GPT-5.6 今天正式发布，全网都在喊"编程碾压 Claude"。我把 OpenAI 官方放出来的跑分和他们没放出来的跑分全部看了一遍。结论可能和你想的不一样。
GPT-5.6 的编程能力，确实强
先把事实摆出来，不带情绪。
GPT-5.6 分三个档次：Sol（旗舰）、Terra（性价比）、Luna（轻量）。同时 Codex 正式并入 ChatGPT，不再是独立产品——以后在 ChatGPT 里就能直接写代码、跑 Agent 任务。
编程相关的核心跑分：
| 基准测试 | GPT-5.6 Sol | 对比 |
|---|---|---|
| Coding Agent Index | 80 分 | 超 Fable 5 的 77.2，高出 2.8 分 |
| Terminal-Bench 2.1 | 88.8% | 多步命令行任务：规划+工具调用+执行 |
| Agents' Last Exam | 53.6 分 | 超 Fable 5 达 13.1 个百分点 |
| ExploitBench（安全） | 73.5% | GPT-5.5 仅 47.9%，提升巨大 |
Token 效率提升 54%——同样的任务，Sol 的输出 Token 只有 Fable 5 的一半，耗时也是后者的一半。
输入价格 30/百万 Token。
这些数据是真的。OpenAI 这次在 AI Agent 编排和编程规划上确实做了一次大的飞跃。
如果你只看到这里，你大概会得出"该换了"的结论。
但你不该只看到这里。
OpenAI 没放出来的那张成绩单
打开 OpenAI 的官方博客，你会看到一张精心设计的跑分对比图。Coding Agent Index、Terminal-Bench、Agents' Last Exam……每一项 Sol 都遥遥领先。
但有一项跑分，OpenAI 选择性地没放进那张图里。
SWE-Bench Pro。
SWE-Bench Pro 是目前业界公认最贴近真实编程场景的基准测试。它不是让模型做算法题或者写独立函数——而是让模型在真实的开源项目中修复真实的 Bug。跨文件理解、上下文追踪、增量修改，全都要考。
GPT-5.6 Sol 在 SWE-Bench Pro 上的成绩：
64.6%
Claude 的成绩：
80%
差距不是 2.8 分，是 15.4 个百分点。而且方向反过来了——在这项测试上，Claude 碾压 GPT-5.6。
Reddit 社区很快就发现了这个问题，有人直接评论：
"They conveniently left out SWE-Bench Pro from that chart." （他们很"巧妙"地把 SWE-Bench Pro 从那张图里去掉了。）
独立评测机构 BenchLM 的分析也指出：
"The single biggest benchmark swing on the page is SWE-bench Pro, 80% to 64.6%." （整个对比页面上最大的跑分反转就是 SWE-Bench Pro。）
这意味着什么？
简单说：Coding Agent Index 测的是"AI 能不能按指令写代码"，SWE-Bench Pro 测的是"AI 能不能在真实项目里找到问题、理解上下文、精准修改代码"。
前者是考场，后者是战场。
跑分碾压的是考场成绩。战场上的差距，反而拉大了。
实测用户怎么说
如果只是跑分差异，也许还能归结为"测试侧重点不同"。但第一批实测用户的反馈，让问题变得更实际。
额度消耗快到让人心疼
一位 $200/月 Pro 套餐用户的实测数据：
"5 小时额度花了 20%，周额度大概花了 2-3%。"
多篇实测文章和评论区的共识：Agent 模式、多并行任务、Ultra 推理模式，额度消耗极快。 有人形容用着用着就进入了"珍惜模式"——能不问就不问，能用本地小模型先跑的就先跑。
这和"Token 效率提升 54%"矛盾吗？不矛盾——单次调用的 Token 效率确实提高了，但 Sol 的 Agent 模式会自动拉起多个子任务并行处理，总消耗反而更高。
就像买了一辆油耗更低的车，但你开始跑长途了，总加油量还是上去了。
规划强，执行细节翻车
掘金上已经有实测文章，评价基本一致：
