← 所有節目科技浪

2026 · EP147 · OpenAI 系列

GPT-5.6 登場與模型排名

2026 年 7 月 13 日 · 76 分鐘

▶ 收聽這一集

原標題：EP147 - GPT-5.6 跟 Fable 誰強？Meta、SpaceXAI 也殺進模型戰場

哈利逐一評一週內冒出的三個新模型，排出三級名次，再談他為何認為模型能力已到 Digital AGI，剩下的是成本。

重點

GPT-5.6 是他現在的首選。哈利說最大的 Sol 只比 Fable 5 小輸一點，但贏過其他所有模型，成本約是 Fable 5 的一半。Artificial Analysis 的指數裡，Fable 5 是 60 分，GPT-5.6 Sol Max 是 59 分。

進步有一大塊來自 Harness。這次一起推出的 ChatGPT Work 讓簡單任務更少出錯，做 PPT 的排版問題也大減。他猜 70% 的功勞是 Harness，30% 是模型本身。

Grok-4.5 的重點是性價比。這是 SpaceXAI 改組後第一個全新 Base Model，1.5 兆參數。他說能力約 Opus 4.7 等級，成本只有三分之一，並預期一兩個月內會追到 Opus 4.8。

Meta 的優勢在資料與算力。Muse Spark 1.1 本身他認為不必用，但 Meta 在數萬名員工電腦上收集 RL 資料，加上今年預計上線 7GW 的算力。他說最大的不確定性是研究文化。

Anthropic 被他點名兩個失誤。一是 Dario 溝通 AI 風險的方式，二是當初沒像 OpenAI 一樣大買算力。他現在只為了 Fable 5 才訂 Anthropic。

Digital AGI 是成本問題。他主張現在的模型能力已經能做完 60 到 80% 的數位工作，卡住的是工具、Harness 與給的算力。他估計成本若持續下降，一年半到兩年後就會成真。

時間軸 點時碼從那一段開始

  1. 近況閒聊哈利手上有個產品一個月內要上線，進入衝刺期；偏偏最後一個月世足和英雄聯盟季中邀請賽的比賽一堆，誘惑很多。
  2. 一週三個新模型7 月 8 日與 9 日，OpenAI 發表 GPT-5.6、SpaceXAI 發表 Grok-4.5、Meta 發表 Muse Spark 1.1。加上 Fable 5 回歸，兩週內多了四個可用的模型。
  3. GPT-5.6 的三種大小他最愛的模型，講的是最大的 Sol，另有中等的 Terra 與最小的 Luna。API 價格與 5.5 相同，他猜是同一個 Base Model 後訓練出來的。
  4. 用指數比智能Artificial Analysis 的指數結果跟他的體感一致：Fable 5 60 分、GPT-5.6 Sol Max 59 分、Opus 4.8 56 分。他覺得 Fable 5 更有 Big Model Smell，可能因為模型比較大。
  5. ChatGPT Work 與簡單任務新的 Work 模式是為知識工作設計的 Harness。他叫它把 Notion 行事曆的 40 幾個項目搬到 Google 行事曆，結果全對，還自己略過已存在的重複項目。
  6. 複雜任務與 PPT超過 15、20 分鐘的長任務進步更明顯，PPT 的字疊在框上、出框等問題大幅減少。他猜 70% 功勞來自 Harness，30% 來自模型。
  7. 皇室戰爭測試前端美感仍略輸 Fable，但他叫 GPT-5.6 做的皇室戰爭遊戲是他看過最好的：16 分鐘做出機制幾乎全對、對手 AI 會 counter 的可玩版本，機制還是它自己上網查的。
  8. 綜合評價與成本小輸 Fable 5、勝過其他所有模型，成本約 Fable 5 的一半。平均每題 Token 數：Fable 5 是 33,000，GPT-5.6 Sol Max 是 15,000，Opus 4.8 是 41,000。
  9. 訂閱 CP 值ChatGPT 的額度比 Claude 大方很多。他訂每個月 100 美元的 ChatGPT 方案就夠用，Anthropic 只訂 20 美元那檔，純粹為了 Fable。
  10. Anthropic 的兩個失誤OpenAI 發表後 Anthropic 立刻重設用量，他解讀是慌了。他列的兩個失誤：Dario 溝通 AI 風險的方式不好，以及沒有像 OpenAI 一樣大買算力，後來還得高價跟 SpaceX 租。
  11. ChatGPT 語音更新新語音模型可以邊聽邊講、隨時被打斷，能做即時翻譯與文法糾正。他說這就是 EP138 談過的 Thinking Machines interactive models 路線，OpenAI 兩個月後也採用了。
  12. Grok-4.5 與 Pareto Frontier他把 Pareto Frontier 譯成「效能與成本的最佳取捨邊界」。Grok-4.5 從 4.3 的 500 billion 變成 1.5 Trillion，是大改組後的全新 Base Model，能力約 Opus 4.7 等級，成本只有三分之一。
  13. Cursor 與追趕路線Cursor 提供資料與 RL 微調能力，但 SpaceXAI 還得自建工具收集自家模型的使用資料。他預期 Grok 一兩個月內追到 Opus 4.8，內部另有 6 兆與 10 兆參數的模型在訓練。
  14. Muse Spark 1.1對 Meta 來說很不錯，追到差不多 Google 的等級，但不在 Pareto Frontier 上，同成本下智能輸給 GPT-5.6 Luna。他也說 Gemini 已經落後，連一般消費者都感受得到。
  15. Meta 沒有自己的 HarnessMuse Spark 的 Agent 能力弱一級，Meta 也沒有專屬 Harness。去年底收購的 Manus 因中國政府介入在走取消流程，他不確定 Meta 從中得到多少價值。
  16. 員工變成訓練資料Meta 在數萬名員工電腦裝追蹤軟體，並組了 3,000 人的 RL 任務生產團隊。他認為資料品質極高，OpenAI 與 Anthropic 都無力這麼做，Google 內部也不太可能。
  17. Meta 的算力2026 年預計部署上線的算力有 7GW，SpaceXAI 現在大約 2GW，年底有 4GW 就不錯。其中一部分要拿去跑 Reels 與廣告推薦。
  18. 資料可能讓他們跳過 Harness提升模型有資料、算力、研究能力三個面向。Meta 收的是各種真實工作的軌跡，不限於現有 AI 做得到的事，他認為可能直接跳過自建 Harness 這一步。
  19. 研究文化是變數花錢請得到的是傭兵，有理念才請得到傳教士。他說 Anthropic 全是傳教士，OpenAI 有十年的研究文化，Meta 則是 Llama team 幾乎解散後重新從零建。
  20. 三級排名Tier 1 是 GPT-5.6 與 Fable 5，CP 值最高的是 GPT-5.6。Tier 2 是 Grok-4.5 與 Opus 4.8，Grok-4.5 CP 值最高。Tier 3 有 GPT-5.6 Luna、GLM-5.2、Muse Spark 1.1、Gemini 3.5 Flash。
  21. Digital AGI 已經到了他定義為能完成 60 到 80% 人類數位工作的 AI，主張能力先到、成本後降。Claude Code 或 Codex 做不到，他歸因於工具、Harness 與成本，不是智能。
  22. 不是模型笨是算力不夠引 Noam Brown 的長文，說現行 Benchmark 沒給足思考時間。GPT-5.6 做的 Sales Kit 有截圖被切掉，他認為單獨把那頁丟給它看就會發現，沒修到是因為它只花 15 分鐘就交件，算力給得不夠。
  23. 成本要降多少要提升 tokens per second，也要壓低 token cost，他舉的目標是一份 PPT 只花台幣五塊。路線包括 Latent Space 思考與 KV Cache 壓縮。
  24. 剩下的那 20%成本持續下降的話，一年半到兩年後就有 Digital AGI。他強調這不等於取代 60 到 80% 的白領工作者，定義目標與檢查產出的部分仍要人，例如把 App UI 弄得更人性化。

