如题，一觉醒来，外国的 AI 圈太热闹了。想追热点都不知道追哪个！
用一句话概括的话就是：GPT 5.6 来了，Codex 没了，Claude 重置了，小扎居然发推特了，为了宣传它们家的新模型 Muse！
就这种更新节奏，根本玩不过来！
我本来是安心在测 Fable 5 的，想着 Token 用完了，我也就可以休息了，没想到今天又重置了。
AI 一天，人间一年，一天一变。今天之后，模型该怎么选？ 说实话现在的模型测试也非常难测！只有深入场景才可以做区分。
今天先来看个热闹吧，最后给大家一个不同场景如何选择的参照表⌚️！
1、客户端的变化
我们先来看直接的部分，就是你手里的软件发生了一些变化。
因为 Fable 5 的事情，GPT 5.6 也是被审查了一阵子。今天终于来了，我本身并不期待 5.6 更新，因为这只是一个 +0.1 的更新，没意思。但是这次 OpenAI 调整的还是挺大的！
早上一起来 ChatGPT 里多了个 Work：
然后 5.6 的模型也可以选择了，而且只有这个模式下才可以选择 5.6 的模型！
Chat 模式下面只有 GPT 5.5！
看似一个很小的变动，其实对 OpenAI 来说意义重大，它们的 ChatGPT 之前就有 8 亿用户，但是大部分在用 Chat 功能，现在终于在核心应用中插入了 Work 功能。
不光 ChatGPT 客户端变了，Codex 也变了，应该说已经没有 Codex 这个应用了！
现在的名字叫 ChatGPT（Codex） ！
对 Codex 用户来说，变化并不是很大，核心功能还是一样的！
就是左边菜单有了一些调整，目前一级菜单是：使用情况，宠物，邀请好友，设置！OpenAI 现在是唯一一个有邀请好友的国外 AI 模型工具吧！OpenAI 特别想占领大众领域。 （要不要来一个邮件地址，我邀请你们，我们共享经验！哈哈）
国外这些“辣鸡”产品，天天夸他们，也不给我点提成！
OpenAI 这搞来搞去，搞出了“双日凌空”的效果！
这下好了，电脑上有两个一模一样的图标了，只能排序去判断了，或者可以把其中一个卸载掉了，卸载哪个比较好呢？
2、GPT-5.6的特点
以我的经验来看，GPT 5.6 大概率不会大幅提升它的编程能力，而是会提升它的智能体能力。它的前端应该也没有太多可以测试的空间。
我就直接用它的 Work 功能来总结一下 GPT 5.6 的特点吧。也算是一个智能体小测试了！
我选择了 GPT 5.6 Sol 高模式：
它提到了：
GPT‑5.6 是 OpenAI 在 2026 年 7 月 9 日正式发布的新一代模型家族。它不是单纯提升聊天能力，而是明显朝着“长时间自主干活的智能体模型”发展。
这种描述我实在是听太多了，哈哈！
三个版本：
| 模型 | 定位 | API 输入/输出价格 |
|---|---|---|
| GPT‑5.6 Sol | 旗舰，复杂编程、研究、专业工作 | 30 |
| GPT‑5.6 Terra | 性能与成本平衡 | 15 |
| GPT‑5.6 Luna | 最快、最便宜，适合高并发 | 6 |
看着这个表格，有一种非常熟悉的味道！心中默念：Opus，Sonnet，Haiku！
核心特点：
编程能力很强
Sol 是目前 OpenAI 最强的编程模型：
- Terminal-Bench 2.1：88.8%
- Ultra 多智能体模式：91.9%
- DeepSWE：72.7%
- SWE-Bench Pro：64.6%
它的优势更偏向终端操作、复杂工程、工具调用和长时间持续执行，而不只是生成单段代码！
原生多智能体能力
新增 ultra 模式，默认协调四个智能体并行工作，最后统一汇总结果。
比较适合：
- 大型项目分析
- 多模块并行开发
- 复杂研究任务
- 安全审计
- 同时搜索、编码、测试和验证
