北京
出品 | 网易智能
作者 | 小扣
编辑 | 王凤枝
GPT-6到底有多强？看完OpenAI的官方介绍，我想拿几件费时间、又容易出错的工作试一试。
OpenAI这次主打GPT-6 Astra在复杂编程、专业文档制作和电脑操作上的表现。我就沿着这几个方向，选了前端、后端、办公和电脑操作四类任务：改一款3D游戏，修一个抢购商城，把41份互相冲突的材料整理成董事会文件，再打开华为发布会视频，自己挑片段、做成动图。
同样的材料和要求，我也交给了上一代GPT-5.6 Sol，两边都开高推理强度。我想看看，新一代模型的进步，落到这些具体工作里，究竟是做得更快、考虑得更周全，还是交出来的东西更好用。
01前端：接手一款还要继续更新的游戏
前端这一项，我想看看GPT-6能不能接手一款已有的游戏，继续加功能，而不只是做出一个好看的页面。
我给两款模型的任务是修改《沉没博物馆》。这是一款双机器人协作的3D游戏：洪水不断上涨，玩家要安排两个机器人配合开门，按优先级带走展品，再一起撤离。
除了玩法，我还要求暂停、撤销和存档都能正常工作。暂停以后，洪水、电量和巡逻障碍都得停；撤销一步，机器人的位置、电量和手里的物品也要恢复。做到一半，又追加了色弱模式、救援优先级和第四张地图，旧存档也必须继续能用。
Astra用了约31分45秒，交出了可以在浏览器里运行的版本，还录下了一段连续演示动图。下面就是游戏实际运行的画面。
图：Astra版本的连续演示，包含双机器人、展品、门、洪水与撤离过程。GIF为1024×720、25.01秒。
游戏能玩起来了，兼容性检查却发现一个问题：加载其中一类旧存档后，机器人手里原本拿着的展品不见了。Astra认出了新版记录携带物品的方式，却漏掉了一类旧版记录。低帧率时自动降低画面负担的触发条件，也没有完全按要求做。
Sol这边因服务容量不足中断了修改，没能交出可用版本，也就无法用这一轮判断它能否完成这款游戏。
半小时左右能拿到一个可运行的版本，我觉得已经有实用价值。但如果真要让老玩家更新，丢失携带物品的问题必须先修好。
02后端：抢购、扣款和退款，都得算对
后端这一项，我想看看模型能不能把商城里的抢购、扣款和退款处理妥当。
我给它们准备了一个有问题的模拟闪购后台。库存只有20件，却要同时接住100笔抢购请求；用户重复提交请求，不能重复扣款；支付后系统突然崩溃，重启时也不能把同一笔钱再扣一次。数据库里还有退款、通知重试和权限问题需要处理。
第一轮修完，第二轮再追加优惠券分摊和数据库迁移的要求。这时模型得在已有代码上继续改，既要算对退款，也要处理升级中断、退回旧版服务等情况。
两款模型先守住了最重要的抢购流程：100个请求最终成功20个、失败80个，库存没有变成负数。相同请求重试时，都能返回第一次结果，首次失败的请求也会被记住；支付中途崩溃和事故对账等检查，两边也通过了。
差别出现在一笔退款里。
这笔模拟订单原价200元，用了30元优惠券。退回其中价值100元的商品时，按题目要求，优惠券需要分摊到商品上：退货部分分到15元优惠，应该退回的现金是85元。
Astra给出了85元现金、15元优惠券分摊。Sol却给出100元现金，优惠券分摊为0。照它的结果处理，就会多退15元。
退回旧版服务时，两边的处理也不同。Astra恢复了旧版需要的兼容状态，同时保留新增数据和历史记录；Sol发现数据库里已经有新版订单后，拒绝继续回退。
图：Sol版本的事务与消息发送边界代码，直接截自提交源码。
图：Astra版本把本地业务提交、接收端落地和发送端确认分开处理。
这一项我更认可Astra。防止超卖和重复扣款，两款模型都做到了，但Astra把后面追加的退款与回退要求处理得更完整。
03办公：41份材料，整理成一套能开会的文件
办公这一项，我想让模型完成一整套关账材料：先把不同文件里的账核清，再做出Excel、董事会PPT和管理层备忘录。三份文件不能各算各的，最后拿去开会，还得让人看得明白。
我给了它们41份材料，包括Excel、PDF合同、邮件、会议记录、截图、旧版PPT和人工批注。材料之间有冲突，模型要找出4处错误、标明位置，再统一税口径、退款归属月份和销售渠道。Excel要保留公式，图表可以继续编辑；PPT限定12页，Word限定2页。
做到一半，我又撤回一笔收入、补一笔退款，并修改了返点生效日。它们需要跟着更新整套文件，但原来的模板、批注和旧版对照不能丢。
这一项，两边都交齐了。Excel各有19个工作表，PPT都是12页，Word都是2页。核心数字也一致：不含税净销售额180万元，退款20万元，贡献利润37.5万元，比预算少40万元。
