GPT-5.6 发布:Excel 与 Minecraft 克隆、Box 基准及 Fable 对比

Matthew Berman · 08:54 · 发布 2026-07-09 · 4.3万次观看(截至抓取) · 观看原视频

主旨

GPT-5.6 发布,口播主线是两条:一是 Berman 用 Codex 的 /goal 配合 long-horizon agent 跑通两个 5–7 天的极端克隆任务(Excel、Minecraft),二是 Box AI 做的企业级知识工作基准与定价对比——Berman 把 GPT-5.6 比作”已经榨干的 Honda Civic”,并把同期发布的 Fable 比作”刚下线的 Ferrari”。

核心论点

1. GPT-5.6 是 GPT-5 训练周期被榨干到最后一滴的 dot-upgrade,不是新模型——口播明确说是 GPT-5 训练 run 里还能榨出的能力都榨干了,版本号虽小但体感强,本质仍是同一训练线。(→ 详解1)
2. GPT-5.6 + Codex 在 long-horizon agent 任务上跨过”天级”门槛——八个字的 /goal prompt(克隆 Excel 跑 5 天,克隆 Minecraft 跑 7 天)证明模型能连续多天自主推进任务而不需人扶。(→ 详解2)
3. Computer use 让 agent 把自己当”另一个桌面应用”和真实软件对练——克隆 Excel 不是凭空写,而是开着真实 Excel、看着真实 Excel 的行为再去抄写;Minecraft 同理。(→ 详解3)
4. GPT-5.6 提供三个尺寸(Luna/Terra/Sol)+ 多档推理强度(到 Ultra),可在一条模型族内做 model routing——计划用 Sol,主力实现用 Terra 高推理,部署用 Luna,不必再混厂商。(→ 详解6)
5. Fable 是与 GPT-5.6 同档不同性质的对手——Fable 是新训练 run 的”刚下线 Ferrari”,潜力尚未释放;GPT-5.6 是”被榨干的 Honda Civic”,已经是极限。同期对比下 GPT-5.6 定价约为 Fable 一半(input $5 vs $10、output $30 vs $50),Fable 被形容为”sees around corners better”。(→ 详解5)
6. Box AI 的企业级基准里,Sol 全面赢 GPT-5.5,价格减半——Sol 在 public sector/life sciences/healthcare 三档都把 GPT-5.5 拉下,且输入输出 token 单价都只有 Fable 的一半。(→ 详解4)

知识点详解

1. GPT-5.6 不是新模型,是 GPT-5 训练周期的极限压榨 00:15

Berman 开篇给 GPT-5.6 的定性是”a massive leap from GPT-5.5”,但紧跟着的判断是”it does not seem like they should have just done a dot upgrade”——意思是版本号是小数点升级,但实际能力跳了一大步。口播的解释很直接:他们把 GPT-5 那次训练 run 里还能榨出的能力都榨干了,模型本质没换,所以是 dot-upgrade 的”最后一口气”。

这一定性的意义在于后面对 Fable 的对比——既然 GPT-5.6 已是 GPT-5 训练线的极限,那它和 Fable 之间的差距,本质是”老训练线”和”新训练线”之间的距离,而非同代内调优深浅的差距。Berman 后半段把这一点讲得很清楚(见详解5)。

2. Long-horizon agent 跑通 5–7 天级别克隆任务 00:45

Berman 给的两个 demo 都是 long-horizon agent 的极限测试,prompt 都极短、runtime 都以天计:

第一个 demo 是 /goal make an Excel clone continue until feature parity——八个字的 prompt,Berman 跑出 5 天后手动停止,期间 Codex 自主推进、未请求人介入。Berman 在视频中边演示边说:“this ran for 5 days… imagine how long it took to actually create Excel. Took years and years and years”——意在对比人类用十几年造 Excel, agent 用 5 天做出了一个子集。Demo 内可见的已实现功能包括排序、数据验证、条件格式、表格、查找替换、公式、透视表等,粗看是 Excel 功能的一个不完整但可工作的子集。

