GPT-5.6实测63道地狱级难题性能远超其他AI

果然，GPT-5.6 发布的同时，顺手把 Codex 也「收编」了。取而代之的，是一个融合了 ChatGPT Work 和 Codex 的全新 ChatGPT 应用。

当然，你仍然可以选择保留那个云朵图标，继续使用 Codex。

单从界面呈现来看，选择 Work 场景还是 Codex 场景，差异并不大。唯一比较明显的区别在于，当切换到 Codex 场景时，ChatGPT 的回答会多出一个「代码差异」视图。鼠标悬停在「已编辑」的文档上，会显示开发者熟悉的 Diff 界面——绿色代表新增，红色代表删除，一目了然。

左边为 Codex 场景，右边为 Work 场景

未来 OpenAI 或许会对项目类别做进一步区分，但就目前而言，切换场景时项目是共享的，可用的模型和 Skill 也完全通用。

我们的 Pro 账号目前可以选择包括 GPT-5.6 在内的全部型号模型，推理强度从轻度到极高，覆盖了多个等级。

关于 GPT-5.6 的模型细节，以及社交媒体上用它来生成《我的世界》等 3D 游戏的案例，我们已经在之前的文章中做了详细介绍。这里不再赘述。

说实话，如今让大模型“一句话写个网页”，已经很难衡量 AI 的真实水平了。门槛太低，很难看出差距。

所以，当大模型竞技场的 AI 能力负责人 Peter Gostev 公开了一套包含 63 条提示词的 3D 测试集时，很多人都眼前一亮。这 63 条提示词，几乎都是故意为难模型的——从大型 3D 世界，到各种可游玩的 3D 场景、名画世界，再到极端视角、自然奇观，甚至元素与宇宙终局场面。这架势，简直就是给模型量身定做的「地狱级」3D 能力测试。

3D 世界的第一题就直接上强度：要求用 Three.js 做出完整的曼哈顿。开场必须看到整座岛，向下缩放时还要无缝进入街区，看到车流、渡轮、屋顶水塔和公园小径。

后面的题目更是越来越有意思。AI 要坐进烟花弹，从发射筒冲上天空，在爆炸的一刻停在一万条金色焰火的中心；也要把梵高的《星月夜》做成能飞进去的油画宇宙，让每一道笔触都保留颜料厚度，还会沿着画里的旋涡流动。

尼亚加拉瀑布要同时出现马蹄瀑布和美国瀑布，水雾、彩虹与游船都得动起来。更夸张的是，要让模型在海面上实时长出一座火山岛，岩浆、海浪、蒸汽、火山灰、闪电、研究船和直升机从第一秒起共同运转。

由 Fable 5 制作的穿越张家界石林

还有穿越张家界石林、下雪的故宫、流浪地球的太空电梯……AI 需要用代码来实现一个看起来很酷炫，实际操作起来也能用的 3D 网页。

连 Karpathy 都在评论区留言，表示这些提示词太有意思了，以及模型到底是如何实现这些 3D 世界的。

LLM 是如何仅凭网络就能掌握所有这些信息，并能将这些理解转化为 xyz 坐标、网格、变换、动画、特效、交互和小故事的呢？想想再增加一个、两个、三个模型层级，它们又能创造出怎样的精彩，真是令人惊叹。

我们也拿这套提示词去测试了一下最新的 GPT-5.6。由于 5.6 Sol 的极高模式会使用大量的子智能体，根据官方博客介绍，Ultra 模式下默认会派出 4 个子智能体并行工作，最多可以有 16 个子智能体同时完成一个任务。

这也导致了运行时间明显增加。同样的提示词，在 DeepSeek 网页上，不到十分钟就能拿到最终交付。

但在 Codex 里，光是开头的计划制定，就需要我们不断回复「Yes」来确认那份计划。等到实际工作开始，多个子智能体同时出动，从 Task 1 到 Task 2，每个 Task 又分了 Scene、Control、Shell 等不同的工作，任务时间直线飙升。期间还不时会出现「我们的系统正在进一步审查此情况，然后再回复」的提示。

于是，同样是张家界石林，我们使用 5.6 Sol 的最高档强度，Codex 花了足足 2h41m35s 才完成。这期间没有任何「等待批准」的环节，完全是 Codex 自己在处理。

GPT-5.6 Sol Ultra 生成

效果确实算得上最好，最接近 Fable 5 的那个版本。撇开设备本身的性能限制不谈，整个 3D 石林实现得非常专业。鸟群会在山谷飞过，山背对太阳时会有明显的阴影，山顶的树、玻璃栈桥、索道等元素都有比较丰富的细节。

我们也用其他模型进行了对比测试，包括 Codex 内的 GPT-5.5、DeepSeek V4 Pro、Gemini 3.5 Thinking、GLM-5.2，以及同样是最近刚发布的 Hy3。

GPT-5.5 生成，使用 Codex

Gemini 3.5 Thinking 生成，使用 Gemini 官网

DeepSeek V4 Pro 生成，使用 DeepSeek 官网

GLM-5.2 生成，使用 Zcode

Hy3 生成，使用 WorkBuddy

差距还是比较明显的。对比 GPT-5.6，GPT-5.5 明显少了很多细节，即便把渲染程度调到「高」，石柱、树和飞鸟等元素，建模都比较简单。

Gemini 3.5、DeepSeek V4 Pro 和 Hy3 似乎都没有准确还原石林的效果。GLM-5.2 在这轮交付中就显得更加抽象了，只是实现了几种不同视角的切换，但张家界石林完全看不出来。