值得記的話

  • 「GPT-5.6 就是我現在最愛的 AI 模型，沒有之一，沒有之一」

    ▶ 05:47

  • 「你找不到任何一個模型是跟 Grok-4.5 一樣聰明，但是又比他便宜的」

    ▶ 36:27

  • 「你花錢能請來的就是傭兵，然後你有好的理念你能請來的就是傳教士」

    ▶ 56:14

  • 「我認為現在的 AI 模型已經有 Digital AGI 的能力了」

    ▶ 1:00:47

  • 「其實很多時候不是模型笨是你給它的算力不夠」

    ▶ 1:03:33

名詞與人物

GPT-5.6 Sol / Terra / Luna
GPT-5.6 的三種大小，最大、中等、最小；他說最小的 Luna 是由 Sol 自己決定怎麼後訓練的。
Fable 5
Anthropic 的模型，哈利認為是目前智能最高、也是比較大的模型，兩週前回歸。
Artificial Analysis Intelligence Index
第三方評測機構的綜合指數，含 9 個 Benchmark，也公布跑完的成本。
ChatGPT Work
OpenAI 與 GPT-5.6 同時推出的知識工作模式，背後是專門的 Harness。
Harness
包住模型的工具與流程，如 Codex、Claude Code、Grok Build；他說模型加 Harness 才是完整的產品。
Big Model Smell
他形容較大的模型偶爾會有的神來一筆，或額外多做一道檢查的感覺。
Pareto Frontier
效能與成本的最佳取捨邊界；在邊界上代表沒有更聰明又更便宜的模型。
Grok-4.5
SpaceXAI 的模型，1.5 兆參數的全新 Base Model，不屬於 Tier 1，但性價比最高。
Muse Spark 1.1
Meta 的新模型，他說不在 Pareto Frontier 上，也沒有專屬 Harness。
Test Time Compute
讓模型花更多時間與算力思考以得到更好結果；他說 OpenAI 內部驗證過多次，沒有看到邊際效應明顯遞減。
Digital AGI
他的定義：能完成現在 60 到 80% 人類數位工作的 AI。

延伸

  • Thinking Machines 的 interactive models 與新語音的原理，他請想深入的人回去聽 [138](138-interaction-models.md)。
  • 他說上一週已經談過 Meta 規劃出租一部分算力，也談過 Meta 內部的 RL 資料收集，這集只補充規模。
  • 他把 Latent Space 思考列為降低推論成本的重要研究路線，這集只點到，沒有展開。