砚数译文：GPT-5.5 四个 prompt 写博士论文，有坑

● 砚数 · 模型评测

砚数批注：为什么读这篇：Mollick 不跑 benchmark，而是把 GPT-5.5 扔进真实工作流压榨，结论比任何榜单都可信。

曲线上令人印象深刻的一步

我提前拿到了 GPT-5.5 的访问权限，我觉得这是个大事。说它大事，有三个理由：它说明 AI 的快速进步还没到头；它本身确实好用；以及，即便如此，AI 能力的前沿依然是锯齿状的。

随着 AI 越来越强，每一代的提升越来越难一眼看出来，以前 AI 不行的那些事（比如数学、数单词里有几个字母）现在都成了 trivial。所以我不急着给结论，先给个简单的例子。AI 最擅长的是写代码，于是我把一个编程挑战丢给一串模型，从 OpenAI 第一个推理模型 o3（一年零一周前发布的！）到当前最强的开源权重模型 Kimi K2.6，再到新的 GPT-5.5 Pro：「给我做一个程序化生成的 3D 模拟，展现一个海港小镇从公元前 3000 年到公元 3000 年的演化，要好看，并且让我能一定程度控制它。」

我把每个模型的答案都发到了一个画廊页里（其实这个画廊页是让 GPT-5.5 Codex 帮我搭的），你可以自己玩玩感受差别。除了其它维度都更强，只有 GPT-5.5 Pro 真正模拟了一个"演化中的小镇"，而不是只随时间生成新的建筑替换旧的。GPT-5.5 Pro 也比上一代快很多：GPT-5.4 Pro 完成这个任务花了 33 分钟，GPT-5.5 Pro 只用了 20 分钟。

砚数批注：文中最反直觉的一点：四个 prompt 让 GPT-5.5 产出「可接受的博士二年级论文」，但虚构仍然扁平、假设有时无趣。锯齿状前沿不是 bug，是模型能力的本质，强的地方神级，弱的地方平庸。

模型、应用与框架

我一直劝你别把 AI 当成一个东西，而是看成三个 interlocking 的概念。你要区分模型（比如 Opus 4.7、Gemini 3.1，以及现在的 GPT-5.5）、应用（你实际用来和模型对话、让模型替你干活的那些产品，最常见的是各家官网 chatgpt.com、claude.ai、gemini.google.com，但 Claude Code、Claude Cowork、OpenAI Codex 这类桌面应用正变得越来越有用），以及框架（harnesses，即 AI 能用的工具，以及模型怎么接入这些工具，工具让 AI 能控制你的电脑、写代码、做研究、画图）。

OpenAI 在这三个方向都进了。模型上，GPT-5.5 是个强模型家族，其中 GPT-5.5 Pro（仅网站可用）最强。应用上，Codex 正沿着优秀的 Claude Code 的路子走，做成了一个好用的桌面应用。框架和工具也有不少新进展，最有意思的之一是 OpenAI 的新图像模型。

这个新模型能渲染高质量文字、生成你描述得出的几乎任何图。老读者知道我的"水獭测试"，让 AI 画一只在水上飞机里用 wifi 的水獭。这次让新图像模型（有时叫 GPT-imagegen-2）自己来解释：「一张水獭科学家的照片，正在演示 Ethan Mollick 水獭测试的结果，展示 AI 图像生成器能把水獭坐在飞机上用 wifi 的画面做得多好。」

想看相关学术论文？「给我看水獭测试论文的第一页，排版工整，放在书桌上。」想做成艺术？「现在做一个精致的艺术画廊，墙上每幅画都是水獭在飞机上用笔记本，风格涵盖 Klimt、Rothko、Matisse、Monet、Picasso、Titian、Rembrandt、O'Keefe，每幅下面要有可读的标签。」（这个值得放大看。）这些都很酷，几个月前还不可能，但也确实有用，能精确排字和出图的图像生成器，可以做 PPT、产品原型、示例网站，anything。

但这只是一个工具。真正的魔法发生在你把框架、应用、模型拧到同一个真问题上。下面这个我拖延了十年的事。

拧到一起

我是学者，很多非 AI 的工作，尤其 2010 年代初，集中在众筹研究上。我攒了几百个匿名数据文件，来自问卷、分析和研究，是 STATA、CSV、XLS、Word 的大杂烩，一直没抽出空写论文。我想看看 GPT-5.5 能把这些用到什么程度。于是用 GPT-5.5 驱动的 Codex 发问：「帮我把这些数据整理好，生成一个可能有意思的新假设，用复杂的方法验证它，写一篇学术论文。」我还让它包含文献综述和排版。结果非常惊艳，尤其是我让 GPT-5.5 Pro 对论文提了意见、再把意见喂回 Codex 之后。（结果可读。）它不完美，但不再是那种明显的错误：文献综述是真的，统计也是真的。问题出在，作为专家，我觉得那个假设不够有意思，而且有些关于因果性的常规顾虑，即便 AI 用了很高级的统计方法去处理。总之，如果这是某个博士二年级项目的产出，我会很满意。而我只是发了四个 prompt，自己一个字没碰。

