GPT-5.6 系列模型发布与命名体系
OpenAI正式发布了GPT-5.6，这并非单一模型的更新，而是一次包含三款独立模型的产品组合发布。这一策略旨在覆盖不同规模用户的需求，提供从旗舰到高性价比的多层次选择。GPT-5.6 系列包含三个独立模型，每个模型拥有不同的成本结构和能力定位。
新发布的三款模型采用了全新的命名体系，旨在更直观地反映其功能定位。首先是旗舰级变体 Soul，代表该系列中性能最强、规模最大的版本；其次是面向日常工作的平衡型模型 Terra，旨在提供均衡的性能与成本体验；最后是 Luna，定位为最具成本效益的经济型模型。对于希望了解具体访问权限和适用场景的用户，OpenAI在官方博客中提供了详细的分类说明。这种命名方式的改变也意味着用户需要重新熟悉新的产品矩阵，以便更精准地选择适合自身需求的模型。
基准测试中的成本效率优势分析
在审视GPT-5.6系列的基准测试结果时，除了关注性能指标外，成本效率成为该系列模型最引人注目的亮点之一。 尽管作者个人对基准测试数字关注度不高，但OpenAI在展示数据时特意突出了运行任务的成本对比。结果显示，GPT-5.6 Soul（旗舰版）在性能上能够持平甚至超越竞争对手如Opus 4.8，但其成本显著更低。这种“同等或更高性能、大幅降低价格”的表现令人兴奋。
此外，Luna和Terra模型在成本上更具优势。如果这些模型能在性能接近Fable 5等竞品时保持显著的成本优势，将对用户极具吸引力。值得注意的是，GPT-5.6 延续了 GPT-5.5 在 token 效率上的巨大提升趋势。 GPT-5.5相比GPT-5.4在token效率上有了质的飞跃，从而直接转化为更高的成本效益。GPT-5.6继续这一趋势，对于需要自掏腰包支付API费用的终端用户而言，这是一个非常积极的信号。在另一项展示成本的对比中，即使是GPT-5.6 Soul在高努力模式（max effort）下运行，其价格与Claude Fable 5的高努力模式相比仍存在显著差距。即使在高负载场景下，GPT-5.6 系列在定价上仍展现出相对于竞品的显著优势。
详细定价结构与 Pro 版本潜在成本
OpenAI在官方文档中明确列出了各模型的每百万token定价。旗舰模型 Soul 的输入价格为 $5.30/百万 token，输出价格未在当前片段详细展开但暗示较高；平衡模型 Terra 的输入价格为 $0.25/百万 token，输出为 $1.50/百万 token，价格约为Soul的一半；经济型模型 Luna 的输入价格为 $1.00/百万 token，输出为 $6.00/百万 token。值得注意的是，Luna的价格并非Terra的一半，而是略高于半价水平。Soul 模型定价为 $5.30/百万 token，Terra 为输入 $0.25、输出 $1.50，Luna 为输入 $1.00、输出 $6.00。
对于Pro和Enterprise用户，OpenAI还提供了 GPT-5.6 Soul Pro 选项，旨在为复杂任务提供最高质量的结果。虽然当前片段未直接展示Pro版本的具体价格差异，但作者指出GPT-5.5 Pro版本的API成本显著高于非Pro版本。因此，用户需警惕 GPT-5.6 Soul Pro 可能因消耗更多 token 而导致总成本上升。 这种分层定价策略要求用户根据任务复杂度权衡性能需求与预算限制，避免在简单任务中过度消费高端资源。
浏览器OS测试：Nova OS 实战表现
为了验证GPT-5.6 Soul的实际能力，作者使用了Cursor平台运行了Browser OS测试V2.5。由于模型最初仅通过Cursor开放访问，而非OpenAI官方应用或Pro订阅渠道，这一测试路径略显曲折。生成的操作系统名为“Nova OS”，其界面设计具有独特的Mac OS风格，包括居中的日期时间显示、顶部菜单栏（包含Wi-Fi、音量调节等）以及底部的Dock栏。GPT-5.6 Soul 在 Cursor 中成功生成了具有 Mac OS 风格的 Nova OS，包含顶部菜单栏和 Dock。
在功能测试中，作者首先检查了右键菜单是否存在，结果确认支持。随后尝试进入“Orbit View”特殊功能并观察壁纸个性化选项。在应用启动测试中，作者重点运行了一个GTA克隆游戏项目。结果显示，生成的3D场景中建筑物存在网格碰撞器（mesh colliders），小地图正确显示网格，且支持车辆进出功能。 尽管作者对车速（160 km/h）的视觉表现略有疑虑，但整体架构完整。作者指出，虽然该测试有趣且展示了模型在复杂代码生成上的潜力，但鉴于后续还有更多关键测试需要执行，此处仅做简要展示。Nova OS 的生成展示了模型在构建完整前端界面及复杂3D游戏逻辑方面的能力，尽管存在细节瑕疵。