第二个 demo 是 Create a clone of Minecraft, feature parity,Berman 跑出 7 天后手动停止——第一天就已经”看起来像 Minecraft”,剩下 6 天 Codex 在不停地扩展世界内容(新增生物群系、复刻原版 mobs、生成未在原 prompt 中要求的新方块)。Berman 的判断是”the best version of Minecraft that I’ve ever created using AI”,且 shadowing、3D 方块动画、inventory、生物(虎斑猫)、玻璃破坏等都跑通。

口播里 Berman 多次把这种”8 字 prompt 跑 5–7 天”作为 Codex + GPT-5.6 的标志性卖点反复强调——这与之前的 demo(几分钟到几十分钟的短任务)是质的区别。

3. Computer use:agent 与真实软件对练实现”看一眼抄一份” 02:49

两个克隆 demo 的关键技术不是”模型自己会写 Excel/Minecraft”,而是 computer use 加上 long-horizon loop:Berman 在口播中明确说”it opened up Excel on my desktop and would just go back and forth between doing something in Excel, the actual Excel, and then recreating it in this new cloned version”——Codex 打开了真正的 Excel,在真实 Excel 里操作,再把观察到的行为重写到克隆版本里。

这意味着克隆不是”凭空猜 Excel 长什么样”,而是”边用边抄”。Minecraft 同理(虽然口播没展开,但逻辑一致)。Berman 给的判断是”GPT-5.6 is so incredible at… browser use and computer use”,且 Codex 的浏览器已成为他的默认浏览器——后续又举了用 Codex 浏览器批量处理 Gmail、一句话完成 DNS 记录修改作为旁证。Computer use 与 long-horizon 的结合,是 Berman 这条视频里最被强调的”组合卖点”。

4. Box AI 企业级基准:Sol 三档都赢 GPT-5.5,价格减半 05:03

Berman 引入了第三方基准——Box AI 的”complex work eval”,测试的是真实知识工作场景:读文档、对账、做尽调、复核专家输出找错。Berman 把这个基准当 GPT-5.6 与上一代对比的硬证据,而不是自吹。

基准结果(口播给数字):GPT-5.5 准确率 63.3;Terra 59%;Sol 三档(public sector / life sciences / healthcare)全部胜过 GPT-5.5。Luna 与 Terra 准确率基本持平,但”much faster and much less expensive”——这是 Berman 给的卖点核心:在同一准确率档位上,Luna 的速度和价格都优于 Terra。

定价口播给的是 GPT-5.6 vs Fable 对比:输入 $5/M token(Fable $10),输出 $30/M token(Fable $50),输入输出单价都大约是 Fable 的一半。Berman 的总结是”5.6 has a more direct line of sight to accomplishing the task”,意思是 GPT-5.6 的单位 token 直接产出更高,而不是说 GPT-5.6 在能力上绝对强过 Fable——这是 Berman 把两条卖点压在同一句话里的措辞选择。

5. Fable 是新训练 run 的”刚下线 Ferrari” 06:48

视频后半段 Berman 给 GPT-5.6 与 Fable 的定性对比。原文判断是”5.6 feels like the absolute pinnacle of an existing model, where Fable feels like we’re just scratching the surface on what’s possible on a brand new training run”——GPT-5.6 是已有模型线的顶峰,Fable 是新训练线的”才摸到表面”。

最值得记住的比喻是 Berman 自己给的 Honda Civic vs Ferrari:“5.6 is the most souped-up Honda Civic you’ve ever seen. Every single horsepower has been squeezed out of it. The tires are optimized for speed. There’s a spoiler, everything. And Fable is like a Ferrari that hasn’t been touched yet, fresh off the manufacturing line, unoptimized, and the potential is just so much higher there.”——Berman 的判断是当下买谁(选谁做主力)与未来潜力(谁能继续涨)是两件不同的事,不要混着看。口播也补一句”5.6 sees around corners better than Fable”——即 GPT-5.6 在当下执行力更稳,Fable 在”看远一点”上更有料。

6. 三个尺寸 + 多档推理:在 GPT 系内做 routing 07:45

GPT-5.6 不是单一模型,而是一族:Luna(最小)、Terra(中)、Sol(最大),每个尺寸内还有多档 reasoning,Sol 顶到 Ultra 这一档被 Berman 形容为”basically a quota burner”——意思是最强档极度吃 quota,平时不要乱开。

