氛围测评：GPT-5.6 Sol 是我们最喜欢的协作模型
英文标题：Every's 9-Person Team Ran GPT-5.6 Sol for a Month: Here's the Verdict
GPT-5.6 Sol 在日常知识工作中表现出色，速度快、资源丰富且易于引导，但 Fable 在处理最模糊、最复杂的任务时仍占优势。
本文目录
我们默认使用分析和广告工具。你可以随时更新设置。
氛围测评：GPT-5.6 Sol 是我们最喜欢的协作模型
Sol 速度快、资源丰富，而且异常容易引导——但 Fable 仍然负责那些我们希望完全放手交给它的任务。
在 GPT-5.6 Sol 下线的那段时间里，我们很想念它。
大约有一个月的时间，Sol 无处不在，渗透在我们的工作中。它帮 Dan Shipper 保持收件箱清零，追踪会议和 Slack 中的决策，这些决策他本来可能会错过。它跟得上 Austin Tedesco 的节奏，从活动创意到邮件，再到落地页和实验，全程无需他重复自己或失去焦点。它为我（Katie Parrott）检索文件和上下文，速度快到彻底改变了我日常使用模型的方式。
然后，在六月底，我们失去了访问权限，因为 Sol 正在接受政府审查。Dan 说，回到其他模型——即使有 Fable 可用——感觉就像回到了石器时代。Austin 把使用 GPT-5.5 比作“试图投一个比我习惯用的重两倍的篮球”。在我们的 Sonnet 5 氛围测评中，我们谈到了期望值上升的革命。没有 Sol 的这段时间，凸显了你适应更高标准的速度有多快——以及当这种进步倒退时，有多难受。
GPT-5.6 Sol 在日常知识工作方面，是模型能力的一次重大飞跃。它速度快到能跟上你的节奏，资源丰富到能自己找到做好工作所需的上下文，当第一种方法失败时它会坚持不懈，当你改变方向时它能迅速响应。
几个月来，我们一直在追踪我们使用 AI 方式上的一个分歧。有时，你想委派任务——把任务交给模型，让它去干，然后回来拿到一个可以继续处理的结果。其他时候，比如你在处理一个冗长的复杂报告或一个大型写作项目时，你想协作——贴近工作，快速看到选项，并随着工作的进展做出引导结果的决策。Sol 融合了速度、智能和可引导性，让它成为第二种工作的绝佳选择。
Fable 仍然负责最大、最模糊的任务——那些规划和决策本身就是任务一大部分的工作。Austin 用它来处理长期的市场推广工程任务，比如设置新的用户旅程，以不同受众类型进行端到端测试，并循环工作以持续改进流程。Dan 则用它来进行涉及大量综合、数据集开发和实验的基准测试项目。但是，一旦我们完成委派，准备深入工作时，GPT-5.6 Sol 就是我们想要投入时间的地方。
如今，新模型发布很少是孤立的，今天也不例外。除了 GPT-5.6，OpenAI 还在将 ChatGPT 和 Codex 的桌面体验合并成一个统一的应用程序。此举似乎是为了为智能体工作搭建一个更大的平台——吸引更多 ChatGPT 超过 8 亿的用户。
我们使用新应用体验的时间有限，但到目前为止，就像之前的 Codex 一样，这是一个我们愿意花时间使用的应用。这是个好消息，因为 GPT-5.6 Sol 是一个我们愿意花时间与之相处的模型。Dan 的比喻是，Sol 是一辆保时捷，而 Fable 是曲速引擎。Fable 当然可以带你去银河系。但大多数时候，你不是要去太空——你只是想在城市里转转。Sol 就是那个让你能时尚出行的模型。
更多关于我们驾驶体验的内容，请看下文。
OpenAI 怎么说
OpenAI 称 Sol 是“迄今为止最强的模型”，但它发布的证据集中在特定类型的工作上：需要智能体规划、使用工具并持续工作的困难任务。该公司表示，Sol 在 Terminal-Bench 2.1 上设立了新的行业最佳水平，该基准测试需要规划、迭代和工具使用的命令行任务。它还报告说，在一个长期运行的生物学基准测试中，结果比 GPT-5.5 更强，并且取得了公司最佳的网络安全性能。
一个新的最大推理设置让一个 Sol 智能体有更多时间工作，而一个超级模式则协调多个智能体处理同一个任务。OpenAI 还在 Sol 层级之下推出了新的模型层级：Terra 是用于日常工作的低成本模型，Luna 是最快且最便宜的。OpenAI 表示，即使其内部的模型不断进步，这些名称将作为能力层级保留下来。
OpenAI 在推出 GPT-5.6 的同时，还带来了另一个重大产品更新：将 ChatGPT 和 Codex 的桌面体验合并到一个应用中。ChatGPT Work 旨在承担大部分知识工作任务，而 Codex 则拥有一个专门的技术工作标签页。
在定价方面，OpenAI 的三个层级与 Anthropic 的三个模型紧密对应。Sol 的输入价格为每百万 token 5 美元，输出价格为每百万 token 30 美元，与 Opus 4.8 的输入价格相同，但输出价格贵 5 美元。Terra 的价格是输入 2.50 美元，输出 15 美元，而 Sonnet 5 在 8 月 31 日前的介绍价是输入 2 美元，输出 10 美元；之后 Sonnet 将涨至输入 3 美元，输出 15 美元。Luna 的价格是输入 1 美元，输出 6 美元，与 Haiku 4.5 的输入价格相同，输出贵 1 美元。
Sol
输入 5 美元 / 输出 30 美元
每百万 token
Terra
输入 2.50 美元 / 输出 15 美元
每百万 token
Luna
输入 1 美元 / 输出 6 美元
每百万 token
触达测试
“GPT-5.6 Sol 在 ChatGPT Codex 和 Work 中显然是知识工作的黄金标准。我首先会用它作为我的日常主力模型，处理几乎所有的任务。它达不到 Fable 的水平——我会在遇到最困难的任务时切回 Fable——但对于其他所有事情，5.6 是我的首选。”
“Sol 是一个勤恳的模型。相比之前的 GPT 模型，我更信任它作为协作者：它很彻底、乐于助人，不做蠢事，而且足够有创意，能把事情搞定。Fable 在处理复杂、长期的任务上仍然更好，但 Sol 能做到 Fable 能做的 90%。”
“Sol 是我用过的最好的知识工作模型，而且是在最好的知识工作应用里。它现在能处理我至少 80% 的日常任务，基本上我脑子里自然想到的任何尝试它都能接手。我仍然希望 Fable 在后台运行，处理那些我需要强迫自己去考虑可能性的工作。”
“Sol 已经成了我的日常主力模型。我仍然更喜欢 Fable 那种尖锐、犀利的智能以及它对上下文的运用，但 GPT-5.6 是我每天都会使用的最佳、最具成本效益的全能模型。”
“5.6 和 Codex 的结合确实改变了我日常处理工作的方式，仅凭这一点，我就认为这是一个范式转变的模型。具体到写作，我发现 Sol 比 Claude 模型更擅长利用风格指南和样本等上下文来指导其工作，而且它的速度和接受指令的能力使其非常适合协作写作。但是，真正达到人类水平的散文对于前沿模型来说仍然是一个难以企及的目标，这让我怀疑我们在写作方面是否已经达到了 AI 能力的平台期。”
