烧掉20万美元测试GPT-5.6：Agent能力的真实极限在哪里

一位科技UP主在GPT-5.6正式发布前获得了长达一个半月的早期访问权限。在这段时间里，他做了一件常人难以想象的事：按照快速模式的定价估算，他消耗了约18万到24万美元的推理成本，横跨67个项目，将这个模型推向了前所未有的极限。

这不是一篇标准评测——作者刻意强调，他在录制视频前没有看过任何关于GPT-5.6的媒体报道、基准测试或社区评价，只想分享最真实的使用体验。正因如此，这份「烧掉20万美元」的实战记录反而格外有参考价值。

一个能持续工作20小时的AI Agent

作者对GPT-5.6最直观的感受是：它不再「迷路」。

他坦言，上一代GPT-5.5最大的问题在于容易在长任务中失去方向——一旦上下文里混入了不良信息，就得推倒重来、新建线程。而GPT-5.6彻底改变了这一点：「我可以让一个线程一直跑下去，完全没问题。」

更夸张的是任务持续时长。作者表示，他曾在不设置任何目标锚点的情况下，让模型连续运行超过20小时完成一个大型任务，模型始终紧咬目标不放，直至完成。这种「工作马」般的专注力，让他重新审视了过去觉得鸡肋的自动化功能。

他特别提到，即便按快速模式价格计算，他在单个项目上的开销也高达数万美元。但他也澄清，快速模式并非必需——普通模式价格几乎是快速模式的一半，而200美元/月的订阅计划本身就包含约1.4万美元的推理额度。换句话说，他的部分极限用法其实可以被常规订阅覆盖。

真实工程落地：从Lakebed到T3 Code

作者最花心思的项目之一是名为Lakebed的云平台。GPT-5.6在此完成了大量硬核工作：

• 将GPT-5.5写出的巨型单体JavaScript文件重构为组织良好的TypeScript项目；
• 搭建全新的CI流水线、预览和发布工作流；
• 实现工件存储、白名单访问控制、CLI登录鉴权等复杂系统；
• 加固数据库层的响应式逻辑，设计文件对象存储的完整契约。

他强调，这些改动「绝大部分都是GPT-5.6写的」，而他即将把这个从「奇怪的小副项目」蜕变而来的平台开源发布。

另一个重点项目是T3 Code——一个统一管理各类AI Agent的平台，覆盖桌面端、Web端和移动端。作者过去在移动端吃尽苦头，各种高端模型表现均不理想，但GPT-5.6在移动开发上的表现让他决定「加大剂量」：他让模型从零重写了整个React Native应用，一次用AppKit和Swift，一次用SwiftUI，相当于完成了两次完整的原生重写。

结果令他震惊——两个版本都是端到端完整可用、功能对齐的成品，每次重写仅花了2到4小时。结合模型出色的「计算机使用」能力（可直接启动模拟器验证效果），整个开发流程形成了完整闭环。

大胆移植：用Rust重写TypeScript编译器

受到「bun被用Rust重写」的启发，作者尝试了一系列大胆的移植实验。

他先将自己的Hermes Agent用Rust完整重写，让GPT-5.6遍历所有历史记录、识别真正在用的约50%功能并逐一实现。最终得到的Rust版本仅占用约15MB内存，远比原Python版本精简。

最令他兴奋的是重写TypeScript编译器。他成功得到了一个100%可用的转译器（负责将TS转为JS），全部用Rust编写，速度比等效的Go版本快达18倍。整个代码库最终膨胀至近20万行Rust代码，横跨29个crate。

不过作者也如实呈现了局限性：Fable分析这份代码后得出结论——「一个宽泛的原型，仅有极小的已验证切片，远未达到可交付状态」，大约完成了可用工具的15-20%，但只是完整TS-Go替代品的5%左右，类型检查部分进展有限，大量测试仍未通过。这种诚实的自我剖析，恰恰体现了深度用户的专业态度。

「我们真的到了」：计算机使用能力的高光时刻

如果本文有一个高潮，那一定是作者修复故障机器的经历。

当时他在拆装SSD时搞坏了引导分区，机器只能进入残缺的GRUB界面。他向GPT-5.6求助后，模型起初「幻觉」出一些并不存在的BIOS选项，但当作者给它开放了远程KVM的直接控制权限后，局面发生了逆转。

模型自主重启了几次、进入GRUB shell、正确引导系统，随后通过计算机使用能力远程操控电脑、打开终端、自动修复了引导分区——全程无需人工干预。

作者形容这是他遇到过「最『卧槽，我们真的到了』的时刻之一」。这类任务过去让他做噩梦——虽然大致会做，但需要大量研究、耐心和风险承受力。而GPT-5.6毫不费力地完成了。这次经历也直接推动他更激进地探索计算机使用的边界。

此后，他还用模型搭建了一个可启动的Linux恢复U盘（内置Codex和Claude），以及一个管理全部机器配置的仓库——每拿到新机器，只需告诉模型用途，它就能自动完成配置。

保持冷静：前端能力仍是明显短板

作者并没有一味吹捧。他明确指出，GPT-5.6并不是魔法般完美的前端模型。它比其他模型更「可被引导」、默认审美也更不容易出错，但「无论如何算不上出色的前端模型」。

他在制作3D游戏Demo时观察到，模型对3D的理解「很奇怪」——能自己生成环境、岩石、纹理，部分纹理甚至优于Grok的输出，但怪物和鱼的模型「丑得离谱」，控制逻辑也频频出错。不过他也承认，这一领域的进步速度足够快，值得持续关注。

对于UI开发，他的做法是让GPT-5.6搭好功能骨架，再交给Opus打磨界面——这种扬长避短的组合拳，或许才是当前阶段最务实的使用姿势。

总结：一个让工程师「想得更大」的模型

综合来看，作者对GPT-5.6的核心评价是「工作马」（workhorse）：

它不再需要像GPT-5.5那样精细地被引导，只需说「去做」，它就会持续工作、自主管理上下文、不迷失、不半途而废。这种Agent能力的质变，直接影响了作者近期演讲的方向——因为简单任务对它来说太简单了，他不得不给它更难、更宏大的挑战。

当然，20万美元的推理量绝非普通人的合理用法，作者本人也强调「没人应该每月这么做」。但这份极限压测式的实战记录，让我们提前窥见了AI Agent在真实工程场景中的能力天花板正在快速抬升。正如作者所说：「这个模型让我真心兴奋，想去构建更多、思考更大。」