Berman 把这个结构和最近常提的 model routing 直接挂上钩:计划任务用 Sol(最贵也最能想)、主力实现用 Terra 高 reasoning、部署与轻量任务用 Luna(便宜快)。这一路由完全在 GPT 家族内部就能跑通,所以 Berman 推的结论是”you can kind of just do everything with the GPT series of models”——计划用 Sol,实现用 Terra,部署用 Luna,跨厂商混用的需求因此被压低。Berman 自己还配套写了一个 Codex 内部的 routing skill,Github 链接放在 description 里。

7. 路由不只是配模型,还包括 Codex 与 Claude Code 互通 08:10

口播在 routing 那一段顺带提了一个跨 harness 的能力:在 Claude Code 里能直接调起 Codex,把 GPT-5.5 派出去干活——这是 Berman 在 description 链接里给的具体动作。Berman 给的实用结论是:你不必非要”全 Claude 栈”或”全 GPT 栈”,在 Claude Code 里把脏活重活甩给 Codex 是受支持的协作模式,适合 Claude 擅长规划、GPT 擅长落地的混合场景。

这条信息与 Berman 自己写的 routing skill 配合使用——即不只在 GPT 家族内按尺寸分流,还可以在 Claude/GPT 跨厂商之间分流,以”任务类型 × 模型擅长”做二维路由。

可执行步骤

• 如果你已经在用 Codex 的 /goal,试着用 8 字以下、目标清晰的 prompt 启动一次长任务克隆(参考 Berman 的 Excel/Minecraft 例子),观察 Codex 是否能跨天自主推进而不需要人扶。
• 把 GPT-5.6 的 Luna/Terra/Sol 当成三档明确的”任务难度 × quota 预算”路由:规划与复杂决策用 Sol(必要时只对最关键的几步开 Ultra),主力实现用 Terra 高 reasoning,部署与轻量杂活用 Luna。
• 评估自己当前 agent 栈的”模型分散”程度:Claude 擅长的部分留 Claude,GPT 擅长的部分(尤其 long-horizon + computer use)用 Codex 派出去,在 Claude Code 里直接调起 Codex 做跨厂商协作。
• 想跟进 Box AI 基准原文细节,从 description 里 bit.ly/4pkwci0 拿链接,核对 public sector / life sciences / healthcare 三档具体分数,不要只听 Berman 复述的口径。

关联

• 互补:goal ——Berman 演示的两个 demo 都跑在 Codex 的 /goal 长任务循环上,/goal 是机制侧(怎么启动、怎么”continue until feature parity”地自主推进),本视频是案例侧(同样机制下能跑出 Excel/Minecraft 这种 5–7 天级别的产物)。两者拼起来才看清”长任务 agent”这条线现在的实际边界。
• 互补:模型分散 ——CC 高阶课第 26 讲给的”主力 70% + 多家分流”组合思路,在本视频里被 Berman 落到 GPT 家族内三档 routing + Claude Code 调 Codex 的跨厂商分流两条具体打法上;模型分散是原则,本视频给的是该原则在 GPT-5.6 这一代上的最新落地形态。
• 系列追踪:GPT-5-6-Soul发布-路径直token省-分层编排保住一半成本 ——同频道(Matthew Berman)对同一次 GPT-5.6 发布的两个切面:该片聚焦分层编排省成本的 Cost per task 范式,本片聚焦发布会本身 + Excel/Minecraft 长任务实测 + Box 第三方基准。

一手来源与延伸

• Box AI GPT-5.6 评测页(描述中链接):https://bit.ly/4pkwci0
• Berman 的 GPT-5.6 routing skill 开源仓库(描述中 GitHub 链接,组织为 Forward-Future):https://github.com/Forward-Future/gpt-5-6-relay

