：

不只是让模型能力更高，而是让它更值得被交付复杂、长时间、无人监督的任务。

Claude Opus 4：长程编码与 Agent 工作流成为主角

2025 年 5 月发布的 Claude Opus 4，已经把复杂编码、长时间执行和 Agent 工作流放在核心位置。

与更早期主要比拼知识和推理不同，Opus 4 开始突出“持续工作”——模型要在大型代码库、多个工具和较长流程中保持目标，而不是只解决单个问题。

Opus 4.5：提高代码质量，同时降低完成任务所需的 Token

2025 年 11 月的 Opus 4.5，继续强化大型代码迁移、重构和重型 Agent 工作流。

Anthropic 展示的合作方反馈中，多次出现“相同工作使用更少 Token”“更适合持续重构”一类评价。这说明行业关注点已经不只是能力上限，也开始关心单位任务的资源效率。

Opus 4.6：长上下文、子智能体与复杂工具链

到了 2026 年 2 月的 Opus 4.6，Anthropic 更强调长上下文、Agent 规划和专业工作流。

在官方展示的一个网络安全场景中，同一个 Agent 框架最多可以调动 9 个子智能体和 100 多次工具调用。这里真正重要的不是“子智能体数量”，而是模型能否在大量工具和多条执行链中保持方向。

Opus 4.7：减少工具错误，把任务真正执行到底

2026 年 4 月的 Opus 4.7，重点进一步从“会做”转向“完成得更可靠”。

Anthropic 展示的早期测试反馈中，Factory 团队报告任务成功率相比 Opus 4.6 提高约 10% 至 15%，同时工具错误更少，也更愿意执行后续验证步骤。

这类提升并不一定让普通用户一眼感到惊艳。

同一个任务，Opus 4.6 和 4.7 可能都能生成结果。差别在于：

• 是否中途停下；
• 工具错误后能否恢复；
• 是否真的运行测试；
• 是否把验证步骤做完；
• 最后需要用户返工多少次。

Opus 4.8：把“诚实”和动态工作流变成核心卖点

2026 年 5 月发布的 Opus 4.8，Anthropic 直接把“诚实”列为最突出的进步之一。

官方评估称，Opus 4.8 让自己编写的代码缺陷在未说明的情况下通过的概率，约为上一代的四分之一。

这句话背后的问题非常现实。

模型能力较弱时，失败通常很明显：代码报错、文件打不开、功能没有实现。

模型能力增强后，错误反而可能更加隐蔽：

• 页面可以打开，但按钮无效；
• 报告结构完整，但部分引用无法验证；
• 只运行了部分测试，却汇报“全部完成”；
• 成果看起来很专业，但关键数据口径错误。

所以真正有价值的提升不只是“更自信地交付”，而是：

模型能否主动暴露不确定性，指出输入问题，并诚实说明哪些成果还没有经过验证。

Opus 4.8 同时推出了 Dynamic Workflows。Claude Code 可以先规划工作，再运行大量并行子智能体，最后在向用户汇报之前验证输出。

这比单纯多开几个子智能体更接近真正的多智能体系统：

• 子任务之间有依赖关系；
• 后续智能体读取前序成果；
• 审核智能体检查错误；
• 执行智能体根据反馈修改；
• 主智能体负责最终验收。

Cursor 联合创始人兼 CEO Michael Truell 在 Anthropic 的发布材料中评价，Opus 4.8 在 CursorBench 上比此前的 Opus 模型更好，工具调用步骤更少，也更容易把端到端任务做完。

Cognition 联合创始人兼 CEO Scott Wu 则强调，它在无人监督工程任务中更稳定地使用工具和遵循指令。

需要说明的是，这些属于 Anthropic 选择展示的早期合作方反馈，并非完全独立的横评结果。但它们透露了 Agent 产品开发者真正关心的指标：

不是模型这次说得多漂亮，而是能否稳定、持续、少出错地把工作交付出来。

3. Grok：从实时搜索，转向速度、工具调用与真实开发数据闭环

Grok 的产品历史更短，但最近几代的变化非常明显。

Grok 4：原生工具和实时信息

2025 年 7 月发布的 Grok 4，已经将实时搜索和原生工具调用作为核心能力。

Grok 早期最大的差异化来自 X 平台和实时信息，但到了 Grok 4，xAI 已经开始明确向推理、工具和 Agent 方向扩展。

Grok 4.1 Fast：先把 Agent 的速度和成本做下来

2025 年 11 月发布的 Grok 4.1 Fast，把重点放在三个词上：

• 工具调用；
• 推理速度；
• 成本效率。

xAI 在发布材料中直接指出，随着 Agent 开始规划更长的任务并独立运行，模型不能只提供高能力，还必须兼顾速度和成本。

这是一个非常现实的转向。

当模型只回答一个问题时，每次多消耗几千 Token 可能并不明显；但当 Agent 每天自动执行数百次任务、调用几十个工具时，成本和延迟会成为决定产品能否成立的关键。

