成本仅三分之一，编程基准首超 Fable 5：GPT-5.6 Sol 重写模型性价比公式

TL;DR — 7 月 12 日，Design Arena 官方发布最新排名：OpenAI 的 GPT-5.6 Sol 以 Elo 1353 空降榜首，从 GPT-5.5 的位置一跃 18 名，在独立前端设计评测中首次压制 Anthropic 的 Claude Fable 5。同一周，Artificial Analysis 的独立横评给出了相似的结论：Sol 在 Intelligence Index 上仅落后 Fable 5 一分（59 vs 60），却在 Coding Agent Index 上以 80 分领先，且每任务成本仅为 Fable 5 的约三分之一（$1.04 vs ~$3）。OpenAI Codex 负责人 Tibo 在 X 上只发了一句"I think GPT 5.6 is pretty good"，收获 105 万次浏览和 1.6 万点赞——这句话的克制反而成了整个开发者社区最响亮的信号。但独立测试同时揭露了 Sol 的致命短板：AA-Omniscience 压力测试下，Sol 的 hallucination rate 高达 89%，而 Fable 5 控制在 55%。开发者社区由此分裂：是选"够好且便宜"的 Sol，还是"更贵但更可靠"的 Fable 5？

498K 人围观：Sol 从 GPT-5.5 一跃 18 名，直取 Design Arena 榜首

7 月 12 日，由 intelligence.ai 团队创建的 Design Arena 在 X 上公布了正式排名。帖文在两天内获得 498,893 次浏览、1,924 次点赞、189 次转发。

GPT-5.6 Sol 以 Elo 1353 登顶，领先第二名 GLM 5.2（1351）和第三名 Claude Fable 5（1345）。Design Arena 在公告中特别指出，这是"从 GPT-5.5 的一个 18 名、60 分的 Elo 跨越"，并且 Sol "在偏好 vs 速度的 Pareto 前沿上建立了新标准——比任何同性能水平的模型都更快。"

同一天，Code Arena 的 Frontend 榜单也更新了：GPT-5.6 Sol（xhigh）与 Claude Fable 5 并列第一——这是 OpenAI 模型首次在该榜单上与 Anthropic 旗舰平起平坐。

OpenAI 总裁 Greg Brockman 转发了 Design Arena 的结果，称其为"重要里程碑"（major milestone）。但真正引爆开发者社区的是 Codex 负责人 Tibo 的帖子——全文只有八个单词："I think GPT 5.6 is pretty good." 这条看似随意的评价在两天内积累了 105 万次浏览和 16,345 次点赞。在 AI 界的 hype 机器里，克制就是最大的自信。

五个数字，讲完 Sol vs Fable 5 的完整故事

在进入细节之前，这五个数字勾勒出竞争的全貌：

Elo 1353 vs 1345：Design Arena 排名，Sol 以 8 分优势反超 Fable 5，60 分跨越 GPT-5.5
$1.04 vs ~$3 per task：Artificial Analysis Intelligence Index 的每任务成本，Sol 约为 Fable 5 的三分之一
88.8% vs 83.1-84.3%：TerminalBench 2.1 得分（Sol 标准模式 vs Fable 5，取决于评测 harness）。Sol Ultra 模式进一步推至 91.9%
64.6% vs 80%：SWE-bench Pro 得分——Fable 5 在真实 GitHub 仓库修复任务上对 Sol 保持了 15.4 个百分点的巨大优势
89% vs 55%：AA-Omniscience hallucination rate。Sol 在有压力测试性质的 factual 陷阱题上出错率接近 Fable 5 的 1.6 倍

拆解五大战场：每个 benchmark 讲的故事都不一样

Design Arena：一个 60 分的跨越意味着什么

Design Arena 是 intelligence.ai 搭建的前端设计与 Web 开发盲评平台，采用 Elo 评级系统，已有超过 500 万用户参与。与传统的固定测试集不同，它由真实用户对模型生成的 UI、页面和交互效果进行 pairwise 投票。

GPT-5.6 Sol 从 GPT-5.5 的排名位置向上跨越 18 个身位、Elo 提升 60 分——这在 Elo 体系里是一个代际级的进步。作为参照，GPT-5.5 在这个榜单上甚至没有进入前十。Sol 不仅在布局、色彩和视觉层次感上获得了明显的偏好票，更在速度维度上击败了所有同档模型。

Design Arena 官方特别提到，Sol 与 GLM 5.2 "处于同一性能带"（in the same performance band）——这个来自智谱的国产模型在前端设计评测中一直是稳定的头部选手，Sol 能压过它意味着 OpenAI 在视觉输出质量上的投入正在兑现。

TerminalBench 2.1：88.8% 背后的真实差距

TerminalBench 2.1 是当前最接近真实编程 agent 工作方式的评测：将模型丢进终端环境，要求它在 89 种任务类型中自主运行 shell 命令、编辑文件、执行多步操作并自我纠错。

