一周实操 GPT-5.6，综合能力客观测评报告

系列五 · 第9篇

ChatGPT深度测评GPT-5.6到底行不行？上手一周的真实感受

太阳·地球·月亮三档模型全解析
编程霸榜但实测翻车？Codex并入ChatGPT体验如何

14款主流AI软件深度测评 · 国外篇

先别急着往下翻——这篇文章我花了一周真刀真枪地用了GPT-5.6，踩过的坑、发现的惊喜全写在这儿了。觉得有用的话，点个关注，以后每篇深度测评你都不会错过。

先说句大实话

写ChatGPT这篇文章，其实挺难的。

不是因为信息不够——恰恰相反，GPT-5.6刚发布两周，网上的评测文章已经满天飞了。难的是怎么讲点真东西，不是把官方通稿翻译一遍就当测评了。

我认真用了差不多一周，Sol、Terra、Luna三个版本都切着用过，Codex合并进ChatGPT的新桌面端也装上了。先说一个总的感受吧：GPT-5.6确实很强，但发布日那天的"吊打一切"情绪，和真正上手之后的体感，完全不是一回事。

如果你期待的是那种"ChatGPT还是第一"的定心丸，这篇文章可能让你不太舒服。但如果你想知道GPT-5.6在中国用户手里到底好不好用、值不值——那咱们可以接着往下聊。

先看阵容：太阳·地球·月亮，三兄弟齐上阵

7月10号凌晨，OpenAI搞了个线上发布会，正式推出GPT-5.6家族。三个版本，名字起得挺有诗意：

Sol（太阳）——旗舰款，专攻复杂编码、科研、网络安全。输入5美元/百万token，输出30美元。对标Claude Fable 5

Terra（地球）——均衡款，综合性能对标上一代GPT-5.5，价格只有5.5的一半。输入2.5美元，输出15美元

Luna（月亮）——轻盈款，主打低成本+快速响应。输入1美元，输出6美元。免费用户能用

命名逻辑很简单：太阳最亮但也最费能量，月亮省电但没那么亮，地球居中。对用户来说就是三道选择题——要最强的、要均衡的、还是要便宜的。

除了模型本身，这次发布会还有两个大动作：Codex正式并入ChatGPT桌面应用，以及推出了ChatGPT Work——一个对标Claude Cowork和WorkBuddy的智能体工具。

说白了，OpenAI想让你在一个App里完成对话、写代码、跑复杂任务三件事。不用再左边开个ChatGPT网页、右边开个Codex客户端来回切了。

Sol/Terra/Luna三档模型，从5美元到1美元输入价格全覆盖

编程能力：AA排行榜80分登顶，但实战有翻车

先聊GPT-5.6最被吹的一点——编程。

官方的数据确实漂亮。在Artificial Analysis Coding Agent Index上，Sol（max推理强度）拿到80分，比Claude Fable 5高了2.8分，而且只用了不到一半的输出token，耗时少一半，成本低三分之一。Terminal-Bench 2.1上也刷新了记录，Ultra模式拿到91.9%。

看这些数字，你会觉得GPT-5.6已经把Fable 5按在地上摩擦了。

但真实情况要复杂得多。说说我看到的几个翻车案例。

最出名的一个：开发者Matt Shumer让Sol跑任务，它居然执行了一个类似rm -rf的命令，把他Mac上的文件全删光了。这事在Twitter上传得挺广，不是段子，是真实的。

还有一个更硬核的数据：SWE-Bench Pro上，Fable 5自报大约80%，Sol只有64.6%。OpenAI还专门发文质疑SWE-Bench Pro有大量"坏题"——这个动作本身就说明了一些问题。

知名开发者Simon Willison的评价更实在：Sol确实能干活，但在他常做的复杂编码任务上，目前还没觉得它比Fable 5更好。

我的体感也是类似的——Sol在需要持续协作的编码任务上确实更顺手，多轮对话的连续性比Fable 5好。但让它一次性解决硬核问题、不出bug、不删文件，稳定性方面Fable 5还是更让人放心。

用一句话概括：Sol像是那个灵感多、干活快但偶尔出昏招的同事，Fable 5是那个慢一点但从不搞砸的老法师。

AA Coding Agent Index 80分登顶，但SWE-Bench Pro被Fable 5甩开15个点

如果你用Sol做编程，先把推理强度调到medium。Max和Ultra模式烧Token太快，而且Ultra模式下子智能体会默认继承Ultra，四五个Agent一起烧，账单很酸爽。

Codex并入ChatGPT：一个App搞定一切

这次合并是很多人期待已久的。原来Codex是独立App，做复杂编程项目得在ChatGPT和Codex之间来回倒。现在好了，新版ChatGPT桌面应用里有三种模式：