“Sol 让我重新开始信任 GPT 模型进行编码。它做随机事情更少，需要的后续跟进更少，并且比 GPT-5.5 能端到端地承担更多工作。我仍然更喜欢 Fable，有时也喜欢 Opus，部分原因是 Codex 隐藏了太多过程，我不总是理解它是如何得出结果的。”
“GPT-5.6 Sol 是我过去一个月里的首选模型——也是我用过的最可靠的模型。自从 Fable 推出以来，我的工作流程已经形成了一个强大的分工：Fable 充当编排者，制定计划，而 Sol 执行计划。这种组合帮助我为 Monologue 交付了大量成果，从 Notes 的重大改进到在一天内构建了整个 Monologue 网页应用。Sol 仍然是我在日常开发 Monologue 原生应用时最信任的模型。”
“到目前为止，我更喜欢 Sol 进行知识工作，因为它给了我精细的控制权，又不需要我管理每一个小决策。它可以主动采取行动，提出有用的问题，同时仍然让我看到工作的进展。早期测试中，与 5.5 相比，它的能力感觉真的很神奇，但后期测试中的一个计算错误让我措手不及。我已经使用 Codex 作为我的主要工作界面一段时间了，所以如果我能重建信任，Sol 对我来说将是一个改变游戏规则的东西。”
“Sol 比 Fable 更快、更细致；这个 GPT 模型是我新的首选，用来帮我进行局部编辑，比如去除过于技术性的语言，或者重写那些即使是人写的，听起来也太像 AI 的句子。如果我只能选择一个模型进行协作工作，那会是 Sol。话虽如此，Fable 有更好的品味，我敢说；在大型架构决策和 UI 设计上，我更信任它的判断。而且我不必只选一个模型。我可以让 Fable 告诉 Sol 或 Opus/Sonnet 去执行，或者让 Sonnet 5 就棘手问题咨询 Fable。我不是孤立地使用这些模型，我认为其他人也不应该这样做。”
编码：强大的执行力需要清晰的边界
在日常使用中，Sol 相比 GPT-5.5 是一个实质性的编码升级。它可以在不熟悉的生产代码库中追踪一个 bug，端到端地承载一个大型项目，并在其他模型可能已经停止后继续测试。我们工程团队的几位成员已经把它作为日常主力模型。
当一项广泛的任务要求模型决定不构建什么时，它的局限性就显现出来了。Sol 的执行力非常持久。但它并不总是有最好的克制力。
它在我们的高级工程师基准测试中得了 56/100 分。相比之下，Fable 得了 90/100 分。分数的差异主要来自于 5.6 倾向于重写。我们认为 56/100 实际上低估了 5.6 的表现，这是基准测试惩罚了 5.6 倾向于过度复杂化其工作的结果。我们能给出的最好总结是：它接近但尚未达到 Fable 的水平。
清晰的任务能发挥其最佳水平
最强的生产实例来自 Naveen Naidu，他在 Monologue 的日常生产工作中测试了 Sol。GPT-5.5 在超高推理模式下曾多次未能找到笔记记录 bug 的原因。Sol 在现有代码库中追踪了故障并修复了它。
Kieran Klaassen 也要求 Sol 和 Fable 从一个提示词重建 Proof，我们的协作文档编辑器。Sol 在大约三分之一的时间内返回了一个可运行的类似 Proof 的应用，尽管 Dan 更喜欢 Fable 的设计。Sol 还完成了一个单提示词的数字音频工作站，而 GPT-5.5 未能完成。
这些结果与团队的经验相符：当所需系统清晰时，Sol 速度快、资源丰富，并且在实现方面很强。
高级工程师基准测试发现了一个特定的失败模式
我们的高级工程师基准测试给模型一个混乱的协作代码库，并要求它像高级工程师那样重写系统。
5.6 在生成完整重写方面做得令人钦佩，但它过度重写了：它构建了一个包含数千行代码的复杂新系统。Sol 增加了大约 12,900 行代码，分布在四个协作进程中。每个添加的原因都很清楚，但综合起来，它们重新创造了过多的复杂性。
Dan 的最终评审将几乎所有的差距归因于评分标准中奖励简化、惩罚不必要机制的两个部分。Sol 的弱点不在于理解架构。而在于它在构建了足够多的东西后没有停下来。
当决定不构建什么是主要工程任务之一时，Fable 仍然是我们的首选。一旦方向确定，Sol 通常是我们希望执行它的模型。
写作：一个拥有上下文和方向的出色协作者
Sol 在我们的写作基准测试中，在六个模型中排名最后，它生成的散文最难读，编辑选择也最偏离已发布的参考文献。尽管如此，Every 团队在日常写作中压倒性地更喜欢它，而不是 Sonnet 5 或 Opus 4.8。
原因归结为我们整个测试中看到的委派与协作的分歧。当你试图委派工作，让模型做出重大的编辑决策，并返回一个成品时，Sol 较弱。但它是一个很好的协作者，项目上下文帮助它做出更好的决策，编辑可以快速引导它。
这篇氛围测评本身就是一个例子：Sol 能够追踪过去氛围测评中的风格趋势，找到支持细节的埋藏很深的 Slack 对话，并在六到八小时的专注工作中快速完成了 24 个草稿——所有这些都没有让我在它思考时等待。每个草稿都代表了一系列编辑决策，引导我们更接近最终结果应该是什么样子。对于像 AI 原生写作那样迭代和协作的工作来说，这是一个强大模型的要素——即使一次性生成文章引言或像人类那样精确编辑仍然遥不可及。
文案质量：紧凑的句子，更大的词汇
Sol 写相对较短的句子，并将论点分解成紧凑的段落。在它尝试为“自动化之后”写引言的最强尝试中，它比 Opus 4.8 更接近已发布开头的节奏，后者用更少、更大的块来发展其版本。
困难在于句子内部。即使两个模型写出长度相似的句子，Sol 也比 Opus 使用更长、更抽象的词汇和短语（“明显的影响是替代”对比 Opus 的“机器接手了任务”；“二阶效应是扩张”对比“它开辟了一个新领域”）。Opus 在更复杂的句法中使用更平实的语言；Sol 生成的页面易于浏览，但行文需要更多功夫去理解。
明显的 AI 痕迹也不是它排名最后的原因。在我检查陈旧的过渡、虚假的对比、陈词滥调和重复的修辞模式时，Sol 处于组内中等水平。它的散文看起来可能很干净，但不够清晰，以至于你不能在不对机器人语言进行最终检查的情况下就把它发出去。
编辑判断：连贯的草稿，但可预测的选择
Sol 更大的弱点是决定文章应该说什么。当被要求为 Dan 的“自动化之后”文章写引言时，它找到了开头的悖论，即 Every 团队已经自动化了这么多，但工作却比以往任何时候都多。但是，模型将这个观察扩展成了一个关于自动化提高公司雄心的熟悉论点，而发表的文章则对 AI 采用与人类工作需求之间的关系提出了一个更具体的论断。Sol 还错过了模型收到的源材料包中的名字、基准测试和报道，这些材料本应告知它们对任务的理解。它写了一个连贯的引言，但模糊了使这个故事值得讲述的机制。
