GPT-6深度测评：6大实战案例，离AGI还有多远？

OpenAI 的 GPT-6 正式发布上线，被官方称为「全球最智能、最对齐」的模型。B站UP主「AI小王子」用三个晚上、自费约 200 亿 Token，从视频制作、游戏开发、三维建模、前端设计、自动剪辑到电脑操作六个维度做了一轮完整测试。相比堆砌参数的纸面提升，这次真正让人关注的，是模型开始展现出「举一反三」和「主动干活」的迹象。本文梳理这份测评的关键发现，也客观评估它离想象中的「贾维斯」到底还有多远。

纸面数据：接近满分，但要打个折扣

先看官方给出的跑分。在 ARC-AGI-3 测试中，上一代 GPT-5.6 的成绩为 7.8%，而 GPT-6 直接冲到 99.9%；在高难度数学测试 Frontier Math 上，GPT-5.6 为 83%，Claude Code 5.1 为 87.8%，GPT-6 则达到 97.6%，接近满分。

这些提升幅度确实惊人，但需要冷静看待——数据均由 OpenAI 自行统计，缺乏第三方验证，作为参考即可。测评者也特别提醒，此前用过 Codex 的用户在使用前最好先排查已有的 Skill 或 Agent 是否存在规则冲突，否则会限制新模型的发挥。这个细节其实点出了一个趋势：随着模型能力增强，过去为「弱模型」写的繁琐规则，反而可能成为束缚。

ARC-AGI（Abstraction and Reasoning Corpus for Artificial General Intelligence）是由人工智能研究员 François Chollet 设计的基准测试，专门用来衡量模型的泛化推理能力，而非记忆能力。每道题都是模型从未见过的视觉图案规律，要求从极少量示例中归纳出变换规则并应用到新样本。正因为很难通过"背题库"取巧，它长期被视为衡量 AI 接近通用智能程度的重要参照。ARC-AGI-3 是 2025 年推出的最新难度版本，加入了更复杂的多步推理场景。GPT-6 从 7.8% 跳升至 99.9% 的幅度之所以令人震惊，是因为此前业界普遍认为 ARC-AGI 对现有深度学习范式构成根本性挑战——这一数字若经第三方复现，将具有里程碑意义；若无法复现，则说明评测方式本身存在需要审视的问题。

视频与游戏：AI 开始「调用工具」而非单纯生成

GPT-6 最明显的变化，是从「生成内容」转向「操作软件」。在 AI 视频制作这一传统难题上，场景不一致、人物走位偏移一直是反复「抽卡」的痛点。GPT-6 的做法是直接调用 Blender 生成场景推演和白膜视频，用白膜精确控制镜头和走位。

测评中一个实用经验值得记录：生成白膜视频时要求模型只保留头和身体、不带四肢，因为白膜的四肢会严重限制成片的动作表现——带四肢的失败案例效果颇为「猎奇」。

游戏制作方面测试了两版：一版用 Blender 建模配合 Godot 引擎，光影处理被评价为「像专业打光师」，暗街道、暖光窗户、地面水面明暗层次都相当到位；另一版用 Three.js 做出可在浏览器直接运行的三维街景。不过测评者坦言，当前建模更适合几何体组合的规则物件或 low-poly 风格，人物五官、发型、服装等精细细节仍做不到位。代价也不小：游戏和建模这类任务较耗 Token，每个案例约消耗 5X Pro 周额度的 30%。

三维建模：单张参考图还原空间，能力惊艳

最让测评者惊艳的是三维视觉理解与空间渲染。测试特意设置了刁钻难点：只提供一张单一角度的参考图，不给三视图、不给平面图，让模型自己推测背面、侧面和被遮挡的部分。

仅凭一张环形建筑图和一句「还原成可查看的三维场景，可在网页中查看」，模型在约 14 分钟内搭出了环形建筑、玻璃外墙、周围湖面和雪山，且交付结果支持旋转、缩放，甚至能移开屋顶查看内部结构。提示词中并未要求这些交互，模型却主动完成了——这种「预判用户下一步需求」的能力，是本次测评反复强调的亮点。

当然，测评者也保持了清醒：初版建模在细节、材质和质感上与专业还原仍有差距，隐藏结构是模型推测的，要做到尺寸和布局精确，仍需补充多角度参考和尺寸信息。「故意刁难」下能有此表现算不错，但不应作为专业工作流的最终交付标准。