Chat模式——就是原来的聊天对话，日常问答、查资料、写文案都在这里

Work模式——新增的智能体模式，可以连续跑几小时的复杂工作流。你发个任务，它自己规划、执行、改错、交付，不需要你盯着

Codex模式——原来的编程专用工作区，写代码、调bug、跑测试都在这里

三个模式之间还能互通。你在Chat里查到的东西可以直接拖进Codex当参考资料，Codex跑任务时有不懂的可以随时切到Chat请教。这种无缝感，用过之后就回不去了。

另外几个小细节也挺实用：

桌面应用能直接访问你电脑的本地文件了，不用先手动上传

能读取浏览器标签页的内容，你让它总结当前网页，它能直接看到你在看什么

新增了Sites功能——你让它做一个东西，它直接生成一个网页部署到云端，给你一个公开链接。不懂技术的人也能一句话建站

预览区现在能直接编辑了，生成的文档不满意，原地改，不用导出再编辑

不过得说句实话——目前新客户端bug还不少。英文夹中文混着输出、任务跑完界面没显示结果、文件下载偶尔卡住。这些不是模型的问题，是产品的锅，后续更新应该会修。

Chat+Work+Codex三模式合一，一个App搞定所有事

价格：不算贵，但"省流"是个伪命题

GPT-5.6的定价策略，我觉得是这次发布最值得聊的部分。

先看数字：Sol输入5美元/百万token、输出30美元。跟Fable 5比，输入只要一半，输出便宜40%。跟自家上一代GPT-5.5比，Sol和5.5同价但性能更强。Terra对标5.5的性能只要半价。

表面上看，OpenAI在打"加量不加价"的牌。但事情没这么简单。

第一个坑：Ultra模式。Sol默认并行启动4个子智能体（最高16个），每个都是Ultra推理强度。如果你一上来就把effort拉到Ultra，四个Agent一起跑，烧Token的速度是你预期的好几倍。有人第一天就发现账单炸了。OpenAI的实际意思是：以更高的Token消耗换取更强结果——但你得自己算这笔账划不划算。

第二个坑：Terra号称"省流版"，但其实并不怎么省。它的Token消耗量对标GPT-5.5，只是价格便宜了。实际做同样的任务，Terra的Token消耗量往往比竞品高。

第三个坑：缓存写入按1.25倍费率计费。虽然缓存读取有90%折扣，但对于长上下文任务，首次写入的成本比你想的要多一些。

那到底贵不贵？分情况看。如果你用Sol做简单的摘要改写、日常聊天，性价比不如Grok 4.5或国产模型。但如果你让它做一次复杂的研究任务——先检索资料、分析数据、生成图表、写成报告——一次调用能顶之前好几个小时的活，那100元的输出单价就不算贵。

另外提一句速度。Sol在Cerebras上最高可以跑到每秒750个token，差不多每秒五六百个汉字。国内用户受网络环境影响肯定达不到这个数，但整体响应速度确实比GPT-5.5有明显的提升。

Sol/Terra/Luna三档定价，比Fable 5便宜40%，但Ultra模式会悄悄吃掉预算

中国用户最真实的几个槽点

优点聊完了，说说这段时间用得最难受的地方。有几条可能你也会有同感。

第一，中文表达"英译中"感太强了。GPT-5.6的中文自然度在主流模型里得分最低（7.5/10），比国产模型低了快两个档次。不是它说得不对，而是"不地道"。比如它帮你写个文案，逻辑没问题，但读起来就是一股翻译腔——"在我们的日常生活中，人工智能正在发挥着越来越重要的作用"这种句式，一看就是机器写的。

第二，做简单任务时"想太多"。你问它"怎么写请假条"，它给你分析请假理由的心理学原理、上司的期望管理、以及请假对公司文化的影响。问一杯咖啡的推荐，它能从产地、烘焙度、冲泡方式写到咖啡豆贸易对南美经济的影响。强是强，但对普通用户来说太啰嗦了。

第三，国内访问是个绕不过去的门槛。这个就不用多说了——需要科学上网。虽然这不是OpenAI的问题，但对国内用户来说，这直接决定了ChatGPT能不能成为你的主力工具。访问不稳定的时候，什么排行榜第一都没意义。

第四，稳定性还有待加强。发布会后第一波真实反馈里，稳定性和可控性成了最大的问题。rm -rf删文件只是个极端案例，更常见的是：模型跑完了界面没显示结果、英文夹着中文一起喷出来、长时间任务跑到一半出bug没人管。这些问题不是模型能力不够，而是产品化还不够成熟。

第五，用户的忠诚度其实很低。OpenAI自己可能也感觉到了这一点。GPT-5.6发布后，他们会频繁给用户重置配额（有点像网游发补偿）。短期看这是挽留用户的手段，长期看说明用户切换成本很低——哪个模型好用用哪个，没有谁非你不可。