还有一个处理让我比较放心：仓库损耗截图里有个金额看不清，两款模型都把它留作待确认，没有猜一个数字填进去。
Astra完成整套材料用了约40分8秒，Sol约66分1秒，前者快了约26分钟。但把文件打开看，我更喜欢Sol的呈现。
图：Astra版本的Excel仪表盘，第一轮、第二轮和变化值并排呈现，信息密度更高。
图：Sol版本的Excel仪表盘，重点数字和第二轮调整更醒目。
图：Astra版本的12页董事会包，整体更传统、表格更密。
图：Sol版本的12页董事会包，图表更多，页面层级也更鲜明。
Sol的仪表盘更容易找到重点，PPT的页面层级也更清楚。它用了3个原生图表，Astra用了1个，两边都有7个可编辑表格。Astra的版本更传统，表格密一些，适合仔细核对；Sol则更方便在会议上讲清楚数字。
急着拿到整套材料，Astra更省时间；如果第二天就要拿去开会，我会选Sol的版本。
04电脑操作：看发布会，挑片段，再做成动图
电脑操作这一项，我想看看模型能不能直接使用浏览器，替我完成一件写稿时会遇到的事：从发布会视频里挑一小段画面，做成可以插入文章的动图。
我给两款模型的是同一条华为官方YouTube发布会视频。整场长两个多小时，这次只让它们按正常速度看同一个4分30秒片段，再从中选出4至6秒，做成GIF。
选段要让普通读者一眼能看懂，制作也有要求：画面从浏览器实际播放中获取，尺寸、帧率和文件大小都要合适，不能把浏览器边框、播放控制条或聊天栏一起截进去。
两款模型都看完了指定片段，选择却不一样。Sol挑中了玻璃耐用性对比：两种玻璃并排放着，测试压头上下运动。Astra选的是手机展开，机身从合拢变成展开，随后被举起来展示。
图：上方是Sol选择的玻璃耐用性演示，下方是Astra选择的手机展开镜头。两张截图都保留了真实YouTube页面、播放器时间、标题和Huawei频道。
到了制作环节，Astra交出了一张5秒、50帧的GIF，尺寸、帧率和大小都符合要求。画面没有多余的网页控件，只留下源视频自带的华为标识。
图：手机从折叠状态展开，随后被单手举起展示。GIF为960×540、5秒、10fps。
Sol完成了观看和选段，却没能把浏览器截图做成同时符合要求的动图。帧率、时长和干净画面这几件事，没能一起处理好。
这个结果有点可惜。单看选段，我更喜欢Sol：两种玻璃并排接受测试，更适合配合耐用性的介绍。
但要插进文章，我手里能直接用的只有Astra那张动图。Sol选中的片段，还得继续加工。
05干完这些活，Token花了多少？
看完成品，我又对照了一下运行日志，想知道两款模型为这些工作消耗了多少Token，也就是它们读入和生成内容时使用的计量单位。
先只看双方都交出成品的后端和办公两项。Astra合计用了约915万Token，Sol约2608万，前者少64.9%。如果只算输出部分，Astra少33.5%；非缓存输入则少19.2%。
再把四项工作的全部尝试算进去，包括失败和经我确认后的恢复运行，Astra用了约1207万Token，Sol约3750万，前者少67.8%。其中，GIF这一项，Astra一次成功运行用了约41万Token；Sol两次运行合计超过1000万，仍然没有可用动图。
后一组数字包含没有做成的工作，不能当作完成同样任务的效率比较。但对使用者来说，失败尝试同样会消耗资源，这部分也不该从记录里消失。
Astra这轮用的Token明显更少，不过费用还要另算。按测试时记录的Standard API文本报价，Astra每百万输入、输出Token分别为10美元和50美元，Sol为4美元和20美元，Astra的单价都是Sol的2.5倍。
实际花费还受缓存、工具调用和Codex套餐计费方式影响。这次的运行日志不是逐项结算的API账单，67.8%只是Token用量的差距，不能直接当成费用省了多少。
做完这一轮，我会怎么选
如果接下来还要处理这样几件连着做、做完还要继续修改的工作，我会先用Astra。这次它交出的东西更齐，退款和版本回退也处理得更完整，办公任务还比Sol快了约26分钟。
但Sol没有因为“上一代”三个字就失去位置。办公材料的呈现，我更喜欢它；挑发布会素材时，它选中的画面也更合我的需要。Astra自己的旧存档问题，同样说明新版交来的东西还得检查。
这四项测试只是我的一次使用对比。下次遇到类似的工作，我会先让Astra上手，再根据成品决定用哪一份。比如这次的董事会PPT，我就会留下Sol的版本。
