深度 · 小互解读
Ploy 公司将生产环境 AI 从 Opus 4.8 切换到 GPT-5.6 Sol：质量不下降的同时耗时减少一半以上、成本降低 27%
换模型不是换个 API：评测框架、工具参数、缓存、推理记录，四个看不见的坑逐一拆解修法
速览
- Ploy 把旗下建站 AI agent 的默认模型从 Claude Opus 4.8 换成了当天上线的 GPT-5.6 Sol
- 自评测显示：完成同类建站任务，耗时从 8 分 0 秒降到 3 分 42 秒，成本从 3.06 美元降到 2.22 美元，视觉评分从 0.936 升到 0.970
- 迁移中发现 GPT-5.6 会在工具调用里对用不上的参数编造默认值（如
offset: 0），一度导致 52% 到 64% 的文件读取悄悄返回空内容 - OpenAI 的 prompt 缓存机制和 Anthropic 完全不同，改用 workspace 级 cache key 重新设计缓存分层后，首次调用缓存命中率从 0% 提升到 83.7%
- 团队还发现自家评测框架本身对用惯的旧模型有隐性偏袒，需要先修评测框架才能信评测结果
⚑立场提示：本文是 Ploy 官方工程博客，属厂商自述。文中的耗时、成本、视觉评分、缓存命中率、参数携带率等，全部出自 Ploy 自家评测框架和生产流量口径，跑分标准也由 Ploy 自定。下面只转述它记录下来的事实与做法。
1背景 · 换模型
Ploy 把默认模型换成了 GPT-5.6 Sol
AI 建站产品 Ploy 在 2026 年 7 月 9 日，把旗下 agent 的默认模型从 Claude Opus 4.8 换成了 OpenAI 当天发布的 GPT-5.6 Sol。
换模型这件事，比换一个 API 端点复杂得多。Ploy 的 agent 要规划页面、读代码库、写组件、生成配图、给自己的成果截图，再判断到底做完没有。把这套流程从 Claude 搬到 GPT-5.6，团队是一个评测失败接一个评测失败地发现：那些被当成"模型"的东西，其实是各家服务商各自的行为习惯，整个技术栈早就悄悄围着旧模型长成了特定形状。
📊
同一个生产级 agent、同一套 Vercel AI SDK，只把默认模型换了。Ploy 自评测里完成同类建站任务：耗时 8 分 0 秒降到 3 分 42 秒（快约 2.2 倍），成本 3.06 美元降到 2.22 美元（省 27%），视觉评分 0.936 升到 0.970。过去四个月，Opus 一直守着默认位（先是 4.7，后是 4.8），团队测过的模型没有一个打赢它，GPT-5.6 是头一个赢的。
Ploy 官方博客配图：几团彩色充气造型由一根半透明管道相连，隐喻一个生产级 agent 在两套模型系统之间迁移。来源：Ploy Blog
下面是它品牌页重建评测套件里的一组样本，agent 要照着参考设计把品牌主页重做一遍：
| 每次完成建站，平均 | Claude Opus 4.8（n=11） | GPT-5.6（n=10） |
|---|---|---|
| 成本 | $3.06 | $2.22 |
| 耗时 | 8 分 00 秒 | 3 分 42 秒 |
| 输入 token | 2.60M | 1.70M |
| 输出 token | 33.0K | 17.1K |
| 视觉评分 | 0.936 | 0.970 |
GPT-5.6 写的代码更省。一组配对样本里，Opus 生成了 17,957 字符、174 个 CSS 变量（大段色阶其实没用上）的 globals.css，GPT-5.6 只用 2,508 字符、45 个变量，就渲染出相当（有时更好）的页面。
上面说的那组配对样本，两个模型各自渲染出的页面：左 Opus 4.8，右 GPT-5.6 Sol。GPT-5.6 用约七分之一的 CSS 代码，做出了完成度相当的页面。这里只截了首屏，点击图片看完整长图。来源：Ploy Blog
站内相关解读
OpenAI 正式发布 GPT-5.6：综合智能跑分逼近 Claude Fable 5，成本减半，ChatGPT、Codex 合并
这篇讲的是 GPT-5.6 本身发布了什么；本文是它上线当天，一家生产环境用户的实测迁移记录。
2评测公不公平
先看评测框架公不公平，再看模型强不强
拿两个模型的分数直接比之前，得先问一句：评测框架本身公不公平。Ploy 把同一套评测套件横跨两个模型家族跑了一遍，最意外的发现是，评测框架早就为旧模型调过了，团队自己却没察觉。
头一次跨模型跑，具体偏在这几处：