中文翻译腔重、简单问题想太多、国内访问门槛高

月活超11亿但首次跌破50%，老大的位子没那么稳了

看几个数字感受一下ChatGPT的体量：

月活用户：超过11亿（Sensor Tower 2026年6月数据），史上最快破10亿的应用

年化收入：超过250亿美元，月入约20亿美元

付费用户：超过5000万个人订阅 + 900万企业用户

广告收入：年化ARR 1亿美元（今年2月才开始做广告）

但有个数据更值得关注：ChatGPT的全球市场份额在5月底首次跌破了50%，降到46.4%。Google Gemini以27.7%逼近，Claude占10.3%。

更重要的是，用户在几个AI助手之间切换的行为越来越普遍。特定事件甚至会加速这种迁移——今年2月OpenAI跟美国国防部签约后，ChatGPT的卸载量激增295%。用户没有你想象的那么忠诚。

OpenAI在商业化的路上也在加速。2月开始在ChatGPT里投广告，目前已有17%的日活用户看到广告。不过说实话，目前的广告产品还很初级，定位、测试、数据报告都比谷歌差得远。有广告代理公司实测发现，ChatGPT广告的点击率明显低于谷歌广告。

OpenAI给的长期目标挺吓人的——到2030年广告收入1000亿美元。但行业分析师普遍觉得这不太现实，毕竟整个聊天机器人广告市场今年还不到10亿。

11亿月活全球第一，但市占率首次跌破50%，Gemini正在逼近

怎么选：ChatGPT vs Claude vs Grok vs 国产模型

说了这么多，落到实际选择上，给你一个参考：

选ChatGPT（GPT-5.6 Sol）如果你：需要处理复杂编码任务、网络安全、科研分析，而且能接受国内访问门槛。它的Agent长程任务和多智能体编排能力是目前最强的。日常高频使用建议用Terra，性价比最高。

选Claude Fable 5如果你：追求稳定性和安全性，受不了删文件这种惊吓。做复杂编码的一次性成功率更高，图表解读、文档结构化、学术写作也更靠谱。但价格贵一倍，速度慢一些。

选Grok 4.5如果你：想要一个够强、够快、够便宜的替代品。Grok最近几次升级进步很大，已经被拿来和第一梯队认真比较了。速度快、价格低，是个黑马选手。

选国产模型（DeepSeek/豆包/通义千问）如果你：主要使用场景是中文日常对话、文档处理、国内应用场景。中文体验碾压ChatGPT，不需要科学上网，而且免费版功能已经很完善了。

说到底，现在没有任何一个模型能在所有场景都赢。最聪明的做法不是死守一个，而是根据不同任务切不同的模型。灵活使用多模型工作流，比纠结哪个"更强"实用得多。

没有全能的模型，只有选对的场景。ChatGPT强在Agent和长程任务，但中文体验输给国产

总结：它还是老大，但江山没那么稳了

GPT-5.6 Sol在很多维度上依然是全球最强的AI模型。AA编程排行榜80分登顶、Agents' Last Exam创纪录53.6分、750 token/秒的速度——任何一个数据单拎出来都是行业顶级的。

但GPT-5.6给我的感觉很像一个"学霸型工具"——能力上限极高，但不太接地气。

中文不地道，简单问题"想太多"，价格不便宜，Ultra模式悄悄烧预算，rm -rf级别的稳定性问题让人不敢完全放手。对国内用户来说，还有访问门槛这道天然屏障。

以前大家用ChatGPT是因为没有更好的选择。现在Claude、Grok、DeepSeek、Kimi K3——每个都有自己的杀手锏。ChatGPT不再是"当然是选它"，而是变成了一个需要认真对比的选项。

它仍是AI行业的标杆，也是任何严肃测评绕不过的参照系。但它不再是所有人都默认的最优解了。

这对用户来说是好事——有竞争，才有更好的产品和更低的价格。

一句话结论

GPT-5.6是全球最强AI模型之一，Solo编程和Agent长程任务目前没有对手。但它不是每个中国用户的最佳选择——如果你主要用中文、需要稳定不出错、不想花时间折腾网络，国产模型可能更适合你。如果你需要做复杂编码和科研任务，而且能搞定访问问题，GPT-5.6 Sol仍然值得付费。

这篇测评写了六千多字，是实打实花了一周时间上手体验出来的。如果对你有帮助，麻烦点个「在看」、转发给也在纠结选哪个AI助手的朋友，这对我真的很重要。

还没关注的话，顺手点个关注，接下来还有5篇国外AI软件的深度测评（Claude、Gemini、Copilot、Grok、Perplexity），一篇比一篇硬核。

咱们下期见。

系列五 · 14款主流AI软件深度测评 · 第9篇（国外篇第1篇）
下一期：Claude