GPT-5.6 生成的虚拟操作系统界面测试
博主首先对由模型生成的“类 macOS”风格桌面环境进行了细致的交互体验。在基础功能方面，菜单栏图标存在点击失效的问题，但整体视觉呈现获得了认可。博主特别指出：“I have to say I do like the way the text is drawn here.”（我必须说，我喜欢这里文字的绘制方式），并计划进行前端测试。在“笔记”应用中，界面设计极具 macOS 风格，支持保存为文本文件以及最小化后重新打开时的平滑动画效果。博主评价道：“Yeah, we can. And look at the way like this all pops back in. That's nice.”（是的，我们可以。看看它们重新弹出的方式，很不错。）
在绘图应用“Paint”的测试中，博主关注了画布随窗口缩放而自适应调整这一关键细节。传统测试中，拖拽和改变画布大小时窗口往往不会同步缩放，但此次表现良好：“In this, it does [scale], and I'm very happy about that.”（在这里它确实缩放了，我很高兴。）计算器应用则通过了基础数学验证，博主亲自验算 $84 \times 7 = 588$，确认计算结果准确无误。此外，“Sound Lab”应用展示了音频合成能力，博主惊讶于模型能根据提示词生成包含钢琴音色的音乐序列器：“This was made for me. Someone knew.”（这是为我量身定做的。有人懂我。）
高级视觉渲染与设置界面评估
测试进一步深入到图形渲染引擎和系统设置层面。博主运行了基于 Arduino 的 GPU 自定义图像测试，模型成功生成了具有光泽强度的三维渲染效果。在“Horizon”设置界面中，用户可以选择强调色，且壁纸选择会实时反映所选颜色的色调。博主对配色方案进行了点评：“I do like the lime green. The orange hue it shows is not abhorrent, which is a step up for most oranges that I sadly see.”（我很喜欢青柠绿。它显示的橙色色调并不令人厌恶，这比我通常看到的大多数橙色都要好。）
在交互逻辑方面，“Orbit View”功能允许用户通过箭头键选择窗口并按回车进入，博主尝试预测下一个打开的应用程序是“Maze thing”还是计算器，最终结果为计算器。对于整体表现，博主总结道：“Overall, this was a very, very competent result.”（总的来说，这是一个非常、非常有能力的结果。）尽管 GTA 游戏部分表现平平，但键盘快捷键等细节的加入令人惊喜。博主还提到一个历史彩蛋：传统浏览器 OS 测试中的计算器图标通常是算盘，这引出了视频赞助商的介绍。
Mac 端 Vision Pro 应用开发实验
由于新版应用程序对 macOS 支持最佳，博主切换至 Mac 系统进行后续测试。本次任务要求模型创建一个Apple Vision Pro 的虚拟鼓组应用，需求包括：通过手势在混合现实中击打 drums、3D 写实风格以及连接开发工具。初始生成的界面仅为简单的 2D 形式，博主随即反馈要求改为“3D photorealistic kit”（3D 写实鼓组）。模型随后生成了包含应用图标、灵敏度调节和鼓高度设置的可运行界面。
博主对最终生成的应用进行了初步体验，发现其具备基本的交互参数设置。虽然未深入测试混合现实中的实际操作手感，但模型成功将 2D 概念转化为具备完整 UI 组件的 Vision Pro 应用结构。博主感叹道：“That is getting insane in the title.”（这标题简直要炸了。）这一过程展示了模型在特定平台（macOS/Vision Pro）应用开发上的进阶能力，尽管距离完美的沉浸式体验仍有差距，但已具备相当高的可用性。
视觉生成质量远超预期
视频博主对 GPT-5.6（及 Codex）在 Apple Vision Pro 相关任务中的表现感到极度震惊，认为其质量达到了“令人哑口无言”的程度。博主表示完全未预料到如此高水平的输出，甚至用“上帝般的诚实”来形容这种体验。与之前使用 GPT-5.5 和 Codex 进行的测试相比，新模型的表现仿佛处于“另一个星系”，极大地超越了预期。这种质的飞跃让博主认为有必要随着模型能力的提升，尝试更多不同风格的测试项目。
"I did not at all expect this level of quality. This is God honest like..."
