Мы протестировали GPT 5.6, и это было СУМАСШЕДШЕ
Sol лучше справился с инженерными задачами
- Sol был явным победителем в инженерной сфере: код Fable 5 получил 7,78 при проверке, тогда как Terra — 5,56, а Luna — 4,67. Это оценки модели судей по этому тесту, а не универсальные результаты бенчмарка. (исходное видео kx4qQy0uZpI, 27:53)
- Тест охватывал девять брифов и 27 результатов. Каждая модель GPT 5.6 управляла суб-агентами, при этом каждый проект был ограничен одним HTML-файлом. (исходное видео kx4qQy0uZpI, 01:03; исходное видео kx4qQy0uZpI, 01:17; исходное видео kx4qQy0uZpI, 01:26)
- Sol чаще всего рассматривал брифы как инженерные задачи, но всё равно выпускал слабый геймплей, плохое поведение камеры и один результат, который нарушал правило одного файла. (исходное видео kx4qQy0uZpI, 13:55; исходное видео kx4qQy0uZpI, 23:16; исходное видео kx4qQy0uЗpI, 28:14)
- Terra могла выглядеть отполированной, скрывая сломанные механики. Luna иногда превосходила её визуально, но инвертированные элементы управления и недостающие результаты делали Luna небезопасной в роли «мозга». (видео источник kx4qQy0uZpI, 19:50; видео источник kx4qQy0uZpI, 20:05; видео источник kx4qQy0uZpI, 29:32; видео источник kx4qQy0uZpI, 30:16; видео источник kx4qQy0uZpI, 30:49)
- Ron запускал все три на высоких уровнях рассуждений, но рекомендует средний для такого рода работы, потому что счёл его не менее качественным при меньшем расходе токенов. Его предупреждение о стоимости Ultra было слухом, а не проверенным тестом цены. (видео источник kx4qQy0uZpI, 02:17; видео источник kx4qQy0uZpI, 02:22; видео источник kx4qQy0uZpI, 02:33)
Используйте GPT 5.6 Sol для серьёзной реализации. Он одержал решающую победу в этом ограниченном тесте и был единственным семейством, код которого судья сказал, что может выдержать серьёзную проверку человеком. Terra в лучшем случае специалист по визуальным эффектам: полезен, когда важнее скриншот, чем то, работает ли каждая механика. Держите Luna на узких, повторяющихся заданиях с строгими проверками на приемлемость. Не позволяйте ей планировать систему или сертифицировать собственные результаты. (исходное видео kx4qQy0uZpI, 27:53; исходное видео kx4qQy0uZpI, 29:32; исходное видео kx4qQy0uZpI, 30:16; исходное видео kx4qQy0uZpI, 30:49; исходное видео kx4qQy0uZpI, 31:15)
Смотрите тест
- : девять брифов, 27 результатов, оркестровка суб-агентов и ограничение одного HTML-файла.
- : первый играбельный тест выявляет ошибки движения, взаимодействия и размещения.
- : Луна удивляет, в то время как симуляция Терры так и не запускается.
- : Сол моделирует здания во время землетрясения; остальные в основном трясут экран.
- : все трое проходят быстрый визуальный тест поведения агента.
- : Луна выглядит лучше всего, но позже Сол выигрывает благодаря движению с учётом местности.
- : Сол завершает чистую крышу; Терра находит лазейку; Луна её инвертирует.
- : визуальный тур превращается в обзор реализации.
- : Сол остаётся выбором для сырой реализации.
Рон своими словами
«Я думаю, что реалистично выбрать средний уровень. Он всё ещё так же хорош, но вы получаете более дешевое использование токенов.» — Рон, исходное видео kx4qQy0uZpI, 02:22
«Полагаю, если использовать Terra, работа не выполняется.» — Рон, исходное видео kx4qQy0uZpI, 09:36
«Но не используйте Luna для размышлений.» — Рон, исходное видео kx4qQy0uZpI, 30:55
«Итак, Soul явно выигрывает по способности к реализации RAW.» — Рон, исходное видео kx4qQy0uZpI, 31:36
Таблица оценок девяти проектов
Это был ограниченный тест визуального кодирования: каждая модель выступала в роли оркестратора, делегировала задачи подагентам и получала задание сохранять каждый вывод в одном HTML-файле. Это полезно для сравнения следования инструкциям и реализации первой итерации, но не изолирует базовую модель от её подагентов. Рон неоднократно отмечает, что прямое кодирование может дать другие результаты. (исходное видео kx4qQy0uZpI, 01:17; исходное видео kx4qQy0uЗpI, 09:00; исходное видео kx4qQy0uZpI, 20:41)
| Краткий | Солнце | Терра | Луна | Что выявило разницу |
|---|---|---|---|---|
| Низкополигональный мир | Пройти | Пройти | Провал | Сол был играбелен; Терра двигалась мучительно медленно; Луна инвертировала движения и запирала игрока созданным объектом. (исходное видео kx4qQy0uZpI, 04:00; исходное видео kx4qQy0uZpI, 04:23; исходное видео kx4qQy0uZpI, 05:54; исходное видео kx4qQy0uZpI, 07:10) |
| Офисная жизнь | Пройти | Провал | Пройти | Сол и Луна бежали слишком быстро, но часы Терры и её рабочие никогда не двигались. (исходное видео kx4qQy0uZpI, 08:18; исходное видео kx4qQy0uZpI, 09:36; исходное видео kx4qQy0uZpI, 09:52) |
