8.0
深览指数
科技人人都是产品经理·礼乐昇··AI 生成
模型已经会工作了，为什么还要继续升级？
作者通过实测 GPT-5.6 在 50 分钟内并行完成四项真实交付任务，论证了顶尖大模型的竞争重点已从「单次回答质量」转向「系统级能力」：更长的任务执行时间、工具深度适配、多智能体协调、上下文管理、可靠性与成本效率。文章梳理了 OpenAI、Anthropic、xAI 三家近期模型演进路线，指出用户体感不强的原因在于基础能力已跨过可用门槛，进步更多体现在成功率、Token 效率和交付系统的隐性提升。适合关注 AI 产业趋势、Agent 产品设计、模型评测方法论的高阶读者。原文 ↗
核心观点
- ▍GPT-5.6 的进步不在于每个单项成果的跨代提升，而在于系统吞吐量：不到 50 分钟并行完成四项任务并主动生成报告、验收材料与统一入口，体现的是交付意识与系统级能力。
- ▍当前顶尖模型竞争已从模型能力转向工作系统竞争：模型、工具、上下文、运行环境、子智能体、验证机制、成本控制与真实反馈数据的综合系统。
- 01GPT-5.6 实测：四项任务（3D 交互页面、品牌官网、网页游戏、长程 Agent 任务）在不到 50 分钟内完成，消耗 3 轮「5 小时使用额度」，并行调度多个子智能体执行。
- 02GPT-5.6 最终生成物包括：4 套测试提示词、3 个可运行网页、Markdown/DOCX/PDF 报告、CSV 评分卡、4 周执行手册、8 页 PPT、交互式评测记分板、验收清单与统一 HTML 总入口。
- 03GPT-5.6 产品拆分为三个层级：Sol（旗舰）、Terra（主力）、Luna（快速）；API 引入 Programmatic Tool Calling（内存中编写并运行程序批量协调工具）和 Multi-agent（并发运行子智能体）。
- 04OpenAI 模型演进：GPT-5.3-Codex 专注长程编码 → GPT-5.4 并入主线并强化电脑操作 → GPT-5.5 强调持续性与完整执行 → GPT-5.6 引入计算预算、多智能体并行、程序化工具调用。
- 05Anthropic 模型演进：Claude Opus 4 强调持续工作 → Opus 4.5 提高代码质量与 Token 效率 → Opus 4.6 强调长上下文与子智能体 → Opus 4.7 减少工具错误 → Opus 4.8 将「诚实」与 Dynamic Workflows 作为核心卖点。
- 06Anthropic 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；并推出 Dynamic Workflows：先规划、再运行并行子智能体、最后验证输出。
- 07Grok 4.5 与 Cursor 共同训练，利用真实开发信号（代码补全接受率、任务成功率、工具调用质量）形成「模型-产品-反馈」闭环。
- 08METR 提出「任务完成时间跨度」评价方法，模型能力的增长越来越体现在可独立承担多长、多复杂的任务，而不只是一次回答的质量。
反方 / 局限
- — 作者承认 GPT-5.6 的并行调度主要是「多任务并行」而非「多智能体协作」——三个子智能体分别完成互不相关的任务，未围绕同一成果进行交叉审核与反馈迭代，不能证明其默认具有深层协作能力。
- — GPT-5.6 的视觉水平不均衡：品牌官网完成度较高，但网页游戏美术和 3D 精细度仍偏功能原型，作者评价其更像「全栈工程师」而非「艺术总监」。
- — GPT-5.6 多智能体并行导致订阅额度消耗极快——50 分钟消耗 3 次「5 小时额度」，单项 Token 效率提升与总额度激进消耗并存，实际使用成本是需权衡的维度。
GPT-5.6Claude Opus 4.8Grok 4.5OpenAIAnthropicxAICursorMETRMichael TruellProgrammatic Tool CallingDynamic Workflows任务完成时间跨度多智能体协作上下文工程
35 分钟 · 4 卡片 · 11 资料
读原文 →