术语

• GPT-5.6(本片发布的新模型,含 Luna/Terra/Sol 三档)
• Luna/GPT-5.6(GPT-5.6 家族最小尺寸,适合轻量与部署)
• Terra/GPT-5.6(GPT-5.6 家族中等尺寸,Berman 在 Box 基准里给到 59%)
• Sol/GPT-5.6(GPT-5.6 家族最大尺寸,Box 基准三档都赢 GPT-5.5)
• Ultra(Sol 内的最高 reasoning 档,Berman 形容为”basically a quota burner”)
• Fable(同期发布的另一模型,Berman 比作”刚下线的 Ferrari”,新训练 run)
• Codex(本片中 Berman 默认使用的 coding/agent harness,搭配 /goal 支持 long-horizon 任务)
• /goal(Codex 的长任务指令,本片演示的两个 demo 都通过该指令启动)
• computer use(模型直接操控桌面应用的能力,本片中 Codex 用真实 Excel 作为对照源)
• browser use(模型直接操控浏览器的能力,Berman 用 Codex 浏览器做 Gmail 整理、DNS 修改)
• Box AI(企业级 AI 平台,本片提供 GPT-5.6 vs GPT-5.5 的企业知识工作基准)
• model routing(根据任务类型选择不同尺寸/不同推理强度的模型,Berman 在本片中力推 GPT 家族内三档 routing)
• Honda Civic vs Ferrari(Berman 给的比喻,用来区分 GPT-5.6 = 已被榨干的旧线 vs Fable = 尚未优化的新线)

金句

GPT-5.6 is truly a massive leap from GPT-5.5… they have effectively squeezed every drop of juice out of the GPT 5 training run that they possibly could. → Berman 对 GPT-5.6 的核心定性:“dot-upgrade,但已经把 GPT-5 训练线榨干”——把”看似新版本”还原为”老训练线的最后一口气”,是判断 Fable vs GPT-5.6 后续格局的关键前提。00:15

Just a simple prompt which is effectively eight words long ran for over five days before I manually stopped it. → Berman 在 Excel clone demo 后给的硬证据:8 字 prompt 跑 5 天自主推进,是 GPT-5.6 + Codex long-horizon agent 跨过”天级门槛”的标志句。00:45

It’s kind of like GPT 5.6 is the most souped-up Honda Civic you’ve ever seen. Every single horsepower has been squeezed out of it. The tires are optimized for speed. There’s a spoiler, everything. And Fable is like a Ferrari that hasn’t been touched yet, fresh off the manufacturing line. → Berman 把 GPT-5.6 vs Fable 的本质差别收成一个比喻:前者已被榨干,后者潜力未释放——当下选谁和未来赌谁是两件事,不要混着看。07:02

立场与利益

• 与利益同向(待印证):Berman 在 description 里给了 Box AI 的 affiliate-ish 链接(bit.ly/4pkwci0),且口播里把 Box AI 基准作为核心卖点多次引用——Box 是赞助/合作方,基准的”对 GPT-5.6 有利”叙事与赞助关系同向。Box 基准的具体数字(63.3 / 59% / 三档超越 GPT-5.5 / Luna 与 Terra 同分但更快更便宜)在被采纳为”GPT-5.6 企业级首选”的论据前,应去 bit.ly/4pkwci0 原页核对口径。
• 利益中性:GPT-5.6 三档尺寸 + Ultra 推理强度、Excel/Minecraft 克隆 demo、computer use 表现、Claude Code 调 Codex 的能力,这些是官方公开能力与 Berman 自跑 demo 的复述,与赞助无关,可独立验证。
• 与利益反向(可信度最高):Berman 在视频后半段对 Fable 的定性是”新训练线、潜力比 GPT-5.6 高”——这条判断与”押注 GPT-5.6 是当前最优”的主推方向反向,他仍然说出来,且没有把 GPT-5.6 包装成”全面强过 Fable”。这条对 Fable 的相对看好,可信度最高。

利益证据:description 主链接为 Box AI 评测页(bit.ly/4pkwci0),Berman 文中明示”thanks to our partners at Box for putting together this awesome benchmark”;其余链接为 Berman 自家 newsletter、社交账号和赞助联系页;无课程或工具直销。