| Вайс Сити | Пройти | Провал | Провал | Сол заставил здания двигаться во время землетрясения; Терра и Луна в основном трясли экран. (исходное видео kx4qQy0uZpI, 11:04; исходное видео kx4qQy0uZpI, 11:29; исходное видео kx4qQy0uZpI, 12:02; исходное видео kx4qQy0uZpI, 13:14) |
| Джаббервок | Провал | Провал | Пройти | Сол вызвал укачивание, Терра так и не загрузила игру, а странная логика атаки Луны в итоге сработала ночью. (исходное видео kx4qQy0uZpI, 13:55; исходное видео kx4qQy0uZpI, 14:11; исходное видео kx4qQy0uZpI, 14:15; исходное видео kx4qQy0uZpI, 14:55; исходное видео kx4qQy0uZpI, 15:06) |
| Петри-тарелка | Пройти | Пройти | Пройти | Все трое демонстрировали поведение хищник-жертва; их визуальная полировка и результаты различались. (исходное видео kx4qQy0uZpI, 15:25; исходное видео kx4qQy0uZpI, 17:14; исходное видео kx4qQy0uZpI, 18:10) |
| Хельмова Падь | Победа кода | Смешанный | Визуальная победа | Луна была ярче и красивее, но её движение было инверсным; судья признал, что только Соль перемещал игрока по реальной местности. (исходное видео kx4qQy0uZpI, 19:50; исходное видео kx4qQy0uZpI, 20:05; исходное видео kx4qQy0uZpI, 28:32) |
| Полёт по Хогвартсу | Пройти | Пройти | Провал | Закрытый маршрут полета Терры был её единственной победой в код-ревью; Луна создала ферму, а не Хогвартс. (исходное видео kx4qQy0uZpI, 21:47; исходное видео kx4qQy0uZpI, 22:18; исходное видео kx4qQy0uZpI, 22:27; исходное видео kx4qQy0uZpI, 29:51) |
| Вселенная | Смешанный | Смешанный | Провал | Сол выглядел приемлемо, но нарушил правило одного файла; Терра создала Землю, похожую на воду; сцена Луны была почти нечитаемой. (исходное видео kx4qQy0uZpI, 23:16; исходное видео kx4qQy0uZpI, 24:16; исходное видео kx4qQy0uZpI, 24:28) |
| Китайская архитектура | Пройти | Щедрый проход | Провал | Сол завершил чистую крышу и симулировал гниение древесины; Терра сделала конструкцию, похожую на пианино; Луна перевернула крышу. (исходное видео kx4qQy0uZpI, 25:02; исходное видео kx4qQy0uZpI, 25:51; исходное видео kx4qQy0uZpI, 26:41; исходное видео kx4qQy0uZpI, 27:16) |
Что добавил код ревью
Визуальные отметки «прошел/не прошел» были только частью истории. Fable 5, выступая в роли судьи, отметил заслуги Sol в решении уравнения Кеплера в симуляторе вселенной, создании пространственной хеш-сетки, обеспечении лучшей доступности и резервных вариантов для WebGL, а также в перемещении игрока Helm’s Deep по местности. Его постоянной слабостью была дисциплина вызовов отрисовки— насколько эффективно 3D-сцена группирует объекты для рендеринга, потому что она накапливала отдельные меши вместо использования инстансинга. (исходное видео kx4qQy0uZpI, 28:14; исходное видео kx4qQy0uZpI, 28:56; исходное видео kx4qQy0uZpI, 29:01)
Код Terra был описан как плотный и аккуратно выглядящий, но часто сломанный внутри. Его минифицированные выводы скрывали критические ошибки. Luna демонстрировала чистое управление состоянием в своих лучших проектах, однако две из девяти развернутых папок отсутствовали index.html в то время как их манифесты утверждали, что файл существует. Это самое важное предупреждение для оператора в видео: проверяйте артефакт, а не сообщение о завершении модели. (исходное видео kx4qQy0uZpI, 29:32; исходное видео kx4qQy0uZpI, 30:16)
Кому поручить задачу?
| Ваша задача | Направьте это сюда | Необходимая проверка |
|---|---|---|
| Серьезная реализация или оркестрация | Солнце | Просмотрите производительность и соблюдение инструкций; Sol все же нарушил ограничение одного файла один раз. (исходное видео kx4qQy0uZpI, 23:16; исходное видео kx4qQy0uZpI, 31:15) |
| Визуальный прототип, где механика вторична | Терра | Проработайте каждое взаимодействие; отполированный скриншот не предсказал рабочего поведения. (исходное видео kx4qQy0uZpI, 29:32) |
| Повторяющееся, строго ограниченное выполнение | Луна | Проверьте наличие файлов, выполните вывод и никогда не принимайте манифест как доказательство. (исходное видео kx4qQy0uZpI, 30:16; исходное видео kx4qQy0uZpI, 30:49) |
Примечание о свежести
Видео было опубликовано 10 июля 2026 года. Этот сопроводительный материал был проверен по его неизменной полной расшифровке и 1 477 сегментам с временными метками 18 июля 2026 года. Не были добавлены внешние заметки о выпуске, страницы с ценами, новые запуски моделей или заявления о текущей доступности. Рассматривайте оценки, комментарии относительно стоимости и рекомендации по усилиям рассуждения как устаревшую запись теста Рона, а не как гарантию поведения моделей или продуктов, доступных сейчас.