Sol 标准模式拿到 88.8%，Ultra 模式通过并行启动 4 个子 agent 将分数推至 91.9%。Fable 5 在 OpenAI 的评测 harness 下拿到 83.1%（Anthropic 自己的报告为 84.3%），差距在 4.5 到 5.7 个百分点。

但 Lushbinary 的技术深度分析提出了一个重要警告：agentic 类 benchmark 噪声极大。随机种子、harness 配置、工具超时策略的任何微小变化都可能导致 1-2 分的浮动。"Sol 与 Claude Mythos 5（88.0%）之间 0.8 分的差距，完全在同一个模型两次运行的波动范围内——本质上是统计平局。"真正的代际差距存在于 Sol（88.8%）与公众可用的 Claude Opus 4.8（78.9%）之间——接近 10 个百分点的鸿沟。

SWE-bench Pro：Fable 5 最后的堡垒，也可能是 OpenAI 主动绕开的战场

在所有编程评测中，SWE-bench Pro 是最让 Sol 脸上挂不住的数字。它测试模型从真实 GitHub 仓库中定位 bug、生成修复 patch 的能力——最接近软件工程师日常工作的评测。Fable 5 拿到 80%，Sol 只有 64.6%。差距不是百分点级的微弱优势，而是一个模型的完成率比另一个高出近四分之一。

更微妙的是 OpenAI 的应对。在 GPT-5.6 发布前一天，OpenAI 单独发表了一篇文章，论证 SWE-bench Pro 中约 30% 的任务存在"破损"问题。无论这个论证本身是否成立，其发布时间——恰好在一个可能让自家旗舰丢脸的评测结果出现之前——被 Nov Tech 形容为"那种你一旦注意到就忘不掉的事情。"

Coursiv 的对比指南直言不讳："当你的工作负载看起来像 SWE-bench Pro——解决真实的 repo issue、规划大型迁移、或跨大量文件保持长线实现——Fable 5 应该是第一个被测试的模型。它的优势大到不可忽视。"

成本公式：三分之一的价格，一样的智商——只要你不碰长上下文

Artificial Analysis 的独立 Intelligence Index（v4.1）可能是目前最接近"公平比较"的第三方衡量。Fable 5 以 60 分对 59 分的微弱优势领先 Sol——一分之差，站在同一代。

但成本维度上的差距是结构性的。Sol 的标准 API 定价为 $5/$30 每百万 token（输入/输出），而 Fable 5 为 $10/$50。在 Intelligence Index 的每任务成本上，Sol 仅为 $1.04，Fable 5 约为 $3。换句话说，你花一块钱能在 Sol 上完成的任务，在 Fable 5 上需要三块。

就连 Sol 系列的中端型号 Terra（$2.50/$15）也交出了不输 Fable 5 的表现：Coding Agent Index 上 Terra 拿到 77 分，仅比 Fable 5 的 77.2 低 0.2 分——而成本不到 Fable 5 的一半。预算型号 Luna（$1/$6）的 Coding Agent Index 也达到了 75 分。

但有一个坑：长上下文定价。Sol 在输入超过 272K token 后，整条请求的价格上浮至 $10/$45——与 Fable 5 在完整 1M 上下文窗口内的标准定价几乎持平。对于需要大量上下文注入的迁移类或大型代码库审查任务，Sol 的定价优势会当场蒸发。

可靠性裂痕：89% vs 55% 的幻觉率是定价策略也补不上的坑

Nov Tech 在独立分析中引用了 Artificial Analysis 的 AA-Omniscience 数据：GPT-5.6 Sol 的 hallucination rate 为 89%，Claude Fable 5 为 55%，而国产模型 GLM 5.2 仅为 28%。

需要说明的是，AA-Omniscience 是一个刻意设计的压力测试——它的题目专门挑选了容易诱发模型"自信地输出错误信息"的领域。89% 不意味着 Sol 在日常使用中十次有九次胡说八道。但它揭示了一个真实的风险：当 Sol 进入它不熟悉的专业领域时，它更倾向于"编造一个听起来对的答案"而非承认不知道。

这在编程场景中的后果尤其严重。一位名叫 James Pardoe 的开发者报告了自己的独立测试结果：Sol 在编程和规划套件中，在 medium、high、xhigh 三个推理档位下给出了完全相同的错误答案，九次运行无一例外。他的结论是"推理档位旋钮似乎什么都没做，而 Luna（预算型号）反而跑赢了 Sol。"与之对比，Fable 5 在同一测试中拿到了 9/9 的完美成绩。

Bridge Bench 等社区自建评测也捕捉到了类似的模式："当 GPT 5.6 不知道答案的时候，它会编一个。（Hallucination rate: Sol 89%, Fable 5 55%）"

Gemini 3.5 Pro 已在门口：这场竞赛没有终点

就在开发者社区为 Sol vs Fable 5 争论不休的同时，一条新的变量正在逼近。

7 月 13 日，多个 X 账号引用了据称是 Google DeepMind 内部评测的泄露数据：Gemini 3.5 Pro 在内部评测中同时超越了 Fable 5 和 GPT-5.6 Sol，目标发布日期为 7 月 17 日——距 Sol 公开发布仅 8 天。泄露信息提到该模型经过了完整的 DeepMind 重建，在 zero-shot 任务上有"显著提升"，并可能搭载 2M token 的上下文窗口。