价值定位

• 适合谁:正在评估 GPT-5.6 是否要进主力栈的人——尤其是已经在用 Codex 或正在做 agent 路由的人,以及想看 long-horizon agent 当前实际边界的开发者。
• 解决什么:给你 GPT-5.6 在”老训练线榨干版”这一定性下的具体能力证据(Excel/Minecraft 5–7 天克隆)、第三方基准(Box AI 三档 vs GPT-5.5)与定价(单价大约是 Fable 一半)、以及 Luna/Terra/Sol 三档 routing 的实际用法。
• 认知 vs 实操:认知层——帮你建立 GPT-5.6 与 Fable 的”同档不同质”判断框架,以及 GPT 家族内三档 routing 的具体打法;demo 部分是 Berman 自己的复现,不等于你的复现,落地仍需自己试。
• 与 vault 重叠判断:vault 内目前(2026-07-10)没有专门讲 GPT-5.6 发布、长任务 Excel/Minecraft 克隆 demo、或 Box AI 基准的笔记;goal 和 模型分散 两篇与本片是互补关系(机制 vs 案例、原则 vs 当前落地),不是重叠。

自检问题

1. Berman 为什么把 GPT-5.6 定性为”dot-upgrade 但已经榨干”,这个定性对后续判断 Fable vs GPT-5.6 的格局有什么用? 答案:Berman 在开篇明确说 GPT-5.6 是把 GPT-5 训练线榨干的最后一口气,模型本质没换。这个定性的关键作用是把 GPT-5.6 和 Fable 之间的差距,从”同代内调优深浅”重新定位为”老训练线 vs 新训练线”——同档不同质,潜力不在 GPT-5.6 这边。这条判断直接决定了”当下选 GPT-5.6 稳、未来赌 Fable 涨”的取舍框架。见详解1、详解5。00:15
2. Berman 给的两个 demo(Excel clone、Minecraft clone)在技术上的关键不是”模型自己会写”,而是哪两个能力组合? 答案:关键组合是 long-horizon agent loop + computer use。Excel clone 的 prompt 是 8 个字,跑 5 天自主推进;Minecraft clone 跑 7 天,1 天做出可见成果,后续 6 天 Codex 自动扩展新内容。两个 demo 都依赖 Codex 打开真实 Excel/Minecraft 桌面应用,边用边抄,而非凭空写。这两个能力的组合是 Berman 在本片里反复强调的”组合卖点”。见详解2、详解3。00:45
3. Box AI 基准里 Luna 和 Terra 的对比结论是什么?为什么这个对比对 routing 决策有用? 答案:Berman 给的口径是 Luna 与 Terra 在准确率上”basically getting the same score”,但 Luna”much faster and much less expensive”。这对 routing 的实用含义是:在准确率档位相近的任务上,Luna 应当被默认选择,Terra 留给需要更强推理的中间档,Sol 留给规划与最关键的决策——尺寸之间的边界因此变得更清晰、更省钱。见详解4、详解6。05:30
4. Berman 怎么区分 GPT-5.6 与 Fable 的”当下选谁”和”未来赌谁”两件事? 答案:Berman 用 Honda Civic vs Ferrari 比喻直接区分:GPT-5.6 是已被榨干到极限的 Honda Civic(每个马力都榨出来,轮胎优化、加尾翼),当下执行力稳;Fable 是刚下线没动过的 Ferrari,潜力远高于 GPT-5.6 但当下未优化。这意味着”今天选 GPT-5.6 干活”和”未来押 Fable 涨”是两件独立的事,不要因为 Fable 潜力高就把今天的活全给它。见详解5。07:02
5. Berman 给的 routing 实战建议是什么?GPT 家族内分流和跨厂商分流各对应什么场景? 答案:GPT 家族内分流用 Luna/Terra/Sol 三档 + 推理强度:规划用 Sol,主力实现用 Terra 高推理,部署与轻量用 Luna。跨厂商分流指在 Claude Code 里直接调 Codex、把 GPT 派出去做 GPT 擅长的脏活重活,Claude 留作擅长规划的部分。两条线结合,任务类型 × 模型擅长做二维路由,不必硬绑单一栈。见详解6、详解7。07:45