max 是单模型投入更多推理时间；ultra 则是多个智能体并行执行。
工具调用更加智能
GPT‑5.6 支持 Programmatic Tool Calling，可以自己编写一段 JavaScript 来组织多个工具调用，执行循环、并行请求、过滤中间结果。
这能显著减少“模型调用工具一次 → 返回结果 → 再思考 → 再调用”的往返次数，尤其适合智能体和自动化系统。
上下文很大
- 上下文窗口：约 105 万 Token
- 最大输出：128K Token
- 知识截止时间：2026 年 2 月 16 日
- 支持文本和图片输入、文本输出
实际上已经可以一次读取大型代码仓库、数百份文档或者几部长篇小说。但官方长上下文测试显示，Sol 在 512K 到 1M 区间的准确率仍会下降到约 73.8%，所以“能装进去”不等于“完全不会遗漏”。
前端和设计能力明显增强
GPT‑5.6 不只生成网页代码，还会检查渲染结果、调整布局、层级、字体、间距和交互。OpenAI 特别强调它在前端、PPT、文档和电子表格上的设计判断力。
这一点对你做小游戏、产品原型、公众号视觉素材和完整 Web 项目会比较有价值。
Token 效率更高
Sol 的单价和 GPT‑5.5 基本一样，但完成任务时通常需要更少的输出 Token、更少的工具调用和更少的步骤。也就是说，它不是单价降低，而是完成同一件事的总成本可能更低。
缓存机制增强
支持显式指定缓存断点，缓存最少保留 30 分钟：
- 缓存写入：正常输入价格的 1.25 倍
- 缓存读取：输入价格降低 90%
对长系统提示词、大型代码库和重复智能体任务比较实用。
这个介绍应该还是比较清晰明了的！也是属于全部都要的状态，针对不同场景进行优化，然后大幅提升稳定性、效率，优化成本。
总的来说，GPT 是一个非常全面的 AI 助手。
3、Claude 重置配额！
OpenAI 开始毫不掩饰地借鉴模仿 Claude 的分类方式和它们家的 Cowork！
Claude 也毫不犹豫地借鉴 OpenAI 的营销方式：重置配额！
神仙打架，我们吃瓜！一起吃个瓜的还有 Tibe 同志。他表示闻到了：一丝恐惧的味道！
Tibe 是 Codex & ChatGPT 的负责人，在 X 上非常活跃，天天喊重置的就是他了。现在看着 ClaudeDev 也这么玩，他就去嘲讽了一番。
挺好的！
只能说“竞争”对用户来说是个极好的东西！
又可以免费白嫖 Fable 5 的几千美金了！又可以免费用上 GPT 5.6 了（我说的免费是针对订阅用户，无需额外支付！）
4、Meta 也来凑热闹了
Meta 之前的 Llama 对开源模型影响深远，但是自己却被吸干了，日渐疲弱！后来又搞了闭源模型，好像都没人提起了。但是这几天突然就扔出了一个新模型。
扎克伯格那十多年不更新的 X 账号也更新了，太难得了：
扎克伯格最早是 2009 注册了推特（我们是一波啊，人生啊差距啊）！
发了一些很抽象的内容之后，就没有发了，三年后发了一条“引流贴”之后销声匿迹 11 年，然后2023年发了一张图片
这个图的梗应该是Threads和X 的梗！
发完这个然后又消失了，再次出现就是这一次了，然后一口气发了好几条！
实在是非常难得，作为一个社交巨头，为了推广自家的 AI 模型，在对家的平台发布更新通知了。小扎这么久不发推肯定是憋着一口气，现在这口气散了！
小扎是这么介绍它家新模型的：
Muse Spark 1.1 在代理性能、工具使用和计算机使用方面表现最强。它在具有 100 万令牌上下文窗口的长时运行任务上表现出色，能够将执行任务委托给并行运行的子代理，并且经过训练能够在桌面、移动设备或浏览器上使用计算机界面。
我就说吧，这些描述我的眼睛都听出老茧了！ 几乎是所有模型更新的统一表述！
看一下具体的基准数据：
它在 Coding 方面并不领先，在 Agent 部分有一些亮点！