TechTimes 在报道中指出，GPT-5.6 Sol 于 7 月 9 日公开发布时，Gemini 3.5 Pro 的延迟"让它看起来被明显压制"——但如果 7 月 17 日的发布兑现了泄露数据中的承诺，那么 Sol 的榜首位置甚至可能维持不到两周。

Meta 也没有缺席。Muse Spark 1.1 于 7 月 10 日发布，在 Artificial Analysis Intelligence Index 上从 43 分跃升至 51 分——三个月内增长了 8 分。虽然仍与 Sol 和 Fable 5 存在代差，但追赶速度令人侧目。

与此同时，Anthropic 本身并非停滞。Fable 5 在 6 月 12 日因美国政府指令被暂停，7 月 1 日恢复后仍在调整访问配额。更关键的信号是：Cursor 的界面中曾短暂出现"Honeycomb = Opus 5"的泄漏信息，指向 7 月底可能发布的下一代 Anthropic 旗舰——1M token 上下文、xhigh 推理模式、专门面向长时 agent 工作流。

换句话说，Sol 刚刚登上的山顶，已经有三个登山队正在接近。

开发者的三种未来：便宜、可靠、快——你只能选两个

GPT-5.6 Sol 的真正意义不在于它"打败了 Fable 5"。事实上它没有——每个 benchmark 讲的故事不同，赢家取决于你选哪个评测。

它的意义在于重新定义了编程模型的竞争维度。在 Sol 之前，"最强的编程模型"基本等价于"最贵的编程模型"。Fable 5 建立了一个靠极致代码质量构筑的护城河，而 Sol 用价格武器在这条护城河上架了一座桥。

但开发者的真实选择比 benchmark 榜单复杂得多。从目前的社区反馈中，已经浮现出三种截然不同的使用策略：

策略一：Sol 打主力，Fable 守底线。日常编程、终端操作、前端设计交给 Sol（或更便宜的 Luna/Terra），成本敏感且速度优先。只有在遇到 SWE-bench Pro 级别的复杂 repo 排障或多文件迁移时，才切换 Fable 5。这是"性价比优先"派——如 @MoonlitMaven 所概括的："路由策略不是选最好的模型，而是把每个任务交给能以最低成本可靠完成它的模型。"

策略二：Fable 5 是经理，Sol 是工人。 Nate Herkelman 在独立横评中总结："Fable 是更好的管理者和更具创造力的模型，Sol 是更快的执行者。"如果开发流程需要的是架构决策和创意方向，Fable 5 仍是首选；如果只是需要"把这件事做出来"，Sol 更值得。

策略三：谁也别信，跑自己的 eval。 Lushbinary 的建议可能是最清醒的：在 30-50 个来自真实工作负载的任务上建立自己的评测 harness，每个候选模型跑多次以估算方差，然后比较分布而非单次得分。"一个 benchmark 上不到 1 分的差距，永远不该压过你自己的 harness 告诉你的结果。"

三种策略的共同前提是：单模型忠诚的时代已经结束。 Sol 没有杀死 Fable 5，Fable 5 也没有在 SWE-bench Pro 上的胜利让 Sol 显得不值一试。在 2026 年 7 月的编程模型战场上，胜利条件不再是"谁更强"，而是"在什么任务上用什么模型"。而 GPT-5.6 Sol 用三分之一的价格把这个选择变得比以往任何时候都更加诱人。

编辑观察：如果 Gemini 3.5 Pro 在 7 月 17 日按泄露规格发布并兑现性能承诺，当前 Sol vs Fable 5 的二元叙事将在 72 小时内被三元竞争取代。届时我们将更新本报道。

参考来源：

Design Arena 官方 X 公告 — GPT-5.6 Sol #1 Elo 1353：
OpenAI Codex 负责人 Tibo 回应 — 1.05M views, 16K likes：
Artificial Analysis — GPT-5.6 benchmarks across Intelligence, Speed and Cost：
Coursiv — GPT-5.6 vs Claude Fable 5: Benchmarks & Price：
Lushbinary — GPT-5.6 Sol Benchmarks Deep Dive：
The Nov Tech — OpenAI's Most Powerful Model Cheats on Its Own Safety Tests：
The Hans India — GPT-5.6 outperforms Claude Fable 5：
TechTimes — Gemini 3.5 Pro Targets July 17 After Full Rebuild：
LennysNewsletter — GPT-5.6 Sol vs. Claude Fable: Why OpenAI's new model crushes my benchmark：
Arena AI Code Arena WebDev Leaderboard：
Terminal Blog — GPT-5.6 Sol Matches Claude Fable 5 on Code Arena：
OpenAI 官方 — GPT-5.6: Frontier intelligence that scales with your ambition：