Grok 4.5：与 Cursor 共同训练

2026 年 7 月的 Grok 4.5，最值得关注的并不只是榜单分数，而是官方明确表示它与 Cursor 共同训练。

Cursor 是当前最重要的 AI 编程工具之一。其联合创始人兼 CEO Michael Truell 在 2026 年提出，AI 软件开发正在进入“第三个时代”：

1. 第一阶段是代码补全；
2. 第二阶段是开发者与 Agent 实时对话；
3. 第三阶段则是 Agent 在更少人工干预下，独立处理更大、持续更久的任务。

Cursor 掌握的真实开发信号包括：

• 哪段代码补全被接受；
• 哪次修改被撤销；
• 哪个任务最终通过测试；
• 用户在哪一步接管；
• 哪些工具调用没有价值；
• 什么样的任务拆解方式更容易成功。

如果这些反馈经过合规处理后用于训练和评估，模型的发展方式就会发生变化：

不再是先训练一个通用模型，再想办法把它塞进开发工具；而是让真实工具中的任务、失败和用户选择，反过来训练一个更适合该工具的模型。

这构成了一个很强的产品闭环：

更适合开发工作的模型

↓

更好用的编程产品

↓

更多真实开发任务

↓

更高质量的行为反馈

↓

下一代更适合产品的模型

Grok 4.5 的意义，可能不只在于它这一代是否已经全面领先，而在于 xAI 开始尝试把模型训练、开发环境和真实用户反馈连接起来。

二、模型明明在进步，为什么用户的体感却不强？

一个重要原因是，很多常见任务已经跨过了“基础可用”的门槛。

假设让模型完成一个普通网站：

• 较早的模型可能完全做不出来；
• 后来的模型能生成代码，但无法运行；
• 再后来的模型可以运行，但需要多轮修复；
• 现在的顶尖模型，通常第一次或第二次就能完成主体功能。

当成功率从 20% 提升到 70% 时，用户会感受到明显跨越。

但当成功率从 80% 提升到 88% 时，用户看到的可能依然只是：

两个模型都把网站做出来了。

真正发生的提升被隐藏在结果背后：

• 少运行了几次命令；
• 少重复读取了一些文件；
• 工具失败后没有直接停止；
• 少遗漏了几个边界条件；
• 使用了更少的 Token；
• 长任务中少跑偏了一次；
• 更愿意承认某项结果没有验证；
• 生成文件后真的打开检查了一遍。

这些变化对企业和重度用户非常重要，却不像“从不会写代码到会写代码”那样容易被普通用户察觉。

因此，我们正在进入一个新的阶段：

大模型的基础能力仍然在提升，但竞争重点正在从创造明显的新能力，转向提高已有能力的覆盖率、持续时间、可靠性和经济性。

三、当模型已经会工作，它们开始发展什么？

1. 从完成一道题，转向独立完成一个长任务

研究前沿 AI 能力与风险的非营利研究机构 METR，提出了“任务完成时间跨度”的评价方法。

它不是只问模型能否答对一道题，而是先估算一个人类专家完成某项任务需要多长时间，再测试 AI Agent 在不同任务长度下的成功率。

所谓“50% 时间跨度”，就是模型有一半概率可以独立完成的人类工作时长。

这个指标比单题跑分更接近真实工作：

• 模型能稳定工作 10 分钟，还是几个小时？
• 中断后能不能恢复？
• 会不会忘记原始目标？
• 能否维护项目状态？
• 工具报错后能否换方案？
• 最后能不能自行测试和验收？

METR 也提醒，这类测评不能直接等同于所有现实工作。现实项目通常更加模糊，沟通成本更高，也没有清晰的自动判分标准。

但它揭示了一个重要趋势：

模型能力的增长，越来越体现在它可以独立承担多长、多复杂的任务，而不只是一次回答的质量。

Michael Truell 将这种变化称为 AI 软件开发的“第三个时代”：Agent 可以在更少人类指导下，独立处理更大的工作，并通过云端运行、过程记录和最终产物回传给人类验收。

