OpenAI GPT-5.6 發佈：效能基準測試與開發者指南

OpenAI 已發佈 GPT-5.6，這是其前沿模型的最新迭代版本。此次發佈包含多種模型變體——Sol、Terra 與 Luna——旨在提供不同的效能與效率層級。GPT-5.6 Sol 在 ARC-AGI-3 基準測試中顯著地創下了 7.8% 的全新技術領先（SOTA）分數，成為第一個成功擊敗 ARC-AGI-3 遊戲的經過驗證的前沿模型。

GPT-5.6 開發者指南

GPT-5.6 在模型對提示詞（prompting）與圖像處理的反應方式上引入了變化。根據官方開發者指南，使用者應採用以下策略以最大化效能：

• 使用較短的提示詞： 內部評估顯示，將長且明確的系統提示詞替換為極簡提示詞，可提升約 10–15% 的分數，同時減少 41–66% 的總 Token 使用量並降低 33–67% 的成本。
• 精煉意圖理解： GPT-5.6 更擅長推斷使用者的潛在目標與預期的工作水準，而無需明確指定每一個步驟。然而，開發者仍應明確說明重要的限制條件、成功標準與核准邊界。
• 優化圖像細節： 模型現在會保留隨「original」或「auto」細節設定發送的圖像原始尺寸，而非將其調整為像素尺寸限制或 patch budget。
• 避免通用的簡短指令： 與 GPT-5.5 相比，GPT-5.6 對於如「Be concise」或「Keep it short」之類的指令更加敏感。
• 控制溫暖度： 提示模型變得更友善或更有同理心，並不會帶來顯著的效能提升。

模型效能與基準測試

GPT-5.6 Sol 被定位為此次發佈中的高效能前沿模型。在 GeneBench 與 LifeSciBench 的比較中，它展現了領先 Fable 等競爭對手的顯著優勢，儘管部分使用者指出 Fable 在某些比較中被排除在外，因為 Fable 在那些評估中拒絕回答了大部分問題。

在實際的程式碼測試中，早期使用者回饋呈現兩極化。一位測試模型建立小型 RTS 遊戲能力的開發者發現 GPT-5.6 Terra 的效能與 GPT-5.5 相似，且略遜於 Sonnet 5。

社群討論與模型選擇

使用者對於 Sol、Terra 與 Luna 模型的命名慣例表示困惑。社群希望能有一份更清晰的指南，說明根據特定使用案例、價格與效率，何時該使用哪種變體。

部分社群成員將 OpenAI 的 Token 效率方法與 Anthropic 進行比較，指出比起「token-max」方法，他們更偏好 OpenAI 專注於降低成本與 Token 使用量的做法。其他人則對基準測試結果是否經過挑選（cherry-picked）表示懷疑，特別是關於 5.6 Sol 優於 Fable 的結果。