当 Sol 试图预测 Every 主编 Kate Lee 的最终编辑时，也出现了同样的差距。它错过了重要的修改，并提出了太多合理但不必要的修订。Sol 可以生成选项，但无法可靠地判断哪些选项会让文章变得更好。
Sol 最强的基准测试结果出现在促销邮件上，它在社交媒体文案上也做得很好。这些格式通常已经定义了受众、优惠、长度和期望的回应。Sol 更擅长在这些决策内进行写作，而不是自己为复杂的文章做出这些决策。
上下文利用：配合写作系统时更强
我们的写作基准测试特意限定范围，以观察模型在独立运作时会做什么。但在现实世界的上下文中，我们给模型提供了更多的材料。当你看到 GPT-5.6 吸收和利用这些上下文时，它更令人印象深刻的品质就开始显现了。
我给了 Sol 和 Opus 4.8 相同的文章任务、源材料和方向，并要求它们为我的专栏 Working Overtime 生成初稿。Sol 返回了一个引人入胜的开头和一个更接近 Working Overtime 既定声音和风格的草稿，而 Opus 返回了更密集的段落，难以阅读，并且与我上下文文件中定义的我的声音不匹配。
知识工作：它在寻求帮助之前会先阅读
Sol 是我们日常知识工作的首选模型，因为它会阅读可用的上下文，识别需要人类判断的决策，并将答案带入下一步行动。当一项大型、定义松散的任务需要更大的独立飞跃时，Fable 仍然更强；Sol 更快，更容易引导，适合在研究、分析、写作、电子表格和产品变更之间移动的协作工作。
Every 的运营主管 Arielle Shipper 给 GPT-5.5、Sol 和 Fable 相同的初始提示，用于一个电子表格任务。每个模型都必须找到一封邮件，将 46 个附加 CSV 文件中的数据与现有电子表格进行核对，并执行需要判断力而非机械合并的分析。
Sol 找到了邮件，检查了文件，注意到缺失的信息，并带着七个问题回来了，比如分析应该应用于哪些子组，以及特定指标应该如何计算。每个问题都包含一个建议，让 Arielle 可以批准或纠正，而不是给她另一个研究任务。它还扩展了她提出的分析，并生成了一个可用的初稿。
GPT-5.5 问在哪里可以找到邮件，尽管 Arielle 已经提到了发件人，然后生成了一个不可用的初稿。Fable 提出了一个有用的摘要标签页，解释了每个字段，但它要求 Arielle 将文件移动到 Google Drive 并在继续之前做出几个较小的决定。
在测试后期，Arielle 发现 Sol 在分析 ChatGPT 使用数据时犯了一个严重的计算错误。这个错误动摇了她对结果的信心，并表明即使是一个结构良好的协作，仍然需要仔细审查。
Austin 的日常工作流程展示了跨不同类型工作的相同连续性。他可以从一个活动创意开始，起草邮件，将文案转化为落地页，并设置一个实验，而无需离开 Codex 或再次解释受众和优惠。Jack Cheng，Every 的高级编辑，在构建文案将出现的公开页面时，使用 Sol 合并段落并去除行话。他可以在最终界面中判断每一行，并继续处理其周围的产品。
他们的工作流程比一次性应用更接近大多数工作日：找到来源，理解请求，询问需要人参与的决策，并将答案带入最终成品。
智能体行为：它持续工作，并能很好地响应纠正
当有人类保持在循环中时，Sol 作为智能体最强。它持续处理长期任务，找到所需的文件和工具，在定义的目标内做出明智的决策，并在被纠正时迅速改变方向。它的判断力在执行过程中最强，而在必须决定整个系统应该变成什么样时较弱。
它能找到所需的东西
持久性是相比 GPT-5.5 最明显的升级。Kieran 看着 Sol 完成了早期 GPT 模型会崩溃的任务。Mike 说 Codex 改进的压缩现在使 Goals 足够可靠，以至于他已经停止试验自己复杂的编排。
Sol 在向用户寻求帮助之前也做了更多工作。它搜索可用的文件，阅读常设的项目指令，并使用连接的工具，而不是将源检索变成另一个交给人的任务。
在清晰的目标内判断力最强
模型沿途做出良好的局部决策。当一个长期运行的工程测试失败时，Sol 发现了它构建的系统中的一个泄漏，并修复了产品，而不是削弱测试。它还拒绝在 Dan 允许之前推送代码。在 Mike 最新的 PowerPoint 运行中，Sol 选择了自己的视觉方向，而不是费力地将内容强行塞入 Every 现有的模板——这是他见过的第一个这样做的 OpenAI 模型，尽管 Opus 4.7 更早达到了这一点。
随着目标变得更广泛，它的判断力变得不那么可靠。Sol 在我们的高级工程师基准测试中理解了架构，然后构建了一个比任务所需大得多的系统。该模型擅长在清晰的任务内决定如何推进。在决定任务应该变成什么或工作何时完成时，它不太可靠。
快速纠正使监督变得容易
快速的响应使管理这个边界变得更容易。我可以要求不同的结构、更窄的主张或另一种交互，并在我还记得什么感觉不对劲时看到结果。一个失败的方向花费几分钟而不是半小时。Mike 有一个规则抓住了这种差异：“如果你是循环中的人类，Codex 应用是一个更好的居住地，但如果你想将自己从循环中移除，你需要 Fable。”
结论
Sol 是我们在工作变化时大多数人希望放在身边的模型。它响应足够快，可以进行实时迭代，并且可以承担实质性的执行。它还会在要求用户重新布置任务之前搜索可用的上下文。快速的周转和强大的上下文利用使 Sol 广泛有用，尽管 Fable 和 Opus 在特定工作上保留了明显的优势。
如果出现以下情况，请使用 Sol……
- 你正在写作、研究、构建或分析一些你预计会边做边修改的东西。
你正在写作、研究、构建或分析一些你预计会边做边修改的东西。
- 项目已经包含有用的来源、示例、指令或先前的决策。
项目已经包含有用的来源、示例、指令或先前的决策。
- 你有一个清晰的结果，并希望模型处理步骤、工具和后续跟进。
你有一个清晰的结果，并希望模型处理步骤、工具和后续跟进。
- 你正在修复一个困难的 bug 或构建一个功能，你可以在实现扩展之前审查其边界。
你正在修复一个困难的 bug 或构建一个功能，你可以在实现扩展之前审查其边界。
Katie Parrott 是 Every 的特约撰稿人。你可以在她的通讯中阅读更多她的作品。
要阅读更多此类文章，请订阅 Every，并在 X 上关注我们 @every 和 LinkedIn。
探索 Every 的即将举行的研讨会和训练营，并获取过往活动的录音。
如需赞助机会，请联系 [email protected]。
Austin 让 Sol 写营销文案时，也发现了类似情况。没有指导时，Sol 写出来的东西“很普通”——既没特色又爱重复。但有了 Spiral（一个能提供公司背景、模板和风格指导的工具），它就能写出落地页文案、社交媒体帖子和营销邮件，Austin 觉得几乎不用改就能直接用。
Sol 是一个很依赖上下文的模型。给它原始材料、示例和规则，它的输出质量就会提升。如果让它自己从头琢磨论点和标准，那它原本的短板就又暴露出来了。