前端与剪辑：审美提升，主动上网找素材

前端 UI 一直是 GPT-5.6 被诟病的短板。这次测试的超跑展示网站在暗色背景、金属车身质感、悬浮卡片光泽上都有明显的未来感提升，审美和质感确实进步不少。

更有意思的是一个医学项目——人体解剖三维交互展示。测评者原本只想看模型对解剖的理解，没想到它主动去 GitHub 找相关建模放进项目，做出了可拖动、可旋转、可逐层拆解并显示部件名称的交互效果。这种「自己补齐信息」的行为，被形容为「变得精明了很多」。

自动剪辑测试同样体现了这一点：仅给一段 38 秒口播音频加一句「自己找素材、生成 YouTube 风格口播视频」，约 16 分钟、消耗 5X Pro 周额度的 1%，模型用 Remotion 完成了节奏流畅、素材基本对得上讲解的成片。不过细节仍不精确，比如讲到「AI 漫剧」时配了数位板绘画素材，语义没对上。配合 AE 制作动效则能直接交付工程文件，方便熟悉 AE 的人接手继续调整，但部分功能较强的第三方特效插件未能成功调用。

Computer Use：官方吹得最猛，翻车也最明显

OpenAI 这次重点宣传 Computer Use，直接把 GPT-6 称为「全球最强的电脑操作模型」。前面的建模、AE 操作，底层逻辑都依赖它。但测评者针对官方的大口气设计了一个刁钻任务：打开在线钢琴弹一首曲子。

结果直接卡住——每次按键操作耗时约 21 秒，别说弹曲子，音符根本连不起来。

结论很务实：Computer Use 能完成任务，但节奏慢。对于「不追求速度、可以放着让它慢慢做」的长时任务（比如打一首五线谱谱子、下棋）很实用；但对需要短时间内快速连续操作的场景，仍力不从心。「强归强，提升空间还是很大很大」。

Computer Use 是指 AI 模型通过截图感知屏幕状态、再发出鼠标点击和键盘输入指令来操作真实计算机界面的能力，本质上是将视觉理解与动作执行串联成一个闭环 Agent。Anthropic 的 Claude 在 2024 年率先发布同名功能并引发广泛关注，OpenAI 随后将类似能力整合进 GPT 系列。这种方式的瓶颈在于"感知-决策-执行"的延迟叠加：每一步都需要截图上传、模型推理、指令下发，单次操作耗时数秒到数十秒不等。这也解释了为何弹钢琴这类需要毫秒级连续按键的任务会彻底失败——当前 Computer Use 的设计假设是处理"慢节奏、多步骤"的办公类任务，而非实时交互场景。

定价与「循环深度」：贵了，但不是暴力堆参数

价格确实上涨。按 API 标准价，GPT-5.6 每百万输入 Token 为 4 美元、输出 20 美元；GPT-6 Extra 则是 10 美元和 50 美元，单价约为 2.5 倍。Plus 会员基本不够用，需求高的用户往往要开 5 倍会员才够。

但涨价背后并非单纯膨胀参数。测评者提到 GPT-6 引入了一个新机制——「循环深度」：不再是参数量决定「脑容量」，而是把数据放进循环核心反复迭代、在潜在状态下多次深化思考。在复杂任务上，这反而带来了翻倍的效果和更快的输出速度，也意味着能减少不必要的 Token 消耗。

「循环深度」（Recurrent Depth）是一种有别于传统 Transformer 扩展路径的架构思路。传统做法是堆叠更多层、更大的参数矩阵来提升模型容量，代价是推理时的计算量线性增长。循环深度的核心思想是：让同一组参数在推理过程中对中间表示（latent state）进行多次迭代计算，类似于人类"反复推敲"的过程，而非一次性前向传播就得出结果。这种机制让模型在处理复杂问题时可以动态分配更多计算资源，而在简单问题上快速收敛，从而在效率和能力之间取得更好的平衡。这与 DeepMind 的 Adaptive Computation Time 等研究思路一脉相承，也是近年来"测试时计算（test-time compute）"这一研究方向的具体落地形式之一。

离 AGI 还有多远？

测评者最后给出的判断很克制：GPT-6 Extra 强是强，但离 AGI 仍有距离，上升空间很大。真正的启发不在跑分，而在使用心法的转变——过去为了让模型做好事情，人们习惯写极长、极细的提示词规定每一步；但换上更聪明的模型后，这些旧规则反而成了束缚。

更合理的做法是：讲清目标、验收标准和「哪些地方不能动」，具体方法留出空间让模型自己选择。尤其在自己不擅长的领域，说得太多可能起反效果，不如让模型用海量训练数据自主发挥。

从早年用代码画一棵圣诞树就能引来惊叹，到如今宣称可以接管整台电脑，AI 的发展节奏快到让人逐渐习惯。GPT-6 或许还不是贾维斯，但那只脚，似乎确实已经迈进了门槛。