GPT-6 Soar对比GPT-5.6 Soar实测：更快更省的真实差距

OpenAI发布的GPT-6 Soar和GPT-6 Lula两款模型，官方宣称比GPT-5.6 Soar「更快、更强、更便宜」。但在此前的实测中，仅凭截图复刻网站这类简单任务，两代模型的完成度几乎没有差别——因为这个场景已经触及能力天花板，测不出真实差距。于是B站UP主换了一批更有区分度的任务重新测试，从耗时、额度消耗、完成质量三个维度记录数据，试图还原两代模型的真实差异。

简单任务：差距被天花板掩盖

第一个测试项是「SVG画一只骑自行车的梨花猫」（原题是提壶骑车，为规避模型的记忆识别做了改写）。这类任务足够简单，两个模型都能完成，主要看视觉呈现的精细度。

从结果看，GPT-6 Soar画出的梨花猫在细节上略胜一筹，观感更好一些。但两者耗时几乎相同，都在两分多钟。额度消耗方面，GPT-5.6 Soar几乎可以忽略不计，GPT-6 Soar消耗约1%——UP主认为这1%更可能是统计误差，而非真实的成本差异。

这类任务的问题在于：当两个模型都能轻松完成时，能力上限被拉平，很难看出代际提升。这也解释了为什么上一期视频引发争议——不少观众质疑GPT-6 Soar「更强」的说法缺乏依据。要验证代际差异，必须用更复杂、更接近能力边界的任务。

代码理解：谁更「通俗易懂」

第二个测试是让模型熟悉GitHub上的项目（使用了Lipstick Harness这类项目），要求用最通俗的语言说明「这个项目是做什么的」以及「学习该从哪里入手」。这里的评判标准不是把项目讲得多透彻，而是能否把事情讲清楚、让人一看就懂。

GPT-5.6 Soar给出的说明较长、内容详尽，但表述相对繁复；GPT-6 Soar则用一句话说清项目用途，并给出简洁的学习建议。从「通俗易懂」这个维度上，GPT-6 Soar的表达更精炼。

耗时和成本对比更能说明问题：GPT-5.6 Soar用了3分4秒、消耗3%额度；GPT-6 Soar仅用1分14秒、消耗2%额度。同样的理解质量下，新模型的响应速度接近前代的一半，成本也更低。这印证了官方「更快、更便宜」的说法——至少在中等复杂度的代码理解任务上是成立的。

3D场景生成：方位准确性成关键

真正拉开差距的是第三个测试——3D城市层次生成器。同一套提示词，两代模型分别用不同强度档位生成一个包含橘子洲头、岳麓山、五一广场等长沙地标的3D城市场景。

GPT-5.6 Soar（使用Auto档）的成品第一眼看上去还不错，城市总览、地标分布都有模有样。但仔细核对方位就会发现致命问题：整个地理方位被搞反了。按照橘子洲头的实际位置推算，岳麓山和五一广场的相对方向完全颠倒。UP主指出，配色、楼高这些细节都可以后期调整，唯独方位错误是结构性的硬伤。

GPT-6 Soar（使用Ultra强度）在同样的提示词下，把地理方位搞对了——以橘子洲头为基准，左边是岳麓山、右边是五一广场，符合真实地理关系。成品还提供了天气切换（晴天、夜晚、暮色）、城市规模、平均楼高、湘江宽度、绿地覆盖、阳光高度等可调参数，交互完整度更高。

耗时与成本对比同样悬殊：GPT-5.6 Soar（Auto档）耗时44分54秒、消耗65%额度；GPT-6 Soar（Ultra档）耗时26分5秒、消耗31%额度。也就是说，新模型不仅结果更准确，还用更短的时间和不到一半的额度完成了任务。

3D城市层次生成器（3D City Layer Generator）是一类基于代码（通常为 HTML/JavaScript + Three.js 或 WebGL）的程序化场景生成任务，要求模型根据文字描述输出可运行的三维城市可视化程序。这类任务对模型的能力要求是多维叠加的：既要理解地理拓扑关系（哪个地标在哪个方向），又要生成结构正确、可执行的三维渲染代码，还要实现交互参数（如天气切换、楼高调节）。正因如此，它是检验大模型「空间推理 + 代码生成」综合能力的高区分度场景——任何一个环节出错，最终产物都会出现肉眼可见的结构性错误，而不像纯文本任务那样错误容易被模糊表达掩盖。Auto档与Ultra档的区别，通常对应模型在生成过程中投入的推理深度与迭代次数，Ultra档一般会消耗更多算力换取更高质量输出。

实测结论：差距藏在复杂任务里

综合三轮测试，可以得出几个清晰的结论：

• 简单任务看不出代际差距，因为两代模型都已触及能力天花板，视觉和完成度趋同；
• 中等复杂任务开始显现优势，GPT-6 Soar在代码理解上表达更精炼，速度和成本明显占优；
• 复杂任务差距最大，在3D场景生成中，GPT-6 Soar不仅在方位准确性等结构性问题上胜出，还在耗时和额度消耗上大幅领先。

这也回应了上一期视频的争议：GPT-6 Soar「更强」的说法在简单场景下确实难以验证，但一旦任务复杂度提高，代际提升就变得可感知。对于依赖大模型完成复杂生成任务的用户来说，速度更快、成本更低、结构准确性更高，这三点叠加起来的实用价值不容忽视。

需要说明的是，本文测试为单一UP主的实测记录，样本数量有限，评判标准（如「通俗易懂」）也带有一定主观性，结论仅供参考。真正的能力评估还需要更系统、更大规模的基准测试来支撑。

「能力天花板效应」在大模型评测中是一个常见陷阱：当任务难度低于模型的能力下限时，所有模型都能轻松完成，横向比较失去意义；当任务难度高于模型的能力上限时，所有模型都会失败，同样无法区分优劣。真正有区分度的评测需要将任务难度控制在「部分模型能完成、部分不能」的区间内，即所谓的「甜蜜区」。这也是为什么学术界的标准基准测试（如 MMLU、HumanEval、MATH）会持续迭代更难版本——随着模型能力提升，旧基准会逐渐饱和，区分度下降。本文测试从简单到复杂的任务设计，在一定程度上复现了这一逻辑，但系统性仍不足，复杂任务仅有一个样本，结论的稳健性有待更大规模测试验证。