协作：能快速响应指令的初稿
Sol 最强的能力是当个实时写作伙伴。它修改速度快，能紧密跟随编辑的指导，所以写作者可以尝试新的开头、调整段落结构，或者直接扔掉一段写得不好的内容，而不用每次都从头开始。
对于我 日常的写作流程（以采访驱动、反复修改、需要大量指导和反馈，还有风格文档和大量示例可以参考），Sol 明显比 Claude 系列模型更好用。Opus 反应慢，Sonnet 5 又不好控制，而 Sol 能快速适应新的方向，并根据反馈做出修正。我可以要求换个角度或结构、用更直白的语言、或者补充更多证据，然后很快就能拿到一个新版本让我继续调整。Sol 还能把新信息应用到对话后续的环节中，不会像 Sonnet 5 那样，只盯着最新信息而忽略了整体目标。
技术咨询主管 Mike Taylor 也开始把写作和编辑工作交给 Sol，因为它“基本上从不说让人反感的话”。它能接受修改，记住原始资料和之前的决定，然后快速重试。
人类编辑仍然负责判断，但 Sol 让这种判断在整篇草稿中更容易执行。对于促销邮件、社交媒体帖子这类目标受众和目的明确的任务，可以直接用它来写。对于文章，给它输入材料、示例和编辑规则，然后让人类负责最终定稿。
Codex 扩展了能力，但过程不透明
Codex 让这种协作能力更强了。文件、插件、浏览器控制、目标（Goals）和其他线程，让 Sol 能收集上下文并据此行动，用户不用在每个工具里重新搭建任务。但同样的上下文如果过时了，反而会拖累模型。Naveen 一开始觉得 Sol 在客服方面比 GPT-5.5 还差。后来他删除了为旧模型写的防御性规则，输出质量就提升了。Sol 只是找到了指令并执行了它；问题出在指令本身。
目前产品的一个弱点是可见性。Every 的工程联合负责人 Andrey Galko 喜欢 Codex 的速度和界面，但经常需要反向推导才能知道 Sol 尝试了什么、修改了什么、决定了什么（Kieran 在最近的 AI Engineer 大会上也注意到了这个趋势）。Opus 在工作时会解释更多自己的过程。Sol 能成功完成任务，但用户对它是怎么做到的，信心不足。
Sol 负责执行，Fable 负责定方向
团队已经开始根据 Sol 的优势和局限来分配工作。Dan 把 Fable 作为处理困难工程任务的主要智能体，把明确的任务交给 Sol 执行。Mike 已经把 Sol 作为日常主力工具，说它“终于打败了 Opus”，同时保留 Fable 用于它“尖锐的智能”和更强的上下文利用能力。当目标明确，并且你希望有一个能持续推进、同时你还能参与其中的智能体时，就用 Sol。当定义系统本身是主要任务时，要尽早设置检查点，或者把架构交给 Fable，让 Sol 负责执行。
以下情况请用 Fable……
- 任务要求很模糊，判断项目需要什么本身就是工作的一大部分。
任务要求很模糊，判断项目需要什么本身就是工作的一大部分。
- 你想把一个长任务交出去，然后离开，等完成后再回来检查结果。
你想把一个长任务交出去，然后离开，等完成后再回来检查结果。
- 简化、架构和克制比快速来回迭代更重要。
简化、架构和克制比快速来回迭代更重要。
以下情况请用 Opus……
- 你想在工作时看到模型更多的推理过程和进展。
你想在工作时看到模型更多的推理过程和进展。
总的来说，Sol 和 Codex 让我们看清了 OpenAI 正在构建什么：一个既能处理我们交办的任务，又能对我们亲自打磨的工作保持足够响应能力的生态系统。Fable 仍然是我们委托最大任务时的首选。OpenAI 正在打造一个我们愿意长期停留的地方。
披露：OpenAI 为 Every 提供了 GPT-5.6 的早期访问权限。OpenAI 对本评测没有施加任何影响。
在页面中展开原始 Markdown
---
title: "氛围测评：GPT-5.6 Sol 是我们最喜欢的协作模型"
title_en: "Every's 9-Person Team Ran GPT-5.6 Sol for a Month: Here's the Verdict"
source: "every.to"
source_url: "https://every.to/vibe-check/gpt-5-6-sol"
published_at: "2026-07-10T00:00:00.000Z"
language: "zh-CN"
topics: ["openai"]
tags: ["深度","GPT-5.6 Sol","OpenAI","AI模型评测"]
review_status: "unreviewed"
---
# 氛围测评：GPT-5.6 Sol 是我们最喜欢的协作模型
> GPT-5.6 Sol 在日常知识工作中表现出色，速度快、资源丰富且易于引导，但 Fable 在处理最模糊、最复杂的任务时仍占优势。
## 内容摘要
GPT-5.6 Sol 是 OpenAI 发布的最新模型，在日常知识工作中表现卓越，速度快、资源丰富，能快速响应指令并利用上下文。它擅长协作式工作，如写作、编码和数据分析，但在需要独立决策和简化架构的任务上不如 Fable。Sol 在编码基准测试中得 56/100，写作排名最后，但团队实际使用中更偏爱它。OpenAI 同时推出了 ChatGPT Work 和 Codex 合并的桌面应用，以及新的模
## 为什么值得关注
GPT-5.6 Sol 代表了 AI 模型在日常知识工作中的重大进步，它让用户能够更高效地协作和迭代，而不是完全委派任务。这改变了人们使用 AI 的方式，从简单的任务委派转向更紧密的协作，同时揭示了模型在独立决策和简化方面的局限性。
## 核心要点
- Sol 速度快、资源丰富，能快速响应指令，适合协作式知识工作。
- 在编码和写作中，Sol 执行力强，但需要清晰的任务边界和人类监督。
- Fable 在处理模糊、长期任务上仍优于 Sol。
- OpenAI 推出了新的模型层级 Terra 和 Luna，以及合并的桌面应用。
- Sol 的上下文利用能力强，但独立判断和简化能力较弱。
# 氛围测评：GPT
我们默认使用分析和广告工具。你可以随时更新设置。
# 氛围测评：GPT-5.6 Sol 是我们最喜欢的协作模型
Sol 速度快、资源丰富，而且异常容易引导——但 Fable 仍然负责那些我们希望完全放手交给它的任务。
在 GPT-5.6 Sol 下线的那段时间里，我们很想念它。
大约有一个月的时间，Sol 无处不在，渗透在我们的工作中。它帮 [Dan Shipper](https://every.to/@danshipper) 保持收件箱清零，追踪会议和 Slack 中的决策，这些决策他本来可能会错过。它跟得上 [Austin Tedesco](https://every.to/@tedescau) 的节奏，从活动创意到邮件，再到落地页和实验，全程无需他重复自己或失去焦点。它为我（[Katie Parrott](https://every.to/@katie.parrott12)）检索文件和上下文，速度快到彻底改变了我日常使用模型的方式。
