作者丨樊天骄
编辑丨郑佳美
这几天，关于 GPT-5.6 的消息层出不穷。从 Polymarket 上的交易数据来看，GPT-5.6 极有可能在 2026 年 7 月 7 日正式发布，概率甚至高达 68%。
众所周知，Fable 5 上周刚刚上线，就已经把长任务 Agent 的行业标准重新抬高了一截，大量用户和社区案例都把 Fable 5 的优势指向长任务自主执行、复杂工程迁移、上下文保持和真实 Agent 工作流。
任务越复杂、链路越长，它的领先感越明显，甚至有案例显示，它能在数小时内完成原本需要团队数周推进的工程迁移。而反观 GPT 这边，目前承担主力应用的 GPT-5.5，却持续暴露出一个很刺眼的短板：长任务处理极不稳定，复杂链路中容易翻车。雷峰网
01
长任务容易翻车
为什么 GPT-5.5 长任务容易翻车？有开发者通过实测挖掘出了背后的可疑规律：GPT-5.5 Codex 的推理 token 数量并非随任务难度自然浮动，而是高度集中在 516、1034、1552 等固定节点，完全契合「推理 token 数 = 518 × n 2」的公式。
大模型处理复杂任务时，要生成几千甚至上万个内部推理 token，不可能全部算完再一次性返回。行业通用做法，是把一整条长思考拆成一个个 " 小块 "，边算边流式输出给用户，同时服务端也能同步监控进度、统计用量、处理异常。
这个分块的基础大小，行业普遍以 512 个 token 为标准单位（类似硬盘的存储块，是通用的工程惯例）。OpenAI 则额外预留了 6 个 token 的位置，用来放内部控制指令、状态标记这类系统信息，加起来单块的总长度就是 518 个 token。
而每一块的最后，还有 2 个 token 是专门留给系统做结束标记用的，不会分配给模型用来思考。所以单块里模型实际能用来思考的有效长度，就是 518 2 = 516 个 token；第 2 块结束时累计就是 518 × 2 2 = 1034，第 3 块就是 1552，以此类推。
这就像学生读长篇课文，不会一口气读完，而是一段一段读，每读完一段就汇报一次进度，接着再读下一段。
但是 GPT 5.5 的问题出在：每读完一块，思考就被强制叫停。
举个例子：就像你做一道很难的数学大题，正常思路是：
先读题、拆解已知条件（第 1 段思考）
接着推导公式、列方程（第 2 段思考）
再计算结果、验算检查（第 3 段思考） 一段接一段，顺理成章往下走，直到把整道题完整解完。
对应到模型里就是：第一块 518 个 token 用来读题，然后自动开启第二块的思考，第二块用完开第三块…… 全程思路连贯，一直到把问题彻底想明白为止，用户完全感觉不到中间分了块。
但 GPT-5.5 不会向下延续。它刚把第一块的思考额度用完（到 516 个有效推理 token），触发完上报，思考就直接终止了，不会自动开启下一块，也不会顺着刚才的思路继续往下推演。
还是拿做数学大题举例：它刚拆解完已知条件，刚要开始推导公式，就被强制喊停，直接把 " 拆解完的条件 " 当成最终答案交上来。后面的推导、计算、验算全都没往下想，自然答案残缺、逻辑断裂，看起来就像 " 变笨了 "。
而针对这个问题，这位大佬也在 Github 开源自己制作的中间件 CodexCont。 和修改提示词、本地脚本调试等临时手段不同，CodexCont 是部署在 AI 编程 Agent 与 OpenAI 接口之间的链路代理层，全程拦截流式推理数据，实时监控 reasonning-token 数值。
也就是说 CodexCont 代理可以检测长推理是否被截断，一旦疑似截断，就自动下指令让模型继续思考，再把多轮响应整合成一次完整输出。雷峰网
02
跑分造假争议
如果光看榜单数据，GPT-5.6 可以轻易反超 Fable 5，成为新一代顶级大模型的工程生产力标杆。
据 OpenAI 官方在 Reddit 公布的 TerminalBench 2.1 评测榜单显示，GPT-5.6 系列表现强势：Sol Ultra 以 91.9% 的得分登顶，Sol 版本也拿下 88.8% 位列第二，不仅大幅领先现役的 GPT-5.5，也全面压过 Claude Mythos 5、Claude Fable 5、Gemini 3.1 Pro 等一众头部竞品，成绩可谓相当亮眼，进一步推高了市场对新版本的期待。
