63 道地狱级难题实测，GPT-5.6 把其他 AI 甩开了一截

不出所料，GPT-5.6 发布的同时，把 Codex 也「干掉了」，取而代之的是一个包含 ChatGPT Work 和 Codex 的 全新 ChatGPT 应用。

但是你仍然可以选择保留 Codex 那个云朵图标

选择 Work 还是 Codex 目前在界面的呈现上，没有太大的区别。

唯一比较明显的是，当我们切换到 Codex 场景，ChatGPT 的回答会加上「代码差异」，鼠标悬浮在「已编辑」文档上，就会显示开发者常见的 Diff 界面，绿色代表新增，红色代表删除。

左边为 Codex 场景，右边为 Work 场景

未来 OpenAI 或许会对其项目类别进行区分，目前切换场景，项目都是共享的，所能使用的模型和 Skill 也都是通用的。

我们的 Pro 账号目前可以选择包括 GPT 5.6 在内的全部型号模型，推理强度从轻度到极高多个等级。

我们在详细介绍 GPT-5.6 的文章里提到了关于模型的更多信息，以及一些社交媒体上使用 GPT-5.6 来做「我的世界」等 3D 游戏的案例。

现在的大模型，一句话让他们写个网页，已经很难测出 AI 究竟有多强了。

大模型竞技场的 AI 能力负责人 Peter Gostev，在前几天公开了 63 条几乎是故意为难模型的 3D 提示词；从大型 3D 世界，到各种可游玩的 3D 场景、名画世界，以及极端视角、自然奇观，和元素与宇宙终局场面等。

3D 世界的第一题就要求它用 Three.js 做出完整曼哈顿：开场必须看到整座岛，向下缩放时还要无缝进入街区，看到车流、渡轮、屋顶水塔和公园小径。

后面的题越来越有意思。AI 要坐进烟花弹，从发射筒冲上天空，在爆炸的一刻停在一万条金色焰火的中心；也要把梵高的《星月夜》做成能飞进去的油画宇宙，让每一道笔触都保留颜料厚度，还会沿着画里的旋涡流动。

尼亚加拉瀑布要同时出现马蹄瀑布和美国瀑布，水雾、彩虹与游船都得动。以及要让模型在海面上实时长出一座火山岛，岩浆、海浪、蒸汽、火山灰、闪电、研究船和直升机从第一秒起共同运转。

由 Fable 5 制作的穿越张家界石林

甚至还有穿越张家界石林、下雪的故宫、流浪地球的太空电梯等题目，AI 需要用代码来实现一个看起来很酷炫，实际操作起来也能用的 3D 网页。

就连 Karpathy 都在评论区留言，表示这些提示词太有意思了，以及模型到底是如何实现这些 3D 世界的。

LLM 是如何仅凭网络就能掌握所有这些信息，并能将这些理解转化为 xyz 坐标、网格、变换、动画、特效、交互和小故事的呢？想想再增加一个、两个、三个模型层级，它们又能创造出怎样的精彩，真是令人惊叹。

我们也拿这套提示词去测试了一下最新的 GPT-5.6，由于 5.6 Sol 的极高模式会使用大量的子智能体，根据官方博客介绍，Ultra 模式下默认会派出 4 个子智能体并行工作，最多可以有 16 个子智能体同时完成一个任务。

这也导致了运行时间的增加，同样的提示词，我们在 DeepSeek 的网页上，十分钟不到，它就能给我们最终的交付。

但是在 Codex 里，光是开头的计划制定，就需要我们一直回复「Yes」来先确认这份计划。

等到实际的工作，多个子智能体出动，从 Task 1 到 Task 2，每个 Task 又分了 Scene、Control、Shell 等不同的工作，任务时间直线飙升。

还有时不时就要进行的「我们的系统正在进一步审查此情况，然后再回复」。

于是，同样的张家界石林，我们使用 5.6 Sol 的最高档强度，Codex 花了足足 2h41m35s 才完成，其中没有任何的「等待批准」时间，完全是 Codex 自己在处理。

GPT-5.6 Sol Ultra 生成

效果确实算得上最好，最像 Fable 5 的一个。

抛开我电脑本身卡顿的原因，整个 3D 石林实现得非常专业。鸟群会在山谷飞过，山背对太阳时会有明显的阴影，以及山顶的树、玻璃栈桥，和索道等元素都有比较多的细节。

我们也用了其他模型进行测试，例如在 Codex 内使用的 GPT-5.5、DeepSeek V4 Pro、Gemini 3.5 Thinking、GLM-5.2、以及同样是最近刚发布的 Hy3。

GPT-5.5 生成，使用 Codex

Gemini 3.5 Thinking 生成，使用 Gemini 官网

DeepSeek V4 Pro 生成，使用 DeepSeek 官网

GLM-5.2 生成，使用 Zcode

Hy3 生成，使用 WorkBuddy

能看到差距还是比较明显的，对比 GPT-5.6，GPT-5.5 明显少了很多细节，即便把渲染程度调节到「高」，石柱和树以及飞鸟等信息，都是比较简单的建模。

Gemini 3.5、DeepSeek V4 Pro 和 Hy3 似乎都没有准确把这个石林的效果做出来，GLM-5.2 在这轮交付的就更加抽象了，只是实现了几种不同视角的切换，但是张家界石林是完全看不出来。

这是完整的提示词，如果感兴趣还可以拿去测试一下其他模型的效果。

创建一个宏伟的 Three.js 张家界石林世界：数百根高得不可思议的砂岩石柱，顶部覆盖着松树，从流动的雾河中升起，观者已经置身空中。直接从两根巨大的石柱之间的飞行状态开始，下面的雾气被分开，阳光斜射过岩壁 —— 不要标题界面、菜单、加载状态或贴地开始。

