6.6
深览指数
科技虎嗅·AppSo··AI 生成
63道地狱级难题实测，GPT-5.6把其他AI 甩开了一截
通过 63 道涉及复杂 3D 场景生成的极端提示词，评测了 GPT-5.6 Sol（Ultra 模式）等最新大模型的代码能力。结果显示，GPT-5.6 Sol 在综合效果上显著领先 GPT-5.5、DeepSeek V4 Pro、Gemini 3.5 Thinking 等竞品，生成的 3D 世界细节丰富、运行稳定。但作者也反思了评测的公平性，指出 GPT-5.6 的超长耗时（2 小时以上）和极高 Token 消耗是其领先的关键变量，提醒读者将「模型能力」与「算力投入」分开看待。适合关注 AI 前沿能力评测、大模型应用边界的读者。原文 ↗
核心观点
- ▍在生成复杂 3D 世界这一极端场景下，GPT-5.6 Sol 的表现显著优于 GPT-5.5、DeepSeek V4 Pro 等竞品，其生成的 3D 场景在细节、结构完整性和可运行性上接近人类专业作品（Fable 5）。
- ▍GPT-5.6 Sol 的超长耗时（单个任务 2 小时+）和极高 Token 消耗是其「领先」的核心原因，这使得简单的「模型能力强」论断需要被谨慎对待。
- 01Peter Gostev 公开了 63 道专门为「刁难」AI 设计的 3D 前端提示词，涵盖曼哈顿全岛、梵高星月夜、尼亚加拉瀑布、张家界石林等场景。
- 02GPT-5.6 Sol Ultra 模式默认派出 4 个子智能体并行工作，最多可达 16 个，会先规划项目再拆分任务，由多个 Agent 同时推进并检查返工。
- 03在张家界石林测试中，GPT-5.6 Sol 花费 2 小时 41 分钟完成，效果最佳；GPT-5.5 细节明显减少，Gemini 3.5、DeepSeek V4 Pro 未能准确呈现石林结构，GLM-5.2 效果最差。
- 04在「熊捕获鲑鱼」测试中，GPT-5.6 Sol 生成效果与 Fable 5 在同一水准；DeepSeek V4 Pro 生成页面存在大量 Bug；Gemini 3.5 Thinking 生成了像素方块状的物体。
- 05在太空电梯测试中，GPT-5.6 Sol 使用倒数第二档思考强度（Extra High），耗时 18 分钟完成，效果优于 DeepSeek。
- 06作者测试了 ChatGPT 网页版的 GPT-5.6 Sol（Pro 模式），生成熊捕获鲑鱼的场景花了 40 分钟。
- 07Andrew Karpathy 在评论中对这些 3D 提示词表示极大兴趣，并惊讶于模型如何仅凭文本就理解并生成 3D 坐标与交互。
反方 / 局限
- — 评测存在根本的不公平性：GPT-5.6 Sol 的领先是建立在数倍乃至数十倍的时间和计算资源投入之上的，简单比较最终结果并得出「甩开一截」的结论是片面的。
- — 超长耗时带来的 Token 消耗巨大，对于 Plus 或免费用户而言，一次测试可能消耗大量周额度，不具备实用性与可复现性。
- — 文章测试了多个模型，但未提及 GPT-5.6 Sol 在其他非 3D 编码任务上的表现，样本仅限于极端、娱乐性的 3D 场景生成。
GPT-5.6 SolCodexFable 5Peter GostevAndrew KarpathyThree.jsDeepSeek V4 ProGemini 3.5 ThinkingGLM-5.2Hy3APPSOOpenAI
14 分钟 · 4 卡片 · 10 资料
读原文 →