GPT-5.6 Sol 和 Grok 4.5 的能力

GPT-5.6 Sol 最引人注目的演示是三维的。一个基于 Sol 构建的社区工具将拍摄的物体重建为纯代码形式的 Three.js 3D 模型，而 Sol 在单次运行中生成了曼哈顿的体素渲染图——这被直接引用为相比 GPT-5.5 空间推理能力提升的证据 ^[2]。在社区方面，用户测试 Sol 在 Blender 中创建 3D 模型的能力，并将其与 Meshy 等专用工具进行对比，结果表现优异。这种能力飞跃不同于单纯的代码质量：模型似乎能长时间保持连贯的空间心智模型，从而一次性输出几何代码，这正是 OpenAI 将 Sol 宣传为其最适合代理式和长周期工作的编码模型的原因 ^[1]。

竞争焦点已从单纯的能力转向每单位产出的成本。Grok 4.5 的定价为每百万输入 token 2 美元、每百万输出 token 6 美元，约为 Sol 定价（5 美元/30 美元）的三分之一，并据报道在接近前沿速度下将编码代理成本降低约 80%，尽管其幻觉率较高已被标记 ^[7]。OpenAI 的应对策略是 token 经济性：它声称 Sol 在 AI 编码任务中 token 效率高出 54%，并在某编码基准测试中以不到先前领先者一半的输出 token 数量创下新纪录 ^[1]。与此同时，据报道 Grok 在 SWE Bench Pro 上使用的输出 token 数量比此前最强的前沿模型少约 4.2 倍 ^[3]，这意味着一旦按模型实际消耗的 token 定价，实际价格差距会显著缩小。

Grok 4.5 的差异化在于 xAI/SpaceXAI 与 Cursor 合作，使用数万亿 token 的真实开发者交互数据对其进行联合训练，使其能够在多文件代码库中“像开发者一样思考”，并在长时间会话中保持连贯性 ^[4][5]。这种真实世界轨迹数据构成了竞争对手难以复制的真实训练护城河。但这种紧密关系也是一把双刃剑：社区讨论指出，Grok 4.5 的训练中曾混入早期 Cursor 代码库的快照，导致其在 CursorBench 上的得分虚高，相关污染数据此后已被移除。教训是：基于训练数据构建的基准测试应大幅打折看待，Grok 最令人印象深刻的编码数据需以此为前提解读。

在综合基准测试中，两款模型的表现比营销宣传更接近。Sol 在总体综合得分上以 86 比 82 领先，代理式任务平均得分为 92.0 比 83.3，包括 Terminal-Bench 2.0 的 91.9% 对比 83.3% ^[6]。但在纯编码平均得分上，Grok 4.5 以 64.7 比 64.6 略微领先 ^[6]。Sol 拥有约 100 万 token 的更大上下文窗口，而 Grok 为 50 万；而在价格方面，Grok 以 2 美元/6 美元对 Sol 的 5 美元/30 美元取得压倒性优势 ^[6]。结论是：Sol 主导代理式和长上下文任务，Grok 在成本敏感型编码上以相当的准确率胜出，选择哪款模型完全取决于你的工作负载更依赖哪个维度。