GPT5.6 SOL 也就那么回事

xing7673 · 发表于 2026-7-11 19:29:21

@testsb #5 gemini pro 能到前排的接近你使用感受？你只是想找一个 claude 最前的榜单吧

willxiang · 发表于 2026-7-11 19:36:30

@testsb #6
这个榜里 gemini 排 5.5 前边简直就是搞笑榜了，用过的心里都有数，我就不多说了

testsb · 发表于 2026-7-11 20:14:35

@xing7673 @willxiang

https://arena.ai/leaderboard/text/overall 这个是综合能力，就像 #11 楼的朋友说的：

"模型能力是多边形的，一个人的使用场景根本无法覆盖所有场景，所以根据自己的体验下结论就很尬"

你们可能更关注 coding ，得看 https://arena.ai/leaderboard/text/coding

DiKaErJi · 发表于 2026-7-11 20:18:24

额度消耗的太快了，我一个小任务都做不完就没了

testsb · 发表于 2026-7-11 20:27:04

@FlashEcho 榜单评测方法有两面性，我觉得各个榜单有各自的优劣。

Arena 靠用户投票，基本就是大多数人的体感了，因为每个人使用场景不同，所以这种方式优势是测试集多样，相反缺点也是测试集不固定，横向直接比较说服力低，这也是你吐槽的点吧。

而做特定测试集的那些榜单，测试集固定结果清晰，很方便模型的直接横向比较，这是优点，但也不是完美的，因为模型多迭代几代很容易把某些测试变成考卷考试，做针对性优化。

这次 GPT 5.6 据说就针对某些榜单做过针对优化，而且还针对性的改了某些榜单的测试基准。相当于不仅考卷，还自己改了考题。

txydhr · 发表于 2026-7-11 20:39:34

@dingawm 你忘了 ai 的通用问答场景。claude 系天天抬杠，很多时候给出的答案根本不可用

eventlooped · 发表于 2026-7-11 21:03:40

深度使用一天，fable5 还是明显更强

hd10180 · 发表于 2026-7-11 21:51:46

@hero0earth 太赞同了

x4gz · 发表于 2026-7-11 21:55:08

高级别很容易就思考过度然后做一些更复杂的逻辑结果 token 花了任务没完成😅

aireason · 发表于 2026-7-11 22:51:43

有些任务做很久出不了结果，但是如果是一个比较容易收敛的任务，质量很高。

所以关键就在于，它经常无法自己收敛，有点像数学里的级数或极限，得学会让他自己收敛，避免过度思考。