GPT5.6 SOL 也就那么回事

你自己做个比 GPT 屌的模型呗

@hrjlhy #1 ？

经典踩一捧一。

@hrjlhy 6

Area 排名（个人认为最接近自己使用感受的排名）刚出来，5.6 xHigh 确实不如 Fable 5 。

@testsb https://arena.ai/leaderboard/text/overall

@1874w 只是根据实际体验做了对比

难怪 5.6 要一拖再拖

个人感觉 sol high 不行，还贼耗 token

https://artificialanalysis.ai/

代码能力还是提升的，相对 gpt5.5 对业务的细节考虑更充分了，但架构设计能力不如 fable5,这个等 gpt6 新底座

模型能力是多边形的，一个人的使用场景根本无法覆盖所有场景，所以根据自己的体验下结论就很尬。

就我个人而言，GPT5.6 的多模态和生图能力是超过 fable 的。。做游戏的素材生成，设计稿还原提升很大。

当然写代码方面相比 5.5 提升很小

指令遵循反而退步了，主动性太高，很容易做出意外的操作。而且真的太慢了，梦回 gpt 5.2 。开 fast 好点，但是额度禁不起烧

@testsb Opus 4.6 简直王中王 API 被下架了😭

这东西就是个弱智，跑了 2 天，我的 100 多个 case 一个都没给我交付，我都不知道他在搞什么。明明一个 case 一个 case 的做，老早就做完了，他倒好，定义这测试那，看着是在做事，昨天一天烧了我 20 亿 token 。我今天等不及了，问他现在交付了几个 case ，好家伙，0/160

目前最好用的 ai

@hero0earth 同感，不知道这货是干啥，每次思考时间都很久。无奈，开了 5.5 继续蹬。慢的让人发指了。现在感觉逼着开多个了，写个提示词，下次执行完估计得一两个小时了。

体感就是慢，是我开思考太高档的原因吗

@testsb #5 Arena 更是最野榜的野榜，完全靠用户的问题打分评价，都没有专业人员设计过确定的题目和确定的输入输出。尤其是 code 的场景，更是完全不贴用户的使用体验。要么是不能很好地考察模型的 agent 能力，而且它的场景基本上都是用户从零开始构建一个工程，和在已经现有的代码库上进行操作完全不同

@FlashEcho #18 Muse Spark 和 Gemini 3 Pro 在 GPT 5.5 和 Opus 4.8 上面就知道有多野了🤣

@testsb #5 gemini pro 能到前排的 接近你使用感受？你只是想找一个 claude 最前的榜单吧

@testsb #6
这个榜里 gemini 排 5.5 前边简直就是搞笑榜了，用过的心里都有数，我就不多说了

@xing7673 @willxiang

https://arena.ai/leaderboard/text/overall 这个是综合能力，就像 #11 楼的朋友说的：

"模型能力是多边形的，一个人的使用场景根本无法覆盖所有场景，所以根据自己的体验下结论就很尬"

你们可能更关注 coding ，得看 https://arena.ai/leaderboard/text/coding

额度消耗的太快了，我一个小任务都做不完就没了

@FlashEcho 榜单评测方法有两面性，我觉得各个榜单有各自的优劣。

Arena 靠用户投票，基本就是大多数人的体感了，因为每个人使用场景不同，所以这种方式优势是测试集多样，相反缺点也是测试集不固定，横向直接比较说服力低，这也是你吐槽的点吧。

而做特定测试集的那些榜单，测试集固定结果清晰，很方便模型的直接横向比较，这是优点，但也不是完美的，因为模型多迭代几代很容易把某些测试变成考卷考试，做针对性优化。

这次 GPT 5.6 据说就针对某些榜单做过针对优化，而且还针对性的改了某些榜单的测试基准。相当于不仅考卷，还自己改了考题。

@dingawm 你忘了 ai 的通用问答场景。claude 系天天抬杠，很多时候给出的答案根本不可用

深度使用一天，fable5 还是明显更强

@hero0earth 太赞同了

高级别很容易就思考过度 然后做一些更复杂的逻辑 结果 token 花了 任务没完成😅

有些任务做很久出不了结果，但是如果是一个比较容易收敛的任务，质量很高。

所以关键就在于，它经常无法自己收敛，有点像数学里的级数或极限，得学会让他自己收敛，避免过度思考。

综合能力用应该是最屌的

sol 实在是太慢了，开 fast 都很慢，有种早期 GPT 5 xhigh 的感觉。而且经常会过度思考。能力是在线的，但是总体来说体感确实不如 fable 。

@canyue7897 一样的体感，以前 5.5 几分钟完成的事情，现在 5.6 要半小时甚至一小时，token 消耗还特别大，不过发现 sol 的 high 指定的方案确实比 5.5 会完善一些。现在打算 5.6 写方案，5.5 写代码

两者深度用下来，codex 桌面 app 相比 claude code 最大的优势在于流畅的 computer use / chrome control 能力。

claude code 自带的这方面能力就很捉急了。

不如 fable5 过分了点吧，至少在我这 5.6 sol 揪出来不少 fable5 的问题，特别是数据分析建模方面，fable5 的问题不少

@hrjlhy 典型的冰箱回答:你觉得这个冰箱制冷不好你就自己制冷呗

@maolon 同感，之前是让 5.5 干重活，fable5 给指导，现在 5.6 经常指出 fable5 没有发现的问题，并给出合适的解决方案。相反，fable5 已经给不出什么指导了。

感觉就是不如降智前的 5.5

比降智前的 5.5 强太很多，但是比不降智的 5.5 ，说实话，没有感觉到什么提升。

@testsb #22 coding 榜也是一坨，确实野榜 kimi2.6 比 glm-5.2 高，gemini 也是在前排

@xing7673 它的 coding 其实是 Text 大目录的子项，具体是写函数或者小功能，比如写个网页之类的。

GLM 高的在 Agent 排名这里： https://arena.ai/leaderboard/agent

Agent 排名综合了 prompt 理解、任务规划、调度执行之类的综合工作。

感觉本站是真没帖子了，这个帖子反复出现在首页好几天了（无恶意

@testsb #40 这个合理一些，因为现在主要 coding 输出都是通过 agent 了，几乎没人使用 raw 的 code 文本了

@testsb #23 Arena 主要是聊天的，one shot ，所以它能测的东西也是很片面的。

@cskeleton #43

是，聊天只能囊括内容创作、内容质量、解决方案、论题研究等这些偏单点/定向探索能力。

但当前模型最广泛的应用就是工程化、工作流自动化，比如现在最多人关注的编程能力。所以 Arena 最近才补了个 Agent 排名以补短板，确实比其他固定测试集的排名晚了很多。

@409164 #41 不至于哈哈哈，我是“2026-07-11 10:44:02 +08:00”创建的帖子，gpt 发完新版本后太多人发帖子了吧哈哈哈，全是这个话题