Every 团队 9 人实测一个月：GPT-5.6 Sol 到底咋样？

一个月没有它，团队说像回到石器时代

Every 是一家美国 AI 媒体兼软件公司，既发深度分析、也自己做 AI 产品，编辑部长期拿前沿模型做第一手上手评测，这个「vibe check」系列就是他们的招牌。在这篇评测正式发布前，Sol 已经在 Every 团队的日常里泡了大约一个月，深到失去它时会疼。

那一个月里，Sol 几乎无处不在。它帮 Dan Shipper 守住收件箱清零，把散在会议和 Slack 里、他本会漏掉的决定一条条追踪下来。它跟得上 Austin Tedesco 的节奏：从一个营销点子，到邮件，到落地页，再到实验，全程不用他重复交代、也不用他丢失焦点。它替本文作者 Katie Parrott 飞快地取文件、找上下文，彻底改写了她每天和模型打交道的方式。

六月底，Sol 因为要过一轮政府审查而下线，团队失去了访问权限。Dan 说，回到其他模型，哪怕手边还有 Fable，也像退回了石器时代。Austin 则把改用 GPT-5.5 比作「投一个比平时重一倍的篮球」。Every 在之前的 Sonnet 5 实测里聊过一个说法，叫「期望值不断抬高的革命」；这段没有 Sol 的日子，正好印证了人有多快会习惯更高的生活标准，以及标准往回退时有多难受。

Dan 有个更形象的类比：Sol 是一台保时捷，Fable 是一台曲速引擎。Fable 当然能带你穿越整个星系，但大多数时候你并不去太空，只是想在城里跑跑，而 Sol 是那台让你跑得有派头的车。

九个人，九句真话

Every 的「Reach Test」是让九位角色各异的成员，各说一句对 Sol 的真实评价，并给出情绪等级。一屏看完，就知道这份依赖不是走过场。

九张卡里八张偏正面，一张（Arielle）因为后期撞上一次计算错误而停在「还行」。这条整体倾向，也解释了为什么团队愿意把它当日常主力。至于它到底强在哪、又卡在哪，下面按编程、写作、知识工作一节节拆。

编程能扛活，就是不知道见好就收

在日常开发里，Sol 比 GPT-5.5 是一次实打实的升级：它能在一个陌生的生产代码库里顺着一个 bug 一路追下去，能把一个大项目从头扛到尾，还能在别的模型早就停手的地方继续测。团队好几位工程师已经把它当日常主力。它的极限，出现在任务需要模型自己判断「什么不该做」的时候。

Every 有一套叫 Senior Engineer 的基准：丢给模型一个真实但混乱的协作代码库，让它像资深工程师那样判断该把系统重写成什么样，重点考的正是「知道什么时候该停手、别过度设计」。在这套基准上，Sol 得了 56 分，Claude Fable 5 得了 90 分。

需求清晰时，它最出彩

反过来，只要目标明确，Sol 的执行力就顶得上。最强的一个生产案例来自 Naveen Naidu，他把 Sol 用在自家产品 Monologue 的日常开发里：GPT-5.5 开到超高推理档，好几次都没能找出一个笔记录制 bug 的根因，Sol 顺着现有代码库把这个失败追了下去，修好了。Kieran Klaassen 还让 Sol 和 Fable 从一句提示词重建团队的协作文档编辑器 Proof，Sol 用大约三分之一的时间就交出一个能跑的类 Proof 应用（不过设计上 Dan 更喜欢 Fable 的版本）。Sol 也完成了一个 GPT-5.5 没能收尾的数字音频工作站。

这些结果和团队的体感一致：想要的系统一旦清晰，Sol 又快、又会找资源、实现能力也强。真正需要「判断什么不该建」成为主要工程任务时，Fable 仍是第一选择；方向定下来之后，把执行交给 Sol 往往最省心。

写作盲测垫底，却是最离不开的搭子

在 Every 的写作基准里，Sol 在六个模型中排最后一名：写出的文字最难读，编辑取舍也离已发表的参考版本最远。可就是这样一个模型，整个团队日常写作时，压倒性地更爱用它，胜过 Sonnet 5 和 Opus 4.8。答案藏在一条贯穿全篇的框架里。

编程、写作、知识工作、Agent 四个测评维度，全都能定位在这条轴上：偏左（要独立拍板、一次干完再验收）时 Fable 更稳，偏右（人守在旁边边看边改）时 Sol 更好用。而大多数日常写作，恰好落在偏右这一侧。

这篇实测本身就是例子：Sol 能追踪过往几十篇《Vibe Check》的文风走向，能翻出支撑某个细节、埋在 Slack 里的旧对话，在六到八小时的专注工作里一口气冲了 24 稿，全程不用作者干等它慢慢琢磨。每一稿都是一串编辑判断，一点点把成品逼近它该有的样子。对写作这种天生要反复迭代、来回协作的活，这就是一个强模型该有的样子，哪怕一次性写出文章开头、或像人一样精准收尾，仍然是它够不到的。

盲测里，它为什么垫底

写作基准是刻意收窄的，只看模型在没人帮的情况下自己发挥。结果 Sol 排最后：和已发表版本的相似度最低，Flesch-Kincaid 分数最高、可读性最低。这里的 Flesch-Kincaid（FK），是一种按句子长短和词汇难度给文本打分的公式，分数越高代表越难读懂。

Every 写作基准：六个近期模型的相似度、年级难度、阅读难易度对比。GPT-5.6 Sol 排最后，与已发表稿件相似度最低，FK 分数最高、可读性最低。图 / Katie Parrott，Every