主要有四个基准超过了 Opus 4.8 和 GPT 5.5，我做了一个图片，便于大家理解。
当然，它这个表格里没有 GPT 5.6 Sol 和 Fable 5 这两个最强的模型！
Meta 大概就是这个水平了，都已经开始考虑出租显卡了。
5、排排队看身高！
最近一下子更新了好几个模型，我觉得有必要来理一理，哪些模型擅长什么。因为还没全部测试，我们就先来对比基准数据吧。国外的模型可能也会刷基准，但是整体来说可信度还可以。
| 场景 | Benchmark | 主要测试内容 | Sol | Fable 5 | Opus 4.8 | Muse 1.1 | Grok 4.5 |
|---|---|---|---|---|---|---|---|
| 🧠 综合能力 | Artificial Analysis Intelligence Index | 推理、科学、编程、智能体综合能力 | 58.9 | 🥇 59.9 | 55.7 | — | 54 |
| 📊 专业工作 | GDPval-AA v2 | 文档、表格、PPT 等职业交付物 | 1747.8 | 🥇 1759.6 | 1600.1 | 1381 | 1543 |
| 💻 编程智能体 | Coding Agent Index | 代码修改、终端、代码库理解 | 🥇 80.0 | 77.2 | 72.5 | — | 76 |
| 🐛 代码修复 | SWE-Bench Pro | 在大型真实仓库中定位并修复 Bug | 64.6% | 🥇 80.0% | 69.2% | 61.5% | 64.7% |
| 🏗️ 长程开发 | DeepSWE v1.1 | 长时间完成真实软件工程任务 | 🥇 72.7% | 69.7% | 59.0% | 53.3% | 53.0% |
| ⌨️ 终端操作 | Terminal-Bench 2.1 | 通过命令行完成复杂多步骤任务 | 🥇 88.8% | 83.1% | 78.9% | 80.0% | 83.3% |
| 🖥️ 电脑操作 | OSWorld 2.0 | 操作真实桌面软件完成长工作流 | 🥇 62.6% | — | 54.8% | 47.3% | — |
| 🛠️ 工具调用 | Toolathlon | 调用大量真实工具完成复杂任务 | 58.0% | 🥇 61.7% | 59.9% | — | — |
| 🔬 科学推理 | GPQA Diamond | 研究生级科学知识与推理 | 🥇 94.6% | 92.6% | 92.0% | — | — |
| 🧮 极难数学 | FrontierMath Tier 4 | 前沿级高难度数学问题 | 83.0% | 🥇 87.8% | 56.1% | — | — |
| 🩺 医疗专业 | HealthBench Professional | 专业医疗分析和回答质量 | 60.5% | 🥇 60.9% | 53.0% | 59.3% | — |
| 📄 PDF理解 | gdp.pdf | 复杂PDF中的文字、图表与数据理解 | 🥇 30.7% | 29.8% | 22.5% | — | — |
这个 TOP 榜单基本上被 Fable 和 Sol 给占了。
当然实际使用的时候，我们不一定会选这些顶级模型，一方面是够用就行，一方面是价格因素。
当然也有很多像我这样的人，就喜欢有最强的。
我也做了一个专门的图片方便大家理解和选择！
这是 GPT 5.6 做的总结和图片。数据全是准确的，但是在具体描述层面有可能会偏向自家模型！
最后总结，我是比较认同的：SOL强在执行，Fable强在攻坚，Grok强在性价比！
大概就是这样了！
OpenAI 和 Anthropic 就是 AI 模型行业的两座大山，已经无人可以翻越，其他公司只能偏安一隅！