"代码审查、跨模块排查这种活确实快。但改一个小文件也拉几个代理，重复看同一段代码，然后一起烧额度。"
另一位评测者的总结更直接：
"规划很强，但执行细节会犯低级错误。"
这和 SWE-Bench Pro 的成绩其实完全吻合——宏观规划能力强（Agents' Last Exam 碾压），但微观代码修改精度不够（SWE-Bench Pro 大幅落后）。
打个比方：GPT-5.6 像一个很会画蓝图的建筑师，但让他亲自砌砖，砌出来的墙不一定是直的。
生态系统：聊天框 vs IDE
GPT-5.6 把 Codex 并入了 ChatGPT。这意味着你在 ChatGPT 的对话框里就能写代码、运行任务、调用工具。
听起来很方便。但对比 Claude Code 的终端深度集成和 Cursor 的 IDE 原生体验——
你是在"用 IDE 写代码"，还是在"用聊天框写代码"？
这个差距不是跑分能衡量的。当你需要在真实项目中增量修改、跨文件调试、和 Git 工作流集成的时候，IDE 级别的工具链成熟度，比聊天框里的 Agent 能力更重要。
完整对比速查表
把所有公开数据放一起看（建议收藏）：
| 维度 | GPT-5.6 Sol | Claude (Fable/Mythos 5) | 谁赢 |
|---|---|---|---|
| Coding Agent Index | 80 | 77.2 | GPT |
| Terminal-Bench 2.1 | 88.8% | — | GPT |
| Agents' Last Exam | 53.6 | 40.5 | GPT |
| SWE-Bench Pro | 64.6% | 80% | Claude |
| ExploitBench | 73.5% | — | GPT |
| 输入价格(/百万Token) | $5 | $3-5 | 接近 |
| 输出价格(/百万Token) | $30 | $15-25 | Claude |
| Token 效率 | +54%(官方) | — | GPT |
| 实际额度消耗 | 快（已被吐槽） | 快（也被吐槽） | 都疼 |
| IDE 集成深度 | ChatGPT 内置 | 终端/IDE 原生 | Claude |
| Agent 规划编排 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | GPT |
| 单文件精准修改 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | Claude |
一句话：GPT-5.6 赢在规划，Claude 赢在执行。
到底该不该换？
不要问"谁更强"，问"什么场景谁更合适"：
| 你的场景 | 建议 | 理由 |
|---|---|---|
| 跨模块重构、架构规划 | 试试 GPT-5.6 Sol | Agent 编排能力确实领先 |
| 日常写代码、改 Bug | 留着 Claude | SWE-Bench Pro 差距 15 个点，精准修改更强 |
| 后端 API 集成调用 | GPT-5.6 Terra | 便宜，够用 |
| 团队已有 Claude Code 工作流 | 别急着换 | 迁移成本 > 跑分差距 |
| 安全审计、渗透测试 | GPT-5.6 Sol | ExploitBench 碾压级优势 |
| 预算敏感、怕烧额度 | Claude 中端模型 | Sol 的 Agent 模式额度消耗快 |
| 写独立脚本、自动化任务 | 都行，各试一次 | 差距不大 |
我的结论
GPT-5.6 在 AI Agent 规划和编排能力上确实超了 Claude。Agents' Last Exam 领先 13 个点不是注水。
但在"实际改代码"这件事上——跨文件理解、精准定位、增量修改——Claude 的优势不但没缩小，反而从 SWE-Bench Pro 的数据来看，差距拉得更大了。
OpenAI 的官方图表选择性地展示了自己赢的那几项基准测试。我不评价动机，但结论很清楚：
看你想看的那张表，还是看全部的表——结论完全不同。
你今天试 GPT-5.6 了吗？编程体验比 Claude 好还是差？评论区说说。