然后，在六月底，我们失去了访问权限，因为 Sol 正在接受[政府审查](https://www.politico.com/news/2026/06/25/openai-gpt-model-goverment-approval-00977551)。Dan 说，回到其他模型——即使有 Fable 可用——感觉就像回到了石器时代。Austin 把使用 GPT-5.5 比作“试图投一个比我习惯用的重两倍的篮球”。在我们的 [Sonnet 5 氛围测评](https://every.to/vibe-check/sonnet-5)中，我们谈到了期望值上升的革命。没有 Sol 的这段时间，凸显了你适应更高标准的速度有多快——以及当这种进步倒退时，有多难受。
GPT-5.6 Sol 在日常知识工作方面，是模型能力的一次重大飞跃。它速度快到能跟上你的节奏，资源丰富到能自己找到做好工作所需的上下文，当第一种方法失败时它会坚持不懈，当你改变方向时它能迅速响应。
几个月来，我们一直在追踪我们使用 AI 方式上的一个分歧。有时，你想委派任务——把任务交给模型，让它去干，然后回来拿到一个可以继续处理的结果。其他时候，比如你在处理一个冗长的复杂报告或一个大型写作项目时，你想协作——贴近工作，快速看到选项，并随着工作的进展做出引导结果的决策。Sol 融合了速度、智能和可引导性，让它成为第二种工作的绝佳选择。
[Fable](https://every.to/vibe-check/anthropic-mythos-our-fable-vibe-check) 仍然负责最大、最模糊的任务——那些规划和决策本身就是任务一大部分的工作。Austin 用它来处理长期的市场推广工程任务，比如设置新的用户旅程，以不同受众类型进行端到端测试，并循环工作以持续改进流程。Dan 则用它来进行涉及大量综合、数据集开发和实验的基准测试项目。但是，一旦我们完成委派，准备深入工作时，GPT-5.6 Sol 就是我们想要投入时间的地方。
如今，新模型发布很少是孤立的，今天也不例外。除了 GPT-5.6，OpenAI 还在将 ChatGPT 和 Codex 的桌面体验合并成一个统一的应用程序。此举似乎是为了为智能体工作搭建一个更大的平台——吸引更多 ChatGPT 超过 8 亿的用户。
我们使用新应用体验的时间有限，但到目前为止，就像之前的 [Codex](https://every.to/guides/codex-for-knowledge-work) 一样，这是一个我们愿意花时间使用的应用。这是个好消息，因为 GPT-5.6 Sol 是一个我们愿意花时间与之相处的模型。Dan 的比喻是，Sol 是一辆保时捷，而 Fable 是曲速引擎。Fable 当然可以带你去银河系。但大多数时候，你不是要去太空——你只是想在城市里转转。Sol 就是那个让你能时尚出行的模型。
更多关于我们驾驶体验的内容，请看下文。
## OpenAI 怎么说
[OpenAI 称 Sol](https://openai.com/index/previewing-gpt-5-6-sol/) 是“迄今为止最强的模型”，但它发布的证据集中在特定类型的工作上：需要智能体规划、使用工具并持续工作的困难任务。该公司表示，Sol 在 Terminal-Bench 2.1 上设立了新的行业最佳水平，该基准测试需要规划、迭代和工具使用的命令行任务。它还报告说，在一个长期运行的生物学基准测试中，结果比 [GPT-5.5](https://every.to/vibe-check/gpt-5-5) 更强，并且取得了公司最佳的网络安全性能。
一个新的最大推理设置让一个 Sol 智能体有更多时间工作，而一个超级模式则协调多个智能体处理同一个任务。OpenAI 还在 Sol 层级之下推出了新的模型层级：Terra 是用于日常工作的低成本模型，Luna 是最快且最便宜的。OpenAI 表示，即使其内部的模型不断进步，这些名称将作为能力层级保留下来。
OpenAI 在推出 GPT-5.6 的同时，还带来了另一个重大产品更新：将 ChatGPT 和 Codex 的桌面体验合并到一个应用中。ChatGPT Work 旨在承担大部分知识工作任务，而 Codex 则拥有一个专门的技术工作标签页。
在定价方面，OpenAI 的三个层级与 Anthropic 的三个模型紧密对应。Sol 的输入价格为每百万 token 5 美元，输出价格为每百万 token 30 美元，与 [Opus 4.8](https://www.anthropic.com/claude/opus) 的输入价格相同，但输出价格贵 5 美元。Terra 的价格是输入 2.50 美元，输出 15 美元，而 [Sonnet 5](https://www.anthropic.com/news/claude-sonnet-5) 在 8 月 31 日前的介绍价是输入 2 美元，输出 10 美元；之后 Sonnet 将涨至输入 3 美元，输出 15 美元。Luna 的价格是输入 1 美元，输出 6 美元，与 [Haiku 4.5](https://www.anthropic.com/claude/haiku) 的输入价格相同，输出贵 1 美元。
Sol
输入 5 美元 / 输出 30 美元
每百万 token
Terra
输入 2.50 美元 / 输出 15 美元
每百万 token
Luna
输入 1 美元 / 输出 6 美元
每百万 token
## 触达测试
“GPT-5.6 Sol 在 ChatGPT Codex 和 Work 中显然是知识工作的黄金标准。我首先会用它作为我的日常主力模型，处理几乎所有的任务。它达不到 Fable 的水平——我会在遇到最困难的任务时切回 Fable——但对于其他所有事情，5.6 是我的首选。”
“Sol 是一个勤恳的模型。相比之前的 GPT 模型，我更信任它作为协作者：它很彻底、乐于助人，不做蠢事，而且足够有创意，能把事情搞定。Fable 在处理复杂、长期的任务上仍然更好，但 Sol 能做到 Fable 能做的 90%。”
“Sol 是我用过的最好的知识工作模型，而且是在最好的知识工作应用里。它现在能处理我至少 80% 的日常任务，基本上我脑子里自然想到的任何尝试它都能接手。我仍然希望 Fable 在后台运行，处理那些我需要强迫自己去考虑可能性的工作。”
“Sol 已经成了我的日常主力模型。我仍然更喜欢 Fable 那种尖锐、犀利的智能以及它对上下文的运用，但 GPT-5.6 是我每天都会使用的最佳、最具成本效益的全能模型。”