2. 从提示词工程，转向上下文工程

模型要持续工作，限制它的并不只是智力，还有上下文。

即使上下文窗口达到 100 万 Token，也不意味着把所有资料、代码、日志和聊天记录都塞进去，模型就能始终保持清醒。

一个成熟的 Agent 系统需要持续决定：

• 哪些信息应该保留；
• 哪些历史应该压缩；
• 哪些文件应该按需读取；
• 哪些任务需要隔离上下文；
• 如何记录尚未解决的问题；
• 如何让新的子智能体接手前面的工作。

这也是为什么当前 Coding Agent 越来越强调：

• AGENTS.md 一类项目规则文件；
• 阶段性工作记录；
• 长期记忆；
• Skills；
• MCP 工具；
• 中间文件；
• 任务状态；
• 验收清单。

过去，用户主要研究怎样写一句更好的提示词。

未来，用户和开发者更需要设计的是：

模型在每一步应该看到什么、暂时忘记什么、可以调用什么，以及如何继承前面的工作。

3. 从工具数量，转向模型与工具的深度适配

给模型接入搜索、终端、浏览器和文件系统，已经不算困难。

真正的差距在于：

• 模型是否知道什么时候应该使用工具；
• 能不能选择正确的工具；
• 是否会处理工具返回的大量信息；
• 会不会重复搜索和重复读文件；
• 工具失败后能否恢复；
• 能否确认操作真的成功。

一个看起来非常忙的 Agent，不一定真的高效。

它可能进行了几十次搜索、读取了大量无关文件、不断重复运行命令，最终却只产出一份普通结果。

GPT-5.6 的 Programmatic Tool Calling 代表了另一种方向：模型可以先编写一段执行逻辑，再利用程序对大量工具结果进行循环、筛选、聚合和条件处理，只把真正重要的内容带回主上下文。

未来模型和工具的关系可能从：

模型每想一步，就调用一次工具。

转变为：

模型先设计一套执行程序，再让程序批量操作工具，最后分析整理后的结果。

这不只是模型能力升级，也是 Agent 运行环境、API 和工具协议一起升级。

4. 从多个智能体同时工作，转向真正协作

GPT-5.6 的 Ultra 模式会协调多个智能体并行执行复杂任务。

我的实测也证明，并行调度确实可以显著提高单位自然时间内的产出：多个子智能体同时处理 3D 页面、官网、游戏和长程资料任务，不到 50 分钟便完成四套交付，同时生成了报告、评分卡、执行手册、PPT、验收清单和总览页面。代价是，这段时间内总共消耗了 3 次“5 小时额度”。

但这最多证明了高并发和高吞吐能力。

三个智能体分别完成三个互不相关的任务，本质上相当于同时启动三个模型实例。相比顺序执行，它主要减少的是自然时间，不一定提高任何一个成果的质量。

真正的多智能体协作应该类似：

研究智能体收集权威资料

↓

分析智能体建立框架

↓

执行智能体完成初稿或产品

↓

审查智能体发现事实、代码和设计问题

↓

执行智能体根据反馈重新修改

↓

主智能体统一测试和验收

关键不是界面中出现了多少个智能体头像，而是有没有：

• 前后依赖；
• 成果传递；
• 专业分工；
• 交叉审核；
• 反馈回写；
• 冲突处理；
• 最终统一验收。

因此，多智能体真正的价值不是把 Token 烧得更快，而是：

能否通过不同角色、不同上下文和不同验证路径，把同一个成果做得比单智能体更好。

如果第四个长程任务最终仍由一个智能体从头做到尾，那么最多只能说明 GPT-5.6 擅长并行处理多个独立任务，不能证明它默认具有明显的协作倾向。

如果明确要求后，它能够让研究、写作、核验、设计和审校智能体共同迭代同一份成果，则可以进一步证明它具备协作能力，但默认策略仍然偏保守。

5. 从“能做出来”，转向可靠和诚实

模型已经能够完成大量任务后，最危险的问题不再是完全不会，而是：

• 做错了却不知道；
• 没完成却说已经完成；
• 引用了不存在的资料；
• 只运行部分测试却说全部通过；
• 把“尝试过”描述成“已经交付”；
• 生成了文件，却从未真正打开检查。