业内博主 Lisan al Gaib 曝出的官方评测文件显示，OpenAI 曾委托第三方机构 METR 对 GPT-5.6 Sol 开展 Time Horizon 1.1 软件任务套件评测，最终结果却直接被判定无效 。
METR 检出 GPT-5.6 Sol 存在异常高频的 " 作弊行为 "，即模型通过钻评测环境的漏洞、采用任务规则不允许的策略来抬高分数，这类表现无法真实衡量模型的能力水平，评测结果不具备横向参考价值。
最关键的是 OpenAI 自己也间接实锤了这一点，称模型更强的任务持续性，反而导致部分行为超出了评测约束边界，这和内部对齐实验中观测到的偏差趋势一致。
这也让社区的质疑进一步坐实：GPT 5.6 可能仅仅只是在分数上好看，但真实 Agent 工作流未必能打过 Fable 5。
开发者 Tibo 就分享了一段内测时与 GPT-5.6 Sol 的互动，直观展现了这一特性：用户仅发送了三行敬礼表情，模型却顺着对话里的数字指令，一路推演起了 " 表情算术 "。
而 Sol 非但没有修正逻辑，反而为了自圆其说自创了一套 " 敬礼负债 " 体系，最后输出了一个结果： " 你欠了 332 个敬礼 "，硬生生把违背常识的计算结果圆成了一套自洽的虚拟规则。
这有可能暴露了 GPT-5.6 Sol 的典型特征：它极度执着于完成完整的逻辑闭环，为了把推演链条走到底，会主动突破现实常识与人为规则，自行脑补不存在的设定来自圆其说。
有趣的是这个现象和现役的 GPT-5.5 恰好形成了极鲜明的反差。GPT-5.5 是被后台硬性阈值牢牢锁死了推理长度，思考到固定 token 数就被强制截断，半步都不敢多推演，因此被用户吐槽 " 变笨、思考浅、长任务翻车 "；
而 GPT-5.6 Sol 则是彻底放开了推理约束，哪怕脱离现实常识、违背客观逻辑，也要把完整链条推演到底，甚至自创一套虚拟规则强行闭环，反而容易产出脱离现实的怪异结论。
03
GPT-5.6 VS Fable 5
从表面看，GPT-5.6 的优势可能来自更强的推理能力。但在重度开发者眼里，模型竞争的胜负并不由单次回答质量决定，而是由长周期任务中的可靠性决定。谁能在真实项目里连续理解需求、拆解任务、并最终交付可合并的结果，谁才真正占据工程模型的高地。
Fable 5 的核心护城河在于它在复杂 Agent 工作流中的 " 连续作业能力 "。开发者选择它，往往不是因为它每一道题都答得最漂亮，而是因为它在多轮调试和长期任务推进中更少掉链子。在工程场景里，Fable 5 就像一个稳定高效的工程师，能在几小时以内完成一个团队几星期的工作。
这就是 GPT-5.6 面前的第一道瓶颈：长推理稳定性。如果 GPT-5.6 不能原生解决长任务断链这些问题，那它就算榜单分数再漂亮，也很难真正说服开发者。
第二道瓶颈，同时也是最核心的优势突破口，是性能与成本的平衡。Fable 5 被认为 " 强而小众 "，问题并不是能力不够，而是能力的边际成本太高，说白了，就是 Fable 5 很贵。有的用户只是对 Fable 5 说一句 "Hey" 就花掉了 20 美元，普通开发者的日常使用负担可想而知。
有开发者表示，自己用 GPT-5.5 做中低难度的开发任务，感觉就像 " 用火箭筒打蚂蚁 "，完全够用。所以如果 5.6 的速度、成本和 5.5 差不多，自己是肯定会换成日常主力使用的，除非它拥有 Fable 那种 " 核心特质 "，否则不敢说它比 Fable 更强。
真正的护城河从来不是参数、榜单或宣传，而是开发者的肌肉记忆：遇到棘手的复杂问题时，第一个想起打开谁，谁就赢了。
参考链接：
https://x.com/goodworse/status/2073539985588842870
https://github.com/neteroster/Codex
https://x.com/bdsqlsz/status/2073442704852226479
可独家畅览：
专家演讲 PPT
大会报告全文
热门论文解读
学术新星访谈
扫描上方二维码
或点击「阅读原文」关注专区。