如果使用 Three.js，请在模块脚本之前添加一个 import map，将「three」和「three/addons/」映射到同一个固定版本，并且只通过这些名称导入。所有地形、岩石、植被、雾气和光照都必须程序化生成；不要使用外部图片资源或模型。

单一核心理念：探索孕育了漂浮山脉灵感的世界，以最温和的飞行方式穿行其中。

石林世界

- 建造具有真实地质特征的石柱：带状砂岩层理、陡峭岩面、承载扭曲古松的岩台、阴暗侧面的藤蔓和蕨类植物、被光线照亮时呈现的白色岩石裂痕。改变高度和群落分布，让峡谷景观形成自然的通道和露天剧场。

- 雾气是一层有生命的存在，而不是一团浑浊的雾：云雾河流在石柱之间流动，在边缘撕裂，在盆地中汇聚，同时保持上方空气清澈、被阳光照亮。石柱应随着雾气移动而若隐若现。

- 人类痕迹要小而遥远：连接两座山顶的玻璃栈道、沿线路滑行的缆车、刻在岩壁上的蜿蜒石阶、用于比例感的小型徒步者。

石柱间的生命

- 猕猴在岩台上攀爬，鹤穿越虚空，雨燕围绕山顶盘旋，一条瀑布从裂隙中穿过，流入下方雾海，松枝随风摆动。

光与空气

- 清晨光线，东侧岩面呈现金色，阴影峡谷中带有冷蓝色调，阳光照射处的雾气发光；饱和的绿色；整体明亮、通透。

滑翔体验

- 唯一的交互方式是简单可靠的滑翔：保持恒定且柔和的飞行速度，鼠标控制航向和俯仰，并限制在柔和范围内，自动侧倾，不会失速，不会有碰撞惩罚 —— 靠近岩壁时，镜头会自然缓慢避开。飞行感觉应像鹤一样，而不是战斗机。

- 重置

我们还用其他提示词测试了一下 GPT-5.6，63 个案例的提示词都可以在 GitHub 上找到。

项目地址：https://github.com/petergpt/3d-prompt-collection

我们也测试了 Karpathy 觉得最有意思的熊捕获鲑鱼画面。这次我们直接在 ChatGPT 网页版内以普通对话的形式发给它提示词，依旧是使用 GPT-5.6 Sol，智能模式为 Pro。

虽然没有 Codex 严谨和详细的项目工程，但是 Pro 的思考强度，还是让 ChatGPT 花了 40 分钟才生成了整个 3D 页面。

最后的结果对比，GPT-5.6 Sol 和 Fable 5 可以说是在同一个水准。

GPT-5.6 Sol 生成，使用 ChatGPT 网页

Fable 5 生成

而使用其他模型，像是 DeepSeek V4 Pro，能明显看到生成页面有很多 Bug，一只奇怪的熊，鲑鱼也变成了简单的红色方块，彩虹只是简单的六根线条等。

DeepSeek V4 Pro 生成，使用 DeepSeek 网页

Gemini 3.5 Thinking，这个五月份的模型，中间这个四四方方的像素物体，竟然就是 Gemini 描绘的 3D 熊。

虽然该有的操控都有，导航栏这些按钮都做到位了，但是如果提前没了解提示词信息，单看这个页面，完全不知道本意是想描绘什么。

Gemini 3.5 Thinking 生成

我们还测试了太空电梯项目，这次是在 Codex 内使用 GPT-5.6 Sol，思考强度选择选择了倒数第二档，即 Extra High，耗时明显减少，只用了 18 分钟完成。

同样的提示词，DeepSeek 的效果是这样的。

而在 Peter Gostev 视频里，Fable 5 的效果和 GPT-5.6 Sol 不相上下。

这 63 个提示词，看起来还是让 AI 生成一个网页，但 3D 网页要面对的不止是生成每一帧最佳截图，还有性能和可运行性。

即使界面再精美，可一旦打开就吃爆了电脑的 GPU 显卡渲染，电脑直接卡崩溃了，那也不是一个好模型应该生成的网页。

面对长提示词时，好的模型应该更懂得先保住场景主体、镜头、核心动画和交互，再用程序化几何、粒子与分级细节补足规模感。

GPT-5.6 Sol 的表现在我们的测试中基本上可以胜任这些复杂的 3D 场景生成。

让我们印象更深的是，GPT-5.6 Sol 完成工作的方式，它会先规划整个项目，再拆分任务，让不同的 Agent 同时推进，过程中不断检查、修改，再把最终结果整理成一份可以审核的 Diff。

就一个 3D 网页，它可以花两个多小时去完成。

但回过来想，我们比较的究竟是模型能力，还是一次回答背后的时间、计算资源和协作规模？

两个小时所需要的 Token，换在一个 Plus 账户或者免费账户上，大概都会占据大量的周额度。速度快的模型更适合试想法；耗时更久的 Agent，能把复杂项目推得更远。两者都可能有价值，却很难被一个总分解释清楚。

当模型开始自己规划、分工、返工和验收，一次生成便越来越像一支临时项目组。选择哪款模型，也是在选择一套生产方式。我们可以 10 分钟拿到一个 demo，也可以给 Agent 几个小时，把它推到可交付状态。

以后再问哪款模型最强，测试恐怕得多出一张工时/Token单。画面旁边应该写清交付时间与资源投入，也要让人知道它经历了多少轮返工，打开后能不能直接用。

文章来自于微信公众号 “APPSO”，作者 “APPSO”