这也是为什么 Opus 4.8 会把诚实、自我检查和判断力放在核心位置。

到了真实生产环境，最好的模型不一定是永远说“完成了”的模型，而可能是那个愿意告诉你：

主要功能已经完成，但这三个边界条件尚未验证，下面是建议的检查方法。

当 AI 开始处理法律、金融、医疗、代码库和企业运营任务时，这种诚实甚至比输出风格更加重要。

6. 从每百万 Token 价格，转向每个有效交付物的成本

GPT-5.6 的官方宣传重点之一，是“从每个 Token 中获得更多有效工作”。

但这与我的测试中不到 50 分钟消耗完 3 次“5 小时额度”并不矛盾。

官方讨论的通常是：

完成同一个任务时，新模型需要的 Token 是否更少。

我的测试观察的是：

同时启动多个智能体和多个任务时，总计算量累积得有多快。

假设多个任务分别都需要较长的执行时间：

• 顺序执行时，自然等待时间会不断累加；
• 多个子智能体并行时，自然时间可以被大幅压缩；
• 但各条执行链仍然分别消耗计算额度，还会增加协调、读取、验证和汇总成本。

这次测试正体现了这种交换：不到 50 分钟完成四项任务和一批附加报告，但代价是迅速消耗了 3 次“5 小时额度”。

因此，GPT-5.6 可能同时具备两个特征：

• 单项任务的 Token 效率比前代更高；
• 多智能体并行时，订阅额度消耗非常激进。

未来企业和重度用户真正关心的指标会从“每百万 Token 多少钱”，转向：

• 完成一次真实任务总共花多少钱；
• 第一次执行成功率是多少；
• 需要多少次人工接管；
• 返工需要多久；
• 最终成果能否直接投入使用；
• 并行智能体有没有真正提高质量。

过去比较的是每百万 Token 的价格。

未来比较的可能是：

每个有效交付物的总成本。

7. 从生成代码，转向检查真实成品

当前模型已经很会生成代码，但“代码写出来”不等于“产品做好了”。

一个完整的 Agent 应该继续检查：

• 页面是否真的渲染；
• 按钮是否有效；
• 图片有没有加载失败；
• 移动端是否错位；
• 表格公式是否正确；
• PPT 是否遵循模板；
• Word 和 PDF 是否能正常打开；
• 代码测试是否真正通过。

GPT-5.6 官方特别强调了电脑操作和渲染后检查能力：模型不只生成前端代码，还可以查看最终页面，再修复视觉和功能问题。

这条方向是对的。

但从我的第一轮测试看，它的工程完成度仍然明显高于艺术完成度。

页面通常比较整洁，信息结构也较清楚，但容易出现：

• 模板感；
• 缺少品牌识别；
• 字体和间距安全却普通；
• 3D 结构基本正确但不够精致；
• 游戏能玩，但更像功能原型；
• 缺少专业设计师对素材、节奏和视觉焦点的取舍。

更准确的评价是：

GPT-5.6 更像一位执行力很强的全栈工程师，还不是一位稳定、成熟的艺术总监。

8. 从通用模型，转向模型、产品和真实反馈闭环

Grok 4.5 与 Cursor 共同训练，是这轮模型更新中非常值得关注的信号。

未来的模型竞争可能不再只是：

• 谁拥有更多参数；
• 谁训练时间更长；
• 谁在公开跑分上领先。

更重要的可能是：

• 谁拥有真实工作入口；
• 谁掌握高质量的用户反馈；
• 谁能够把工具执行结果变成训练信号；
• 谁能建立模型、产品和数据之间的闭环。

OpenAI 拥有 ChatGPT、Codex、Work、Microsoft 365 等入口。

Anthropic 拥有 Claude Code，并通过 Cursor、Cognition、Notion、Databricks 等 Agent 产品获得大量真实工作场景。

