提前使用 GPT-5.6 的六周里，Theo 做了什么

我提前使用 GPT-5.6 大约六周，测试强度远高于平时。根据不同估算，我的推理使用量相当于 18 万至 24 万美元。这是使用量折算出的价值，并不是说我支付了同等金额的 API 账单。

这次是展示我做过的项目，而不是完整评测。在提前使用期间，我还没看到广泛的用户反馈，也没有测试 Luna、Terra、ChatGPT、Pro 或较新的 ultra 和 max 选项。模型比较和定价需要另外讨论。

我曾对计算机操作持怀疑态度：智能体截图、点击界面的过程看起来既慢又不可靠。GPT-5.6 改变了我使用浏览器任务的体验，例如操作控制台或修改 Notion 内容。这是个人观察，并不能保证每次操作都成功。

OpenAI 没有为这次内容付费。我支付了自己的订阅费用，而提前使用的额度让我能以不同寻常的规模做实验。我不认为约 20 万美元的推理等值是值得向任何人推荐的正常月度使用方式。

我在 67 个项目中工作，有时只设定一个宽泛目标，有时则经过多轮引导。我也用模型和 SSH 计算机操作把集中配置分发到多台机器。项目范围很广：这些实验接受的人工指导程度不同，并不是受控基准测试。

与我使用 5.5 的体验相比，5.6 似乎更能理解意图，也更能坚持任务。有些运行超过 20 小时，我并没有使用 goal 功能。运行时间长本身不能证明结果正确，但这种持久性改变了我愿意尝试的项目类型。

Lakebed 是规模最大的项目之一。展示的审计按快速模式 API 费率估算，这项工作的等值约为 3 万美元；实际成本取决于产品和条件，不能把它当作当前订阅额度。我用模型把巨大的 JavaScript 文件拆分为更易管理的 TypeScript 项目。

它还帮助建立 CI、预览与发布流程、制品存储、文件上传和部署刷新。CLI 身份验证与访问控制需要大量工作，我对期望的用户体验提供了一些指导。屏幕上的报告也指出，一些通过的本地测试遗漏了对抗性案例。

我用它加固数据库，并审查文件存储契约、标识符和 MIME 策略。对于运行时隔离，它研究了多种方案并生成计划；定价和配额工作也包含规划，而不是已经完成的计费系统。其中一些分析我更喜欢其他模型的结果。

它利用多个线程恢复和审查拉取请求，也协助进行开源发布审计。我之前展示时让它看起来像是 5.5，实际上用的是 5.6；对此我道歉。后来我用 5.5 尝试类似的子智能体提示，体验差得多。

在我和 Julius 开发的跨设备智能体管理工具 T3 Code 上，我尤其用力测试了移动开发。我要求它分别将 React Native 应用重写为两个原生版本；在我的测试中，两者的功能完成度都出乎意料地高，各耗时约两到四小时。

模型能够在迭代中使用模拟器。我也为 T3 Code 做了一个计算机操作循环，但 Julius 后来做出了更好的版本，所以我没有提交自己的实现。其他工作包括审查 app server 的基础能力，以及规划一个最终没有发布的电脑切换器。

我借助它重做了营销网站。前端输出并不完美，但我认为引导得当时可以做得不错。我还用子智能体梳理 T3 Code 的拉取请求，后来设置了每日 Hermes 自动化，帮助我跟进这些请求。

接着我尝试了更大规模的重写。为了用 Rust 实现一个 Hermes Agent 版本，我让模型查看我们的使用历史，找出实际用到的功能。生成的原型能够处理一部分有用功能，包括在单独频道回复、创建线程和使用技能。

在我的例子中，Rust 智能体使用了约 15 MB 内存，但它并没有实现 Hermes 的全部功能，要成为可靠的日常工具还需要更多工作。我估算按快速模式费率约为 1.3 万美元，不用快速模式可能约为 5,000 至 7,000 美元；这些都是估值，而非账单。

我还出于好奇尝试用 Rust 重写基于 Go 的 TypeScript 实现。我起初谈到了可运行的转译器和速度对比，但重要的限定是：经过验证的无类型检查转译只覆盖刻意选取的五个文件。这并不是完整的 TypeScript 编译器。

原型在 29 个 crate 中有约 19.5 万行 Rust 代码，但类型检查仍未完成，测试也在失败。另一个模型的审查认为，它是范围很广但只有一小部分得到验证的原型，远未达到可交付状态。我还没有整理完暂存区中留下的工作。

对于一个开发文件夹同步的想法，我设置了长期运行的目标，后来发现它消耗了 712 亿 token，按快速模式费率估值约 9.1 万美元。我当时还没有打开或部署项目，因此无法判断它是否能用。屏幕上的报告同样指出，生产环境验证尚未完成。

PlanetScale 的一位朋友告诉我，智能体在处理项目时注册了该服务。这让我很意外，也说明获得访问权限后，自主运行可能进行到什么程度。我计划之后检查结果和部署，而不是仅凭日志就宣称成功。

管理多台机器又带来了另一个实验：制作一个预先配置编程工具的可启动恢复盘。我希望 Linux 安装出问题时，能更容易地启动机器、连接网络并远程求助。智能体帮助我配置了这个恢复盘。

我移除一块 SSD 后，一台机器的启动配置出了问题。模型一开始虚构了不存在的 BIOS 选项。我通过远程 KVM 给它访问权限；几次尝试失败后，它重启机器、进入 GRUB shell、启动系统并修复了启动配置。

这次修复让我印象深刻，因为这类任务通常需要查资料、耐心和承担风险的能力。它也说明模型在成功之前可能犯错。现在我维护一个记录机器及其配置的 fleet 仓库，让智能体配置新机器时可以利用这些上下文。

模型帮助我改造了 Skatebench，但我发现 token 消耗报告有错误，因此不相信展示的使用量数字。我还用浏览器自动化检查购物优惠并创建跟踪链接。它省去了手动点击，但写出的文案很差，我全部丢弃了。

它做了终端 token 跟踪器，并从我的机器群收集数据，但我不喜欢它的视觉设计，后来用另一个模型重做了界面。根据我的体验，这个模型比以前更容易引导，但不会自动生成我想要的前端设计。

我还找到了它生成的 3D 版 Fish Slop。它制作了环境、纹理和素材，并在引导下改进了操作方式。但射击控制和一些生物模型仍然很差；尽管进步值得关注，这个结果还不能发布。

其他实验包括一个精简服务替代方案、让 Claude Code 工作流使用 Codex 身份验证的方法、网络在场状态显示，以及对 HTML 计划服务的改进。后者近期的大部分清理由 Fable 完成，因此不能把展示的每项改动都归功于 5.6。

在给出更广泛的评测之前，我想先展示具体做过的工作。这些实验让我更愿意构想更大的项目：模型通常能持续处理复杂任务，所需引导比我使用 5.5 时更少。不过结果仍有差异，产出多或运行时间长并不等于产品已经完成并通过验证。