句子更短，词却更大

Sol 写的句子相对短，会把一段论证拆成紧凑的小段。在它给《After Automation》写的最强一版开头里，节奏比 Opus 4.8 更贴近已发表的开篇，Opus 则用更少、更大的段落展开。问题出在句子内部：即便两个模型写出长度差不多的句子，Sol 也偏爱更长、更抽象的词。

Opus 用更朴素的词，装进更复杂的句法里；Sol 交出的是一页扫读起来很顺、逐行读却更费劲的文字。至于明显的 AI 痕迹，反而不是它垫底的原因：在套话式转折、假对比、陈词滥调、重复的修辞套路这些检查上，Sol 落在中游。它的文字能干净，却不总能干净到你不用再检查一遍机器腔就直接发出去。

GPT-5.6 Sol 写作样本：偏短句、紧凑段落，AI 痕迹较少。图 / Katie

Opus 4.8 写作样本：句法更复杂、段落更长，更容易掉进「not X, but Y」这类套式。图 / Katie

给它上下文，水平就上来了

盲测是刻意「不喂料」，但真实场景里，人会给模型大量素材。一旦看到 Sol 怎么吸收和使用这些上下文，它更亮眼的一面就出来了。作者把同一个写作任务、同一批素材、同样的方向，分别交给 Sol 和 Opus 4.8，让它们各写一版专栏《Working Overtime》的初稿。Sol 交回一个抓人的开头，整篇也更贴近这个专栏已有的调子和语气；Opus 交回的段落密而难读，和作者在上下文文件里定义的声音对不上。

Sol（用作者的素材和风格上下文）：更快，且更接近作者会直接拿去改的那种稿子。图 / Katie

Opus 4.8（用同样素材和上下文）：句子密而复杂、用词繁复，和作者更口语的调子不搭。图 / Katie

Austin 用它做营销文案时也一样：没有引导时，Sol 是个「随便谁都能写的写手」，泛泛又重复；一旦配上公司背景、模板和风格指南，它产出的落地页文案、社媒帖和营销邮件，Austin 只需极少修改就敢发出去。给它素材、示例和规则，质量就往上走；让它从零决定论点和标准，盲测里的弱点就回来了。

当活的写作搭子，它最强

Sol 最强的定位，是当一个实时写作伙伴。它改稿快、贴着编辑方向走，写作者可以试一个新开头、重排一段、或者干脆丢掉一版弱稿，而不用每次都重搭任务。对作者那种以采访为主、反复迭代、带着大量方向和反馈、还配好风格文档和范例的日常写作流程，Sol 明显胜过 Claude 系：Opus 响应慢，Sonnet 5 又难以引导，而 Sol 换方向快、按反馈改错也快，还能把新信息带进后面的对话，不会像 Sonnet 5 那样死盯着最近一条指令、丢了更大的目标。技术咨询负责人 Mike Taylor 也开始把写作和编辑交给 Sol，因为它「基本不会说出什么让人反感的话」：接受纠正、记得住来源和先前的决定，然后很快再试一遍。判断仍由人类编辑给，但 Sol 让这份判断在整篇稿子里都变得更便宜地落地。

同一个任务，三个模型三种活法

抽象说「Sol 会主动、会问问题」不如看一个真实案例。Every 运营负责人 Arielle Shipper 把同一个初始任务，同时丢给 GPT-5.5、Claude Fable 5 和 Sol，看三者各自怎么走。

Austin 的日常也体现出同样的连贯：他能从一个营销点子起步，起草邮件，把文案变成落地页，再搭起一个实验，全程不离开 Codex、也不用重新解释受众和卖点。资深编辑 Jack Cheng 则用 Sol 合并段落、去掉黑话，同时就在文案将要出现的那个公开页面上做这件事，每一行都能放在最终界面里判断。这些工作流，比一个一次成型的应用更像真实的工作日：找到源头，理解需求，就那些需要人拍板的决定发问，再把答案带进最终成品里。

三档定价，两档马力

在定价上，OpenAI 这三档，几乎是照着 Anthropic 的三个模型一一对上的，方便按预算做跨厂商比价。

对照着看：Sol 输入价和 Opus 4.8 持平，输出每百万 token 贵 $5；Terra 比 Sonnet 5 的引战促销价（$2 / $10，8 月 31 日截止）贵，但和涨价后的 $3 / $15 接近；Luna 输入和 Haiku 4.5 一样，输出贵 $1。

max 和 ultra 是什么

除了三档模型，Sol 还带来两个新的推理设置，让你按任务难度分级花钱买算力，而不是所有活都用同一档。

产品侧，ChatGPT 和 Codex 合并后的这个 App，Every 用得还不多，但目前的体感和当初的 Codex 一样：是个愿意待进去的地方。

什么时候用 Sol，什么时候换 Fable

把前面四个维度的判断收拢成一张能直接照着用的清单。原文给了两组场景，正好对上「委托 vs 协作」这条轴的两端。

Every 团队的用法也在往这条轴上靠：Dan 把难的工程活交给 Fable 当主 agent，把定义好的执行交给 Sol；Mike 把 Sol 当日常主力，说它「终于挤掉了 Opus」，同时留着 Fable 用它「锋利的尖峰智能」和更强的上下文运用。想要结果清晰、又想要一个会一直往前推、你还能随时插手的 agent，就用 Sol；当「定义系统本身」是主要任务时，要么早早设好检查点，要么把架构交给 Fable、让 Sol 负责执行。