“5.6 和 Codex 的结合确实改变了我日常处理工作的方式，仅凭这一点，我就认为这是一个范式转变的模型。具体到写作，我发现 Sol 比 Claude 模型更擅长利用风格指南和样本等上下文来指导其工作，而且它的速度和接受指令的能力使其非常适合协作写作。但是，真正达到人类水平的散文对于前沿模型来说仍然是一个难以企及的目标，这让我怀疑我们在写作方面是否已经达到了 AI 能力的平台期。”
“Sol 让我重新开始信任 GPT 模型进行编码。它做随机事情更少，需要的后续跟进更少，并且比 GPT-5.5 能端到端地承担更多工作。我仍然更喜欢 Fable，有时也喜欢 Opus，部分原因是 Codex 隐藏了太多过程，我不总是理解它是如何得出结果的。”
“GPT-5.6 Sol 是我过去一个月里的首选模型——也是我用过的最可靠的模型。自从 Fable 推出以来，我的工作流程已经形成了一个强大的分工：Fable 充当编排者，制定计划，而 Sol 执行计划。这种组合帮助我为 Monologue 交付了大量成果，从 Notes 的重大改进到在一天内构建了整个 Monologue 网页应用。Sol 仍然是我在日常开发 Monologue 原生应用时最信任的模型。”
“到目前为止，我更喜欢 Sol 进行知识工作，因为它给了我精细的控制权，又不需要我管理每一个小决策。它可以主动采取行动，提出有用的问题，同时仍然让我看到工作的进展。早期测试中，与 5.5 相比，它的能力感觉真的很神奇，但后期测试中的一个计算错误让我措手不及。我已经使用 Codex 作为我的主要工作界面一段时间了，所以如果我能重建信任，Sol 对我来说将是一个改变游戏规则的东西。”
“Sol 比 Fable 更快、更细致；这个 GPT 模型是我新的首选，用来帮我进行局部编辑，比如去除过于技术性的语言，或者重写那些即使是人写的，听起来也太像 AI 的句子。如果我只能选择一个模型进行协作工作，那会是 Sol。话虽如此，Fable 有更好的品味，我敢说；在大型架构决策和 UI 设计上，我更信任它的判断。而且我不必只选一个模型。我可以让 Fable 告诉 Sol 或 Opus/Sonnet 去执行，或者让 Sonnet 5 就棘手问题咨询 Fable。我不是孤立地使用这些模型，我认为其他人也不应该这样做。”
## 编码：强大的执行力需要清晰的边界
在日常使用中，Sol 相比 GPT-5.5 是一个实质性的编码升级。它可以在不熟悉的生产代码库中追踪一个 bug，端到端地承载一个大型项目，并在其他模型可能已经停止后继续测试。我们工程团队的几位成员已经把它作为日常主力模型。
当一项广泛的任务要求模型决定不构建什么时，它的局限性就显现出来了。Sol 的执行力非常持久。但它并不总是有最好的克制力。
它在我们的[高级工程师基准测试](https://every.to/benchmarks/senior-engineer-benchmark)中得了 56/100 分。相比之下，Fable 得了 90/100 分。分数的差异主要来自于 5.6 倾向于重写。我们认为 56/100 实际上低估了 5.6 的表现，这是基准测试惩罚了 5.6 倾向于过度复杂化其工作的结果。我们能给出的最好总结是：它接近但尚未达到 Fable 的水平。
### 清晰的任务能发挥其最佳水平
最强的生产实例来自 [Naveen Naidu](https://every.to/@naveen_6804)，他在 [Monologue](https://www.monologue.to/) 的日常生产工作中测试了 Sol。GPT-5.5 在超高推理模式下曾多次未能找到笔记记录 bug 的原因。Sol 在现有代码库中追踪了故障并修复了它。
[Kieran Klaassen](https://every.to/@kieran_1355) 也要求 Sol 和 Fable 从一个提示词重建 Proof，我们的协作文档编辑器。Sol 在大约三分之一的时间内返回了一个可运行的类似 Proof 的应用，尽管 Dan 更喜欢 Fable 的设计。Sol 还完成了一个单提示词的数字音频工作站，而 GPT-5.5 未能完成。
这些结果与团队的经验相符：当所需系统清晰时，Sol 速度快、资源丰富，并且在实现方面很强。
### 高级工程师基准测试发现了一个特定的失败模式
我们的[高级工程师基准测试](https://every.to/benchmarks/senior-engineer-benchmark)给模型一个混乱的协作代码库，并要求它像高级工程师那样重写系统。
5.6 在生成完整重写方面做得令人钦佩，但它过度重写了：它构建了一个包含数千行代码的复杂新系统。Sol 增加了大约 12,900 行代码，分布在四个协作进程中。每个添加的原因都很清楚，但综合起来，它们重新创造了过多的复杂性。
Dan 的最终评审将几乎所有的差距归因于评分标准中奖励简化、惩罚不必要机制的两个部分。Sol 的弱点不在于理解架构。而在于它在构建了足够多的东西后没有停下来。
当决定不构建什么是主要工程任务之一时，Fable 仍然是我们的首选。一旦方向确定，Sol 通常是我们希望执行它的模型。
## 写作：一个拥有上下文和方向的出色协作者
Sol 在我们的[写作基准测试](https://every.to/vibe-check/opus-4-8-vibecheck)中，在六个模型中排名最后，它生成的散文最难读，编辑选择也最偏离已发布的参考文献。尽管如此，Every 团队在日常写作中压倒性地更喜欢它，而不是 [Sonnet 5](https://every.to/vibe-check/sonnet-5) 或 Opus 4.8。
原因归结为我们整个测试中看到的委派与协作的分歧。当你试图委派工作，让模型做出重大的编辑决策，并返回一个成品时，Sol 较弱。但它是一个很好的协作者，项目上下文帮助它做出更好的决策，编辑可以快速引导它。
这篇氛围测评本身就是一个例子：Sol 能够追踪过去[氛围测评](https://every.to/vibe-check)中的风格趋势，找到支持细节的埋藏很深的 Slack 对话，并在六到八小时的专注工作中快速完成了 24 个草稿——所有这些都没有让我在它思考时等待。每个草稿都代表了一系列编辑决策，引导我们更接近最终结果应该是什么样子。对于像 AI 原生写作那样迭代和协作的工作来说，这是一个强大模型的要素——即使一次性生成文章引言或像人类那样精确编辑仍然遥不可及。
### 文案质量：紧凑的句子，更大的词汇
Sol 写相对较短的句子，并将论点分解成紧凑的段落。在它尝试为[“自动化之后”](https://every.to/p/after-automation)写引言的最强尝试中，它比 Opus 4.8 更接近已发布开头的节奏，后者用更少、更大的块来发展其版本。
