你还在相信GPT5.6 Terra能用?还在用Sol high一下的也赶紧停停吧

TFone 2026-07-18 01:34 1

事情的开始是我在几年前在海鲜市场买的机械硬盘今天突然坏了，提示无法开机，但我还是根据GPT5.6提示进bios，再进到系统，GPT5.6还让我下载CrystalDiskInfo看看怎么坏的，我下载完后提示如图：

看来是硬盘坏了无疑了，但我还是想尝试修好它，就在我继续问AI后，他居然给我回答一个堪称核爆的回答，如图：

什么，GPT5.6极高档位居然能知道我这块硬盘是假的，我自己用了快5年了都不知道。海鲜市场害人不浅啊，早就听说它们会改型号售卖，果然，但居然没逃过5.6的法眼。

我突然想到，如果拿这个信息去测AI智商会怎么样，刚好手里有Codex话不多说开干！直接上测试结果，如图：

事实证明，GPT5.6sol最低档位为：high

我看站内很多佬说中低档位即可完成日常任务，在我看来连基本的思考都做不到，这种除非指令给的完美或者有明确目标文档，否则什么都做不到。

又有佬要问了：那Terra呢，因为有佬说Terra high = Sol low，所以我从high测吧，但测试后我也大为震惊，上图：

Terra甚至是Max档位连最起码的思考都没有，这种东西能干活？O\居然舔着脸让我们用这种模型干活，我是在是不知道是不是我的问题

又有佬要问了：Grok4.5能不能行呢，怎么便宜的模型，还能注册机注册，有的佬有的，但测试后我也大为震惊，如图：

实际上，这个窗口是在有上下文污染的情况，我还在跑些东西的情况下，Grok high也能搞定，当然了都说grok搜索能力强，这也有可能有这个原因，但比起搜索都懒得搜好多了。

实际上我看Grok思考链路，模型还不止是靠简单的搜索，他会将固件版本拆开搜索拿结果

但我觉得此次测试能准确对比固件版本判断本机硬盘是否是正品，海鲜市场假盘起码不用自己查半天拿结果了，当时我也是懒得查，假盘用了5年，想想就想笑 ^-^

综上，个人认为：

GPT5.6 Sol Max > xhigh > high >= grok4.5 high

GPT5.6 Terra Max > xhigh > high,通通等于豆包

Grok4.5和GPT5.6 Sol high为最小干活模型及其思考等级(未对比模型除外)，建议有Codex账号的佬调整一下

最新回复 (19)

Hifumi Mizuhara 07-18 01:37

1楼

现实干活场景没有你这个情景这么简单，往往有更充分的context，你如果指定要他查这块硬盘的信息什么的，那很多AI都能查，最多算是insight不足
apparition 07-18 01:38

2楼

Grok-4.5 评价好高

幸好我还有几个号能用
TFone 楼主 07-18 01:40

3楼

本质上就是思考的不够，既然我让他判断硬盘真假，为啥它不查 ^-^ 既然Sol low = Terra high的话，不过当前测试看来是真的 ^-^
浅风 07-18 01:42

4楼

感觉和模型知识有关系吧佬让他们网络搜索一下再回答？^-^
Hifumi Mizuhara 07-18 01:43

5楼

模型规模不够世界知识不够意识不到这里有问题自然没有进行搜索的动机

不过在很多开发场景下这不应该是问题，因为佬这个硬盘问题其实属于比较冷门了
DotMint 07-18 01:45

6楼

其实感觉是世界知识方面的问题，编程方面应该是没什么，其他的方面就显得捉襟见肘了，虽然都在嘲笑美国大豆包gemini，但是世界知识是独一档的，模型偏向不一样，训练倾向也不同，所以说就会有各种问题
Nothingeven 07-18 01:46

7楼

我倒觉得题主这种测试方法并不可取而且参考价值很低。

CODEX里面本身编程向而且调用联网并不积极，主要是模型自己的知识库，同时为了提升长coding下的稳定性，一般模型会被调整的更加保守，包括其实回答已经说了大概。事实上这个问题本身完全不能测试出AI的智商。grok信息检索能力就不用多说，如果按题主这么测试，那么gemini或许也可以表现很好，甚至如果不联网，claude fable5也没有办法给出题主想要的答案，或许豆包这种更适合这种测评。以及从正常角度上来说，判断一个盘是否真伪主要还是要结合更多信息来判断，你这种反而像模型把所有可能的东西全都输入了一遍查一查哪些是可疑的。豆包专家模型确定是假货，我已经测试，难道豆包专家比terra max更好？而且小模型或者是terra就是为了减少成本，这种方式反而会增加token消耗
TFone 楼主 07-18 01:47

8楼

实测让他搜索可以回答，但，任务一旦开始，我们做不到暂停让他搜索

其实这就恰恰说明不能完成任务吧
TFone 楼主 07-18 01:49

9楼

那么实战如何取舍呢，难道要考虑到每个任务块的细节吗，就我个人项目而言，很多地方我考虑不周全，根本不会考虑他会不会主动搜索这一块，难道我得增加自己思考量，而不是调高思考等级
Ma Giks 07-18 01:53

10楼

这没啥意义，给你来点小震撼，哈基米完全依靠世界知识就能回答，无需搜索，小哈基米3.5f还是需要搜索打开。
astro_void 07-18 01:54

11楼

纯好奇，就借了楼主的图去测了测 Gemini-3.1-Pro
Nothingeven 07-18 01:54

12楼

实战首先不会遇到这种情况，打个比方你要问这种生活类问题你会去问APP而不是codex或者cc。不过你提到的这个问题就是问题的解。原本是一个模型负责所有内容，现在是很明晰的，具体的任务比这个大得多，最强的模型帮你考虑，比如sol pro，sol max来做方案，具体的工作按照需要的智能度分发，比如很机械的工作给terra甚至lunar，复杂的母agent就给sol。主动搜索因为需要成本而且coding用的少，你可以网页端开web search试试看。事实上codex自己会完成这部分，本质还是agent协作
Q A 07-18 01:55

13楼

Terra从跑分开是性价比最低的一档，所有的档位都有sol或者luna的上位替代。
AkaChou 07-18 01:56

14楼

这个我也感觉是世界知识广度上的差异导致的，至于联网是因为 codex 本来不怎么联网吧，或许你可以使用 api 在 cc 或者 trae 等工具中使用 gpt，结果或许会不一样。不过佬也侧面验证了模型的应用能力的高低，毕竟世界知识也是能力，能够不搜索就给出答案本身就说明好用，而靠搜索才能得出答案的模型，有时候即使喂上下文也不一定能给出需求的实现办法，而且用时也比较久（来回喂数据），从效率和准确度上来说，是否使用较便宜模型还是要做个取舍的。
TFone 楼主 07-18 01:57

15楼

也许能反驳我等于豆包那一块，但本质呢，GPT Terra max为什么没答不上
xiaomao 07-18 01:58

16楼

佬其实说的就是泛化能力，针对code场景特训的模型泛化能力很弱，因为他不理解怎么解决训练集之外的问题，为什么fable强就强在泛化能力遥遥领先。

目前也没有bechmark专业测这方面。
Ma Giks 07-18 01:58

17楼

Gemini无需开搜索就能回答出来
Ma Giks 07-18 01:59

18楼

别尬黑，代码不是全部，一个Terra再怎么也比不了3.1Pro
pacifist 07-18 02:03

19楼

按照这个标准来看不就是说 Gemini 3.1 Pro 强于 Terra 吗 ^-^