C++ 滑板模拟器的生成与初步测试
博主启动了第二个测试项目：一个自包含的 C++ 滑板模拟器。该模型运行在“Ultra Mode”（超高级模式）下，虽然与 Ultra Code 美学相似但成本更低且效果几乎一样好。项目设定为复古加州木板路风格，模型在后台自主工作，同时博主还监控着侧边栏中的子代理（sub-agents）状态。当前模型处于四步流程的第二阶段，运行在博主能访问的最高权限级别上。
"This is insane... This was very incredibly impressive. Incredibly impressive."
游戏机制、美学细节与自动修复能力
生成的滑板模拟器在视觉上高度契合90年代加州木板路的霓虹美学，包括商店橱窗、救生员站和排球网等细节。然而，初始版本存在控制反转问题（按A键向右移动）和商店文本倒置。博主指出，这并非最终结果，因为模型正在自主进行质量保证（QA）测试。令人印象深刻的是，模型成功识别并修复了倒置的商店文本，尽管位置仍略显歪斜。虽然左右控制反转问题暂时未解决，但博主对模型在交付最终结果前的自主调试能力表示满意。
"It did. It flipped the storefront text... So, I'm happy to see cuz that was one thing that was kind of knocking it."
挑战：让20年前的Intel Web Tablet在现代Mac上运行
第三个测试极具挑战性。博主展示了一款从未公开发售的2000年代初Intel Web Tablet及其基站，背面标有“Demo Unit Not for Resale”。由于缺乏驱动程序且无操作说明，该设备无法在现代系统上直接使用。博主向GPT提供了基站底部的照片和设备名称，要求其在将基站连接到电脑后使其可用。原产品指南指出软件仅支持Windows 98/ME，不支持现代系统或macOS。GPT迅速分析出关键约束：需要运行x86 Windows虚拟机并通过USB透传连接设备。
"The M4 Mac has no legacy VM software installed, so I'm adding UTM's QEMU-based emulator..."
GPT进一步诊断出适配器在USB 1.1下枚举正常，故障在于缺失类供应商驱动。由于Mac上未安装传统虚拟机软件，GPT选择部署基于QEMU的UTM模拟器来运行所需的x86 Windows栈并透传USB设备。博主认为这展示了模型克服障碍、寻找解决方案的强大能力，目前安装过程正在自动进行中。
"This is exactly what I want is the display of ability to work around roadblocks and try to find solutions for them."
破解遗留硬件：从放弃寻找驱动到自主编写代码
测试者试图让一台运行 Windows 98 SE/ME 的 Intel Web Tablet 虚拟机与现代系统通信，核心障碍在于缺少原始的平板电脑专用设置光盘和驱动程序。起初，测试者引导 AI 代理寻找合法开源的 NT 兼容访客系统镜像并挂载 ISO，但很快意识到原始安装介质已不可获取。面对这一死局，测试者决定改变策略，不再寻求现成的解决方案，而是要求 AI 暴力破解并自行编写驱动程序。这一过程涉及提取驱动文件、规划反汇编，并最终决定构建一个用户空间的 Mac OS 驱动程序来接管 USB 到 HomeRF 协议的转换，以绕过 Apple 的内核扩展签名限制。
"I don't think it will find that... just brute-force write it yourself."
这种从"寻找资源"到"创造资源"的转变，展示了 AI 在处理极度缺乏预训练数据的遗留硬件问题时的一种极端路径。虽然 Mac OS 环境下的驱动测试因软件兼容性（该应用不支持 Linux）而显得繁琐，但 AI 成功规划了通过虚拟网络接口加入网络的步骤。测试者指出，缺乏 Linux 支持严重阻碍了对硬核遗留硬件的深度挖掘，因为这使得开发者必须依赖特定的 macOS 工作区来绕过系统限制。
Linux 环境迁移与硬件状态验证
由于 Mac OS 环境的局限性，测试者将任务移交给了 Linux 环境下的 AI Agent。通过创建一个包含必要上下文的手动交接包（zip file），AI 在 Linux CLI 环境中继续执行驱动测试。这一迁移过程旨在证明 AI 能够跨平台维持复杂的调试逻辑，即使底层操作系统从 macOS 切换到 Linux。在重新运行无线适配器配置命令后，硬件指示灯出现了前所未有的变化：底座站指示灯由常亮的黄色变为绿色闪烁。
"The adapter just went green and now it's blinking green. I've never seen it do that ever... So, that's a good sign in and of itself because this means this adapter is happy."