这是完整的提示词，如果感兴趣，可以拿去测试其他模型的效果。

创建一个宏伟的 Three.js 张家界石林世界：数百根高得不可思议的砂岩石柱，顶部覆盖着松树，从流动的雾河中升起，观者已经置身空中。直接从两根巨大的石柱之间的飞行状态开始，下面的雾气被分开，阳光斜射过岩壁 —— 不要标题界面、菜单、加载状态或贴地开始。

如果使用 Three.js，请在模块脚本之前添加一个 import map，将「three」和「three/addons/」映射到同一个固定版本，并且只通过这些名称导入。所有地形、岩石、植被、雾气和光照都必须程序化生成；不要使用外部图片资源或模型。

单一核心理念：探索孕育了漂浮山脉灵感的世界，以最温和的飞行方式穿行其中。

石林世界

- 建造具有真实地质特征的石柱：带状砂岩层理、陡峭岩面、承载扭曲古松的岩台、阴暗侧面的藤蔓和蕨类植物、被光线照亮时呈现的白色岩石裂痕。改变高度和群落分布，让峡谷景观形成自然的通道和露天剧场。

- 雾气是一层有生命的存在，而不是一团浑浊的雾：云雾河流在石柱之间流动，在边缘撕裂，在盆地中汇聚，同时保持上方空气清澈、被阳光照亮。石柱应随着雾气移动而若隐若现。

- 人类痕迹要小而遥远：连接两座山顶的玻璃栈道、沿线路滑行的缆车、刻在岩壁上的蜿蜒石阶、用于比例感的小型徒步者。

石柱间的生命

- 猕猴在岩台上攀爬，鹤穿越虚空，雨燕围绕山顶盘旋，一条瀑布从裂隙中穿过，流入下方雾海，松枝随风摆动。

光与空气

- 清晨光线，东侧岩面呈现金色，阴影峡谷中带有冷蓝色调，阳光照射处的雾气发光；饱和的绿色；整体明亮、通透。

滑翔体验

- 唯一的交互方式是简单可靠的滑翔：保持恒定且柔和的飞行速度，鼠标控制航向和俯仰，并限制在柔和范围内，自动侧倾，不会失速，不会有碰撞惩罚 —— 靠近岩壁时，镜头会自然缓慢避开。飞行感觉应像鹤一样，而不是战斗机。

- 重置

我们还用其他提示词测试了 GPT-5.6。这 63 个案例的提示词都可以在 GitHub 上找到。

项目地址：https://github.com/petergpt/3d-prompt-collection

我们也测试了 Karpathy 觉得最有意思的“熊捕获鲑鱼”画面。这次直接在 ChatGPT 网页版内以普通对话的形式发给它提示词，依旧使用 GPT-5.6 Sol，智能模式为 Pro。

虽然没有 Codex 那种严谨和详细的项目工程，但 Pro 的思考强度，还是让 ChatGPT 花了 40 分钟才生成了整个 3D 页面。

最终的结果对比，GPT-5.6 Sol 和 Fable 5 可以说是在同一个水准。

GPT-5.6 Sol 生成，使用 ChatGPT 网页

Fable 5 生成

而使用其他模型，比如 DeepSeek V4 Pro，能明显看到生成页面有很多 Bug——一只奇怪的熊，鲑鱼变成了简单的红色方块，彩虹只是六根简单的线条。

DeepSeek V4 Pro 生成，使用 DeepSeek 网页

再看 Gemini 3.5 Thinking，这个五月份的模型，中间那个四四方方的像素物体，竟然就是它描绘的 3D 熊。虽然该有的操控都有，导航栏这些按钮都做到了，但如果没提前了解提示词信息，单看这个页面，完全不知道它想表达什么。

Gemini 3.5 Thinking 生成

我们还测试了太空电梯项目。这次在 Codex 内使用 GPT-5.6 Sol，思考强度选择了倒数第二档（Extra High），耗时明显减少，只用了 18 分钟完成。

同样的提示词，DeepSeek 的效果是这样的。

而在 Peter Gostev 的视频里，Fable 5 的效果和 GPT-5.6 Sol 不相上下。

这 63 个提示词，看起来还是让 AI 生成一个网页，但 3D 网页要面对的不止是生成每一帧最佳截图，还有性能和可运行性。即使界面再精美，可一旦打开就吃爆了电脑的 GPU 显卡渲染，电脑直接卡崩溃，那也不是一个好模型应该生成的网页。

面对长提示词时，好的模型应该更懂得先保住场景主体、镜头、核心动画和交互，再用程序化几何、粒子与分级细节补足规模感。从我们的测试来看，GPT-5.6 Sol 基本可以胜任这些复杂的 3D 场景生成。

更让人印象深刻的，是 GPT-5.6 Sol 完成工作的方式。它会先规划整个项目，再拆分任务，让不同的 Agent 同时推进，过程中不断检查、修改，最后把最终结果整理成一份可以审核的 Diff。就为了一个 3D 网页，它可以花两个多小时去完成。

但回过头来想，我们比较的究竟是模型能力，还是一次回答背后的时间、计算资源和协作规模？两个小时所需要的 Token，换在一个 Plus 账户或免费账户上，大概都会占据大量的周额度。速度快的模型更适合试想法；耗时更久的 Agent，能把复杂项目推得更远。两者都可能有价值，却很难被一个总分解释清楚。

当模型开始自己规划、分工、返工和验收，一次生成便越来越像一支临时项目组。选择哪款模型，也是在选择一套生产方式。我们可以 10 分钟拿到一个 demo，也可以给 Agent 几个小时，把它推到可交付状态。

以后再问哪款模型最强，测试恐怕得多出一张工时/Token 单。画面旁边应该写清交付时间与资源投入，也要让人知道它经历了多少轮返工，打开后能不能直接用。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：GPT-5.6实测63道地狱级难题性能远超其他AI要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题