知识卡片：GPT-5.6 实测：跑分领先，深度协作仍逊 Fable 5

一句话结论

GPT-5.6 在多项标准基准测试中领先、单任务官方标称成本约为 Fable 5 的一半，但第三方评测的智能指数接近 Fable 5；作者实测深度项目协作时表现死板、耗时巨大、额度消耗快，实际成本优势存疑。

事件概述

OpenAI 全量上线 GPT-5.6，官方宣称在 Terminal-Bench、DeepSWE 等基准上全面领先，单任务成本约为 Fable 5 的一半。第三方机构 Artificial Analysis 的 Sol 智能指数显示 GPT-5.6 得 59 分，贴近 Fable 5 的 60 分；Codex+Sol 以 80 分登顶编程榜单。作者实测一个深度项目协作任务，GPT-5.6 每步反复核对，一小时未完成 Fable 5 十分钟搞定的任务，且额度消耗极快，质疑官方“成本减半”的说法。

方法/产品要点

模型版本：GPT-5.6（OpenAI 最新全量上线版本）。
基准表现：官方称在 Terminal-Bench、DeepSWE 等基准全面领先，单任务成本约为 Fable 5 的一半。
第三方评测：Artificial Analysis 的 Sol 智能指数：GPT-5.6 59 分 vs Fable 5 60 分；编程榜 Codex+Sol 以 80 分登顶。
实测协作：作者进行深度项目协作测试，GPT-5.6 显得死板、每步反复核对，一小时未完成 Fable 5 十分钟完成的同类任务，额度消耗极快。
发布会其他信息：Codex 更名 ChatGPT Work；桌面 App 五入口合一；GPT-5.4 将于 7 月 23 日下线；Sites 可将成果一键变为可交互网站。

主要结果或产业意义

标准基准测试上 GPT-5.6 处于领先地位，但真实代理协作任务中表现不及 Fable 5，说明跑分与实际用户感受存在差距。
官方宣称的成本优势在实测中受到质疑，任务耗时和额度消耗可能抵消单次任务标称成本优势。
产品迭代加速：GPT-5.4 即将下线，Codex 改名、“Sites”功能上线，表明 OpenAI 在整合产品线、提升成果可交付性。

为什么重要

这是 GPT-5.6 上线后首次从第三方实测角度揭示其“跑分强、协作弱”的短板，与已有 OpenRouter Fusion 等通过模型融合超越前沿性能的报道形成对比：即便单模型跑分领先，在复杂多步协作场景中传统预算模型+融合策略可能更具效率。
为企业在选择 AI 模型时提供参考：不能仅看基准分数和理论成本，须在真实业务流中验证实际耗时、额度消耗和协作流畅度。
与已有知识卡片《AA-Briefcase：前沿知识工作评估基准》形成补充：AA-Briefcase 侧重长周期知识工作评估，本条则聚焦单次深度项目协作中基准与实测的偏差。

局限与不确定性

作者实测为单次任务、个案性质，未提供可复现的详细任务描述、参数设置和额度消耗数据，结论代表性待验证。
未说明 Fable 5 的具体版本和配置，对比条件是否完全对等（如上下文长度、工具调用模式）待核实。
“单任务成本约为 Fable 5 一半”的官方声明与作者实测存在矛盾，需要更多第三方独立测试确认实际成本。
ChatGPT Work（原 Codex）的命名变更、桌面 App 合并等产品细节的功能影响待核实。

可用于图书/PPT/简报的角度

技术对比：用 GPT-5.6 和 Fable 5 的跑分与实测对比，说明“基准不等于真实能力”。
成本陷阱：以实测中额度消耗快为例，提醒企业警惕“标称成本”与实际使用成本之间的差距。
产品演进：从 Codex 更名到 GPT-5.4 下线，反映 OpenAI 加速迭代并整合产品线，可作为 AI 产业快速变化的案例。
选型决策：结合 OpenRouter Fusion 等融合方案，建议在需要复杂协作任务时考虑多模型组合而非单一旗舰模型。

原始材料

来源：搜狐文章《实测GPT-5.6：跑分领先，深度协作仍逊Fable 5》（腾讯研究院AI速递 20260713）
URL: https://m.sohu.com/a/1049403897_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=1
英文标题：GPT-5.6 Hands-on: Benchmark Leading, but Deep Collaboration Still Lags Behind Fable 5
英文关键词：GPT-5.6, Fable 5, benchmark, evaluation, deep collaboration, cost