看著 OpenAI 官網那個閃爍著 GPT-5.6 的安全評估 PDF，我腦子裡跳出來的第一個念頭是：Sam Altman 是不是發現大家對整數的版本號已經麻木了，才開始在小數點後面的數字上下功夫？這就像某些運動品牌，每隔三個月就給鞋子換個配色，然後宣稱這是一次革命性的性能提升。但這次不同，他們拋出了一個叫「Agents’ Last Exam」的評分體系。這名字取得真有意思，彷彿在暗示如果你的模型過不了這關，連當個合格數位民工的資格都沒有。
這種針對長程專業工作流的評估，把 55 個領域的任務塞進一個黑箱，看著模型在裡面掙扎幾十個小時。GPT-5.6 在這裡拿到了 53.6 分。這數字聽起來不痛不癢，但如果你把它放在具體的 API 調用環境下看，就會發現 OpenAI 這次想解決的是那種「稍微轉個彎就撞牆」的邏輯斷裂感。以往我們在處理稍微複雜一點的 Python 腳本協作時，模型總是在第十步左右開始遺忘第一步定義的變數作用域，或者在處理多文件關聯時出現幻覺。現在他們試圖證明，透過所謂的「Sol」版本，那種像是在沙堆上蓋房子的不穩定感被某種程度地克服了。
技術文檔裡提到的中等推理（medium reasoning）模式很有意思。它在成本只有頂級模式四分之一的情況下，依然在多項基準測試中咬得很死。這說明 OpenAI 終於意識到，大家並不總是需要一個能解量子力學方程的大腦來幫忙寫 SQL 查詢，大家需要的是一個反應夠快、且不會在關鍵邏輯上掉鏈子的廉價勞動力。
在這種對算力效率的極致壓榨上，我們不可避免地會看到一些對照。相較於 DeepSeek 頻頻在開源界掀起的效率討論，OpenAI 的做法顯然更傾向於一種黑盒式的暴力美學——我給你結果，你別問我背後燒了多少電，也別問我神經元是怎麼排列的。這種閉源戰略的傲慢，在 GPT-5.6 的定價策略中體現得淋漓盡致。它依然貴得讓人想冷笑，但也確實準得讓人想砸鍵盤。
如果你是一個長期浸淫在 Claude Code 環境下的開發者，現在可能正處於一種極度焦慮的狀態。Claude 在處理長文本任務時，那種優雅的語氣和對上下文微小細節的捕捉能力，一直讓它在程師圈子裡有著極高的忠誠度。然而，當 GPT-5.6 把「適應性推理」這個標籤貼在腦門上，並號稱在長程工作流上領先了 Claude Fable 13 分時，這種忠誠度就開始動搖了。在實際的代碼遷移測試中，Claude 對於 8 萬 token 以上的注意力衰減確實是一個隱痛，而 OpenAI 似乎在 5.6 版本中透過某種動態路由機制，強行把這種衰減曲線拉平了。
這場關於小數點的戰爭，背後其實是大家對「通用人工智慧」這個宏大敘事的集體疲勞。Gemini 依然在它的多模態整合裡打轉，試圖證明影片理解才是未來；Grok 則繼續在社交數據的邊緣試探，試圖用它的反骨精神吸引那些討厭矽谷精英文化的人。在這種背景下，OpenAI 拋出的這個 5.6，更像是一次肌肉記憶般的防禦。相較於 DeepSeek 在特定語境下的靈活性，OpenAI 選擇在專業工作流的深度上死磕，這究竟是找對了戰場，還是在一條已經飽和的賽道上過度包裝？
我們現在面臨的情況是，模型的能力提升已經進入了一個邊際效益遞減的區間。53.6 分和 40 分的差距，在終端用戶眼裡，可能僅僅是「少點了兩次重新生成按鈕」的區別。當所有的廠商都在追求那個所謂的「最後一場考試」的高分時，我們是不是漏掉了一個最基本的問題：如果模型真的成了完美的代理人，那坐在螢幕前下指令的那個生物，究竟還有什麼價值？
到底是我們在測試模型的極限，還是模型正在透過這些不斷更新的小數點，測試人類對「平庸」與「精準」之間那道模糊界線的容忍度？如果你現在手握著昂貴的 API Key，看著 GPT-5.6 給出的答案，你真的能分辨出那是一次深刻的推理，還是一次極其高明的統計學偽裝？