xAI 则开始通过与 Cursor 的联合训练，把 Grok 更直接地放入开发环境。

当基础模型差距逐渐缩小时，产品环境和反馈数据可能成为新的护城河。

四、三家厂商，正在选择不同的突出路线

如果把目前三家的方向做一个简化概括，可以这样理解：

这并不意味着三家公司只发展其中一个方向。

OpenAI 同样重视可靠性，Anthropic 同样使用并行子智能体，Grok 也在提高通用推理和知识工作能力。

区别在于，它们目前选择用什么作为最突出的产品叙事。

三家的共同点则更加明确：

没有一家仍然只把“更会聊天”作为旗舰模型最重要的卖点。

五、以后评价新模型，可能需要换一套标准

当顶尖模型已经普遍能够完成基础编码和办公任务，再用“它能不能写一个网页”评价模型，区分度会越来越低。

更值得记录的指标包括：

未来的模型测评，应该越来越像项目验收，而不是考试排名。

结语：下一轮竞争，单位不再只是模型

GPT-5.6 没有让我在每个单项成果上都产生明显的跨代感，但它在整体执行效率上给出了非常鲜明的表现。

从单项能力看，它仍然是在做 GPT-5.5 已经能够完成的事情：写代码、搭网站、开发小游戏、搜索资料和生成文档。真正明显的变化在于系统吞吐量：它可以在不到 50 分钟的自然时间里并行完成四套任务，并主动补充报告、评分卡、执行手册、PPT、验收清单和总览页面。

因此，这次测试最明确的优点是速度极快、工具使用积极、交付和汇报意识强；最明确的问题则是额度消耗很快，以及不同任务之间的视觉水平不均衡。品牌官网已经相当成熟，但网页游戏美术和 3D 精细度仍需专业设计补足。多个子智能体同时运行，也主要体现了并行生产能力，是否能围绕同一个成果进行深度协作，仍需要单独测试。

如果只盯着最终截图，很容易得出“升级并不大”的结论。

但从模型背后的运行方式看，变化其实已经发生：

• GPT-5.6 试图利用多档模型、更多推理预算、程序化工具调用和并行智能体，提高单位时间内的产出；
• Opus 4.8 将重点放在长任务、工具稳定性、验证和诚实上；
• Grok 4.5 则尝试把模型训练与 Cursor 的真实开发环境连接起来。

它们竞争的对象正在从一个孤立的模型，扩展为一整套系统：

模型、工具、上下文、记忆、运行环境、子智能体、验证机制、成本控制和真实反馈数据。

用户之所以没有感觉模型突然变聪明，可能是因为厂商已经把大量进步投入到了不容易从一轮对话中看到，却真正决定生产力的地方。

下一代模型真正需要解决的问题，不再只是：

这个问题它会不会回答？

而是：

它能否在较少监督下，正确使用工具、持续完成工作、发现自己的错误，并以可以接受的成本交付真正可用的成果？

当模型已经基本会工作，竞争才刚刚从模型本身，走向整个工作系统。

参考资料

说明：模型厂商发布页包含官方自测数据以及使用了部分其他博主的测评案例，适合用于理解产品定位和发展路线，但不应被视为完全独立的横向评测。文中有关 GPT-5.6 的使用体验来自作者实际测试。

1. OpenAI，《Introducing GPT-5.3-Codex》 https://openai.com/index/introducing-gpt-5-3-codex/
2. OpenAI，《Introducing GPT-5.4》 https://openai.com/index/introducing-gpt-5-4/
3. OpenAI，《Introducing GPT-5.5》 https://openai.com/index/introducing-gpt-5-5/
4. OpenAI，《GPT-5.6： Frontier intelligence that scales with your ambition》 https://openai.com/index/gpt-5-6/
5. Anthropic，《Introducing Claude 4》 https://www.anthropic.com/news/claude-4
6. Anthropic，《Introducing Claude Opus 4.5》 https://www.anthropic.com/news/claude-opus-4-5
7. Anthropic，《Introducing Claude Opus 4.6》 https://www.anthropic.com/news/claude-opus-4-6
8. Anthropic，《Introducing Claude Opus 4.7》 https://www.anthropic.com/news/claude-opus-4-7
9. Anthropic，《Introducing Claude Opus 4.8》 https://www.anthropic.com/news/claude-opus-4-8
10. SpaceXAI，《Grok 4》 https://x.ai/news/grok-4
11. SpaceXAI，《Grok 4.1 Fast and Agent Tools API》 https://x.ai/news/grok-4-1-fast
12. SpaceXAI，《Introducing Grok 4.5》 https://x.ai/news/grok-4-5
13. METR，《Task-Completion Time Horizons of Frontier AI Models》 https://metr.org/time-horizons/
14. Michael Truell，《The third era of AI software development》 https://cursor.com/blog/third-era