这一硬件状态的改变被视为无线电 USB 以太网和 IPv4 路径已解决的关键信号。测试者将平板电脑重新连接并启动，尽管外观天线有所损坏，但设备成功进入欢迎界面。然而，问题并未完全解决：平板电脑 UI 显示"未连接"，且每次选择按钮时都会出现连接错误。网络捕获分析揭示，平板电脑每几秒广播一次专有的 Intel 发现数据包（UDP）。测试者意识到，必须处理这个遗留服务要求，否则设置脚本会过早宣告成功或陷入死循环。测试者决定暂停网络搜索，转而专注于基于实时平板电脑数据包和受控回复的本地握手协议分析。
GPT-5.6 城市模拟测试：视觉表现与细节分析
在 Cursor 环境中运行 GPT-5.6 Soul Max Effort 模式，生成了一座名为“2025 Living City”的城市模拟场景。整体视觉效果令人印象深刻，城市重建概念清晰且画面干净。测试者注意到场景中包含了太阳能板、行走的行人以及带有 LED 灯带的车辆，甚至出现了类似有轨电车的元素。UI 界面显示出与 GPT-5.5 的明显差异化，提供了静态视图、概览以及可选择的工具提示功能。
"This looks insanely good... The buildings do look very good. City recharged."（这看起来好得惊人……建筑看起来很棒。城市已充电。）
随着时间线的推进，场景细节随年代变化而调整。2055 年的场景中，车辆设计简化但保留了鳍状装饰，类似木质玩具车的风格；路灯和树木也融入了光合作用的概念。1985 年的 Synthwave（合成波）风格则通过高饱和度的霓虹色彩、粉色巴士和鲜艳的服装来体现，行人穿着全蓝西装等夸张服饰。2005 年的风格趋于平淡和保守，车辆颜色低调，整体色调更加内敛。2054 年（30年后）的场景则充满了悬浮机器和霓虹线条，测试者认为这比 Fable 5 更看好未来。时间过渡动画流畅，年份数字实时递增，展示了模型在动态场景生成上的能力。
性能评估：宏观优秀与微观不足的矛盾
尽管 GPT-5.6 在城市模拟中展现了出色的宏观叙事和年代感还原，但在细粒度细节上并未达到预期高度。测试者指出，虽然整体观感良好且年代过渡自然，但精细细节的丰富程度不如预期。更令人意外的是，测试者表示曾见过性能较弱的模型也能产生可比肩的结果。GPT-5.6 的优势在于整体协调性和时间线演变的逻辑性，而非极致的微观纹理或物理精度。
"It's not as good as I would have hoped in terms of the fine-grain detail... The elements that are good are basically like when you zoom out and look at it this way, the transitions are good."（在细粒度细节方面，它没有我期望的那么好……好的元素基本上是在缩小视角看时，过渡效果很好。）
这种评价揭示了当前大模型在生成复杂场景时的一个特点：擅长构建整体氛围和逻辑连贯的演变，但在局部细节的深度上可能存在瓶颈。对于需要极高精细度的专业级视觉生成任务，GPT-5.6 的表现可能仍显不足。
Web Chat 新功能体验：严重的用户交互挫折
与城市模拟的视觉惊喜形成鲜明对比的是，GPT-5.6 的新增 Web Chat“在线工作标签页”功能带来了极差的用户体验。测试者试图生成一个 3D 跳伞模拟器，但系统未能直接提供可预览的文件或链接。界面设计混乱，导致用户无法直观查看成果。
"This online work tab app has genuinely been one of the poorest user experiences I've seen in a new model release period."（这个在线工作标签页应用确实是我在新模型发布期间见过的最糟糕的用户体验之一。）
测试者在对话中多次要求直接获取源文件或预览链接，但模型返回了大量仅用于内部展示的冗余代码文件。当尝试点击“预览”时，系统报错显示服务器意外错误；若未登录则无法查看。尽管模型随后道歉并承认了问题，但这一过程暴露了新功能在文件输出、预览机制和用户引导方面的严重缺陷。测试者直言这是其经历过的“最糟糕的模型交互体验”，反映出新功能在落地初期存在显著的可用性问题。