困难在于句子内部。即使两个模型写出长度相似的句子，Sol 也比 Opus 使用更长、更抽象的词汇和短语（“明显的影响是替代”对比 Opus 的“机器接手了任务”；“二阶效应是扩张”对比“它开辟了一个新领域”）。Opus 在更复杂的句法中使用更平实的语言；Sol 生成的页面易于浏览，但行文需要更多功夫去理解。
明显的 AI 痕迹也不是它排名最后的原因。在我检查陈旧的过渡、虚假的对比、陈词滥调和重复的修辞模式时，Sol 处于组内中等水平。它的散文看起来可能很干净，但不够清晰，以至于你不能在不对机器人语言进行最终检查的情况下就把它发出去。
### 编辑判断：连贯的草稿，但可预测的选择
Sol 更大的弱点是决定文章应该说什么。当被要求为 Dan 的“自动化之后”文章写引言时，它找到了开头的悖论，即 Every 团队已经自动化了这么多，但工作却比以往任何时候都多。但是，模型将这个观察扩展成了一个关于自动化提高公司雄心的熟悉论点，而发表的文章则对 AI 采用与人类工作需求之间的关系提出了一个更具体的论断。Sol 还错过了模型收到的源材料包中的名字、基准测试和报道，这些材料本应告知它们对任务的理解。它写了一个连贯的引言，但模糊了使这个故事值得讲述的机制。
当 Sol 试图预测 Every 主编 [Kate Lee](https://every.to/@kate_1767) 的最终编辑时，也出现了同样的差距。它错过了重要的修改，并提出了太多合理但不必要的修订。Sol 可以生成选项，但无法可靠地判断哪些选项会让文章变得更好。
Sol 最强的基准测试结果出现在促销邮件上，它在社交媒体文案上也做得很好。这些格式通常已经定义了受众、优惠、长度和期望的回应。Sol 更擅长在这些决策内进行写作，而不是自己为复杂的文章做出这些决策。
### 上下文利用：配合写作系统时更强
我们的写作基准测试特意限定范围，以观察模型在独立运作时会做什么。但在现实世界的上下文中，我们给模型提供了更多的材料。当你看到 GPT-5.6 吸收和利用这些上下文时，它更令人印象深刻的品质就开始显现了。
我给了 Sol 和 Opus 4.8 相同的文章任务、源材料和方向，并要求它们为我的专栏 [Working Overtime](https://every.to/working-overtime) 生成初稿。Sol 返回了一个引人入胜的开头和一个更接近 Working Overtime 既定声音和风格的草稿，而 Opus 返回了更密集的段落，难以阅读，并且与我上下文文件中定义的我的声音不匹配。
## 知识工作：它在寻求帮助之前会先阅读
Sol 是我们日常知识工作的首选模型，因为它会阅读可用的上下文，识别需要人类判断的决策，并将答案带入下一步行动。当一项大型、定义松散的任务需要更大的独立飞跃时，Fable 仍然更强；Sol 更快，更容易引导，适合在研究、分析、写作、电子表格和产品变更之间移动的协作工作。
Every 的运营主管 Arielle Shipper 给 GPT-5.5、Sol 和 Fable 相同的初始提示，用于一个电子表格任务。每个模型都必须找到一封邮件，将 46 个附加 CSV 文件中的数据与现有电子表格进行核对，并执行需要判断力而非机械合并的分析。
Sol 找到了邮件，检查了文件，注意到缺失的信息，并带着七个问题回来了，比如分析应该应用于哪些子组，以及特定指标应该如何计算。每个问题都包含一个建议，让 Arielle 可以批准或纠正，而不是给她另一个研究任务。它还扩展了她提出的分析，并生成了一个可用的初稿。
GPT-5.5 问在哪里可以找到邮件，尽管 Arielle 已经提到了发件人，然后生成了一个不可用的初稿。Fable 提出了一个有用的摘要标签页，解释了每个字段，但它要求 Arielle 将文件移动到 Google Drive 并在继续之前做出几个较小的决定。
在测试后期，Arielle 发现 Sol 在分析 ChatGPT 使用数据时犯了一个严重的计算错误。这个错误动摇了她对结果的信心，并表明即使是一个结构良好的协作，仍然需要仔细审查。
Austin 的日常工作流程展示了跨不同类型工作的相同连续性。他可以从一个活动创意开始，起草邮件，将文案转化为落地页，并设置一个实验，而无需离开 Codex 或再次解释受众和优惠。[Jack Cheng](https://every.to/@jackcheng)，Every 的高级编辑，在构建文案将出现的公开页面时，使用 Sol 合并段落并去除行话。他可以在最终界面中判断每一行，并继续处理其周围的产品。
他们的工作流程比一次性应用更接近大多数工作日：找到来源，理解请求，询问需要人参与的决策，并将答案带入最终成品。
## 智能体行为：它持续工作，并能很好地响应纠正
当有人类保持在循环中时，Sol 作为智能体最强。它持续处理长期任务，找到所需的文件和工具，在定义的目标内做出明智的决策，并在被纠正时迅速改变方向。它的判断力在执行过程中最强，而在必须决定整个系统应该变成什么样时较弱。
### 它能找到所需的东西
持久性是相比 GPT-5.5 最明显的升级。Kieran 看着 Sol 完成了早期 GPT 模型会崩溃的任务。Mike 说 Codex 改进的压缩现在使 Goals 足够可靠，以至于他已经停止试验自己复杂的编排。
Sol 在向用户寻求帮助之前也做了更多工作。它搜索可用的文件，阅读常设的项目指令，并使用连接的工具，而不是将源检索变成另一个交给人的任务。
### 在清晰的目标内判断力最强
模型沿途做出良好的局部决策。当一个长期运行的工程测试失败时，Sol 发现了它构建的系统中的一个泄漏，并修复了产品，而不是削弱测试。它还拒绝在 Dan 允许之前推送代码。在 Mike 最新的 [PowerPoint 运行](https://every.to/also-true-for-humans/ai-could-do-anything-then-it-met-powerpoint)中，Sol 选择了自己的视觉方向，而不是费力地将内容强行塞入 Every 现有的模板——这是他见过的第一个这样做的 OpenAI 模型，尽管 Opus 4.7 更早达到了这一点。
随着目标变得更广泛，它的判断力变得不那么可靠。Sol 在我们的高级工程师基准测试中理解了架构，然后构建了一个比任务所需大得多的系统。该模型擅长在清晰的任务内决定如何推进。在决定任务应该变成什么或工作何时完成时，它不太可靠。
### 快速纠正使监督变得容易
快速的响应使管理这个边界变得更容易。我可以要求不同的结构、更窄的主张或另一种交互，并在我还记得什么感觉不对劲时看到结果。一个失败的方向花费几分钟而不是半小时。Mike 有一个规则抓住了这种差异：“如果你是循环中的人类，Codex 应用是一个更好的居住地，但如果你想将自己从循环中移除，你需要 Fable。”
## 结论
Sol 是我们在工作变化时大多数人希望放在身边的模型。它响应足够快，可以进行实时迭代，并且可以承担实质性的执行。它还会在要求用户重新布置任务之前搜索可用的上下文。快速的周转和强大的上下文利用使 Sol 广泛有用，尽管 Fable 和 Opus 在特定工作上保留了明显的优势。
