一句话看懂：AI 代理公司 Ploy 将生产环境中的核心模型从 Claude Opus 切换为 OpenAI 最新发布的 GPT-5.6 Sol，结果发现：任务完成速度提升 2.2 倍，成本降低 27%，同时视觉评分更高。这次迁移并非简单换 API，而是暴露了评估体系与模型行为之间隐藏的适配问题。
事件核心：发生了什么
Ploy 是一家使用 AI 代理自动构建和编辑营销网站的公司。其代理需要完成页面规划、代码库读取、组件编写、图像生成、自我截图检查等一系列复杂任务，对模型质量要求极高。过去四个月，Claude Opus（包括 4.7 和 4.8 版本）一直是默认模型，其他模型均无法超越其表现。直到 OpenAI 于本周发布 GPT-5.6 Sol，经过 Ploy 的严格对比测试，才首次实现了质量和效率的双重超越。具体数据上，在完成一个品牌主页重建任务时，GPT-5.6 的平均耗时 3 分 42 秒（对比 Opus 的 8 分钟），成本 2.22 美元（对比 3.06 美元），视觉评分 0.970（对比 0.936），输入和输出 token 量也显著减少，尤其输出 token 从 33K 降至 17.1K。
为什么重要
这次迁移案例揭示了行业内一个普遍但容易被忽视的问题：评估体系本身也是“偏见的容器”。Ploy 在将评估从 Opus 切换到 GPT-5.6 时发现，大约三分之一的“失败”案例其实是评估工具本身预设了适合 Opus 行为模式的假设，例如工具调用预算、批量文件读取能力等。如果直接跨模型对比，会误导开发者和企业关于模型真实能力的判断。此外，GPT-5.6 倾向于输出更精简的代码（例如 CSS 变量从 174 个减少到 45 个），这直接降低了推理成本和响应时间。对于 API 开发者而言，这意味着模型行为差异（如并行调用 vs 串行调用、缓存机制、工具参数填充方式）可能需要整个技术栈进行针对性调整，而不仅仅是替换模型名称。
对用户/开发者/创作者的影响
对于正在使用或评估 AI 代理的开发者来说，这条新闻给出三点实用提示：第一，不要仅看官方基准测试，要在自己实际任务的评估环境中严格测试，并且先修正评估工具本身，否则结果不可信；第二，GPT-5.6 在设计输出上偏向干净、现代、网格化布局，但缺乏品牌个性，如果用于设计系统匹配较高的场景，需要额外引导和控制；第三，成本下降和速度提升是真实可验证的，但迁移成本（工程调试、工具链适配）不可忽略。对于普通用户，这意味着使用 AI 代理构建网站可能会更快、更便宜，但最终输出的风格趋同化风险也需留意。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. GPT-5.6 Sol 的定价策略和 API 访问限制是否会对独立开发者和小团队形成成本门槛；2. Claude 下一次更新是否会针对“并行调用”和“批量读取”等行为特征进行优化，以缩小差距；3. 目前公开信息显示，Ploy 尚未开源其评估工具修正方案，但类似迁移经验可能会推动社区形成更通用的跨模型评估标准。
来源：ploy.ai