飞行模拟测试中的自动部署与操作反馈
在针对 GPT-5.6（Soul 模式，Extra High 设置）的飞行模拟测试中，模型展现了较为先进的地形生成能力。尽管初始阶段缺乏飞机实体，但Terrain 质量良好且具备风速效果。测试者通过键盘指令（W/S/A/D/Q/E/C/P/Space）尝试控制视角、转向及降落伞部署。值得注意的是，Anthropic 模型具备自动部署降落伞的机制。从头盔摄像头视角观察，这一自动化处理虽然符合逻辑，但最终的硬着陆（Hard Impact）结果引发了测试者的不满。此外，所有模型在该测试中均被观察到实现了某种形式的计分机制（Scoring），尽管该功能并非任务明确要求。这一环节暴露了模型在物理交互反馈上的粗糙感。
僵尸 FPS 游戏生成的视觉表现与界面缺陷
在等待飞行测试结果的间隙，测试者启动了僵尸第一人称射击（FPS）地铁场景的生成。GPT-5.6 Soul 在 Extra High 设置下生成的前端网页界面呈现出一种“干净且无菌（clean and sterile）”的美学风格。材质表现上，武器的反射属性被评价为相当不错（quite nice），甚至包含了如“水渍”这样有趣的细节。然而，测试者指出该界面存在明显的亮度调节缺失问题，导致体验不佳。尽管视觉上具有一定的吸引力，但这种过度整洁的风格让测试者感到有些疏离。“This is very clean and sterile... The reflective properties of the weapon are quite nice” 这句话概括了该阶段的核心矛盾：视觉细节到位，但交互体验存在硬伤。
奢侈品手表网站生成的几何错误与性能对比
测试者要求生成一个名为“Keep your own time”的奢华手表品牌网站，参数设定为 38.5mm 表盘、68小时动力储备及 10 ATM 防水。生成的网页展示了皮革表带和金属（Obsidian）选项，并带有玻璃质感的表盘效果及悬停特效。然而，核心功能出现了严重错误：手表表盘被反向生成（inverted face），且指针逆时针旋转。尽管数字显示正确（34.50 和 29.50），但这一几何逻辑错误严重影响了产品的可信度。测试者对此表示失望（disappointed），因为此前在 GPT 5.5 High 模式下获得的成果显著优于此次结果。测试者质疑这是否为“隐形”的 GPT-5.6 版本，并指出GPT 5.5 High (June 25th) 的结果在整体质量上明显优于当前的 GPT-5.6 Soul Extra High。这一对比凸显了新版本在复杂 UI 生成上的倒退。
“Street Yeet”低多边形游戏的崩溃与最终评价
作为最后的压力测试，测试者要求生成一款名为“Street Yeet”的低多边形浏览器游戏，核心机制包括可击打的车辆、街道家具、行人和鸽子。生成的代码导致Firefox 浏览器严重卡顿甚至冻结（freezing up），无法下载或运行。测试者在另一台计算机上重复实验，结果相同。“This has been a very, very frustrating model to test” 表达了测试者的挫败感。尽管模型在创意生成上展现了潜力，但代码执行稳定性极差。测试者认为将新工作应用与模型同步发布是一个糟糕的决定，导致整体体验令人愤怒且疲惫（frustrating and taxing）。最终结论是：虽然模型在某些方面表现良好，但其稳定性问题（stability issues）和交互缺陷使其成为目前为止最具挫败感的模型之一，需要进一步在 Cursor 等开发环境中验证其实际可用性。
结论
GPT-5.6系列在成本效率与宏观生成能力上表现卓越，Soul版以更低价格持平甚至超越竞品性能，且Token效率显著提升。模型在构建复杂前端界面、3D游戏逻辑及跨平台遗留硬件驱动编写上展现出极强的自主调试与问题解决能力，城市模拟的时间线演变逻辑尤为出色。
然而，其微观细节精度不足，且Web Chat新功能存在严重交互缺陷。代码执行稳定性堪忧，部分测试出现浏览器冻结或几何逻辑错误（如手表指针反向），甚至被指在特定UI生成上不如GPT-5.5。总体而言，该系列性价比极高且创意强大，但稳定性与交互体验仍是主要短板，适合对成本敏感及需宏观架构生成的场景。