我们还能用另一种方式把框架、应用、模型拧起来。我让 Codex 创造一个全新的桌游，基本是它自创的「龙与地下城」，一个自己发明的奇幻世界，配齐所有要用的表格和规则。我还让它模拟玩家体验游戏，并据此修订规则。（如你所见，AI 照做了，还排了一本好看的 101 页 PDF，并用它的图像生成器做了插图。）技术上很 neat，内容也多有可圈可点：设定有趣新颖，规则自洽，借鉴了既有游戏套路又加了独有元素。但细看会发现，锯齿状前沿并没有完全消失。每一代 AI 都在长文本虚构上吃瘪。如果你常读 AI 写的东西，会在这里看到老问题：迷恋诡异感；过于复杂的点子却没完全落地；奇怪的比喻（"天气和建筑是同一种论证的不同速度"）；太多华丽长句（"当一片海忘记自己曾是路时，浮上来的神圣之物"，一次很酷，一整本就累）；每个角色都用同一种短促语调说话；以及那个名字"Mara"。所以，即便技术突飞猛进，毛边还在。

GPT-5.5 告诉我们：模型越来越聪明，应用越来越能干，框架越来越好，三者合力解决真实问题的能力越来越强。四个 prompt 拿一篇接近博士水平的论文，一个 prompt 拿一个能玩、带"实测"的桌游。但虚构依然扁平，假设有时无趣，哪怕统计是扎实的。尽管如此。一年前这些都还差得远，而最新这波发布，能力增益看起来在加速。

GPT-5.5 显然不是终点，但它是途中值得记一笔的一步。我写这个 newsletter 三年多了，规律没变：每隔几个月来一个新模型。我跑我的测试，原本不可能的事变容易，而每一轮的跨越都比上一轮更大。锯齿状前沿还在，只是比从前远得多了。

（原文配图为 GPT-5.5 自己选来做插图的一张图。）

砚数批注：给知识工作者的建议：模型、应用、框架三层正在拧到一起，Codex + GPT-5.5 + 图像生成器已经超出「聊天机器人」范畴。你是专家，AI 就是倍增器；你不是，它也帮不了太多。争议点：零幻觉只在狭窄任务成立，通用能力还远。

Mollick 没说但隐含的判断：三个层面的飞跃

仔细读这篇评测，Mollick 其实给出了三个独立的判断，每个都值得展开：

第一，模型层：GPT-5.5 是又一次「实质性的曲线向上」。不是参数翻倍那种线性提升，而是能做之前所有模型都做不到的事，比如 20 分钟完成 GPT-5.4 Pro 要 33 分钟的任务，且质量更高。速度和质量的同步跃升，说明底层架构在变。

第二，应用层：Codex 正在追上 Claude Code。OpenAI 从 Claude Code 学到了「桌面应用 + 智能体」的范式，Codex 现在能做真正实用的事，不只是生成代码片段，而是接管电脑完成复杂任务。

第三，工具层：新图像模型（GPT-imagegen-2）解决了文字渲染问题。能精确排版和出图的图像生成器，可以做 PPT、产品原型、示例网站，这是之前所有图像 AI 都做不到的。Mollick 的水獭测试从搞笑变成了实用，这就是质的飞跃。

三层叠加，意味着 GPT-5.5 不只是「又一个更强的模型」，而是「一个能力更完整的智能体平台」。从这层意义上看，Mollick 说「未来已来的信号」并不夸张。

砚数补注：Mollick 提到 GPT-5.5 Pro 的论文审阅能力，给整本 PDF 让它追 195 条参考文献，结果零幻觉。这个能力在学术圈的意义怎么强调都不过分。之前 LLM 最大的信任障碍就是幻觉，如果前沿模型能在特定任务上实现零幻觉，那学术出版、法律文书、医疗记录这些「零容错」领域将第一次真正对 AI 开放。但注意，这需要模型足够强 + 任务足够狭窄，不是通用能力。

砚数翻译
原文作者：Ethan Mollick
原文出处：One Useful Thing（Substack 专栏）
原文网址：https://www.oneusefulthing.org/p/sign-of-the-future-gpt-55
原文标题：Sign of the future: GPT-5.5
栏目：砚数 · 模型评测

砚数深度解析：砚数深度解析：锯齿状前沿对普通人的含义，是别再问这模型聪明吗，要问它在我的具体任务上处于哪个能力档。同一个 GPT-5.5，写博士论文能接受、编笑话却平淡，说明选型要看任务剖面而非平均分。国内团队做 AI 产品，也该从追榜单转向对齐具体工作流。

☆ 星标「砚数」，第一时间收到深度好文