### 如果出现以下情况，请使用 Sol……
- 你正在写作、研究、构建或分析一些你预计会边做边修改的东西。
你正在写作、研究、构建或分析一些你预计会边做边修改的东西。
- 项目已经包含有用的来源、示例、指令或先前的决策。
项目已经包含有用的来源、示例、指令或先前的决策。
- 你有一个清晰的结果，并希望模型处理步骤、工具和后续跟进。
你有一个清晰的结果，并希望模型处理步骤、工具和后续跟进。
- 你正在修复一个困难的 bug 或构建一个功能，你可以在实现扩展之前审查其边界。
你正在修复一个困难的 bug 或构建一个功能，你可以在实现扩展之前审查其边界。
[Katie Parrott](https://every.to/@katie.parrott12) 是 Every 的特约撰稿人。你可以在[她的通讯](https://every.to/working-overtime)中阅读更多她的作品。
要阅读更多此类文章，请[订阅 Every](https://every.to/subscribe?utm_source=gpt_5_6_vibecheck_footer)，并在 X 上关注我们 [@every](https://x.com/every) 和 [LinkedIn](https://www.linkedin.com/company/everyinc/)。
探索 Every 的[即将举行的研讨会和训练营](https://every.to/events)，并获取过往活动的录音。
如需赞助机会，请联系 [[email protected]](https://every.to/cdn-cgi/l/email-protection#6516150a0b160a17160d0c151625001300171c4b110a)。
Austin 让 Sol 写营销文案时，也发现了类似情况。没有指导时，Sol 写出来的东西“很普通”——既没特色又爱重复。但有了 [Spiral](https://every.to/on-every/spiral-4-0-goes-agent-native)（一个能提供公司背景、模板和风格指导的工具），它就能写出落地页文案、社交媒体帖子和营销邮件，Austin 觉得几乎不用改就能直接用。
Sol 是一个很依赖上下文的模型。给它原始材料、示例和规则，它的输出质量就会提升。如果让它自己从头琢磨论点和标准，那它原本的短板就又暴露出来了。
### 协作：能快速响应指令的初稿
Sol 最强的能力是当个实时写作伙伴。它修改速度快，能紧密跟随编辑的指导，所以写作者可以尝试新的开头、调整段落结构，或者直接扔掉一段写得不好的内容，而不用每次都从头开始。
对于我 [日常的写作流程](https://every.to/working-overtime/writing-with-ai-is-harder-than-you-think)（以采访驱动、反复修改、需要大量指导和反馈，还有风格文档和大量示例可以参考），Sol 明显比 Claude 系列模型更好用。Opus 反应慢，Sonnet 5 又不好控制，而 Sol 能快速适应新的方向，并根据反馈做出修正。我可以要求换个角度或结构、用更直白的语言、或者补充更多证据，然后很快就能拿到一个新版本让我继续调整。Sol 还能把新信息应用到对话后续的环节中，不会像 Sonnet 5 那样，只盯着最新信息而忽略了整体目标。
技术咨询主管 [Mike Taylor](https://every.to/@mike_2114) 也开始把写作和编辑工作交给 Sol，因为它“基本上从不说让人反感的话”。它能接受修改，记住原始资料和之前的决定，然后快速重试。
人类编辑仍然负责判断，但 Sol 让这种判断在整篇草稿中更容易执行。对于促销邮件、社交媒体帖子这类目标受众和目的明确的任务，可以直接用它来写。对于文章，给它输入材料、示例和编辑规则，然后让人类负责最终定稿。
### Codex 扩展了能力，但过程不透明
Codex 让这种协作能力更强了。文件、插件、浏览器控制、目标（Goals）和其他线程，让 Sol 能收集上下文并据此行动，用户不用在每个工具里重新搭建任务。但同样的上下文如果过时了，反而会拖累模型。Naveen 一开始觉得 Sol 在客服方面比 GPT-5.5 还差。后来他删除了为旧模型写的防御性规则，输出质量就提升了。Sol 只是找到了指令并执行了它；问题出在指令本身。
目前产品的一个弱点是可见性。Every 的工程联合负责人 Andrey Galko 喜欢 Codex 的速度和界面，但经常需要反向推导才能知道 Sol 尝试了什么、修改了什么、决定了什么（Kieran 在最近的 [AI Engineer](https://www.ai.engineer/) 大会上也注意到了这个趋势）。Opus 在工作时会解释更多自己的过程。Sol 能成功完成任务，但用户对它是怎么做到的，信心不足。
### Sol 负责执行，Fable 负责定方向
团队已经开始根据 Sol 的优势和局限来分配工作。Dan 把 Fable 作为处理困难工程任务的主要智能体，把明确的任务交给 Sol 执行。Mike 已经把 Sol 作为日常主力工具，说它“终于打败了 Opus”，同时保留 Fable 用于它“尖锐的智能”和更强的上下文利用能力。当目标明确，并且你希望有一个能持续推进、同时你还能参与其中的智能体时，就用 Sol。当定义系统本身是主要任务时，要尽早设置检查点，或者把架构交给 Fable，让 Sol 负责执行。
### 以下情况请用 Fable……
- 任务要求很模糊，判断项目需要什么本身就是工作的一大部分。
任务要求很模糊，判断项目需要什么本身就是工作的一大部分。
- 你想把一个长任务交出去，然后离开，等完成后再回来检查结果。
你想把一个长任务交出去，然后离开，等完成后再回来检查结果。
- 简化、架构和克制比快速来回迭代更重要。
简化、架构和克制比快速来回迭代更重要。
### 以下情况请用 Opus……
- 你想在工作时看到模型更多的推理过程和进展。
你想在工作时看到模型更多的推理过程和进展。
总的来说，Sol 和 Codex 让我们看清了 OpenAI 正在构建什么：一个既能处理我们交办的任务，又能对我们亲自打磨的工作保持足够响应能力的生态系统。Fable 仍然是我们委托最大任务时的首选。OpenAI 正在打造一个我们愿意长期停留的地方。
披露：OpenAI 为 Every 提供了 GPT-5.6 的早期访问权限。OpenAI 对本评测没有施加任何影响。
---
英文原文：[Every's 9-Person Team Ran GPT-5.6 Sol for a Month: Here's the Verdict](https://every.to/vibe-check/gpt-5-6-sol)