KeyFrame內部研究專用

ChatGPT 5.6 震撼發布!為什麼它徹底秒殺了 Fable 5?(附終極開發工作流)

李哈利 | AI·7月13日週一·12 min中文

三句話摘要

GPT-5.6與Claude Fable 5的全面對比及最優使用工作流程 GPT-5.6 與 Fable 5 各具其長,但通過「Fable 5 規劃 + GPT-5.6 執行」的黃金組合工作流,能以最優成本獲得最高效率,是目前 AI 開發工作流中最值得推薦的實戰策略。 Fable 5 在架構理解和高階思考上無可替代,對龐大代碼庫和複雜數據庫能瞬間掌握,但成本極高(價格約為 GPT-5.6 兩倍),普通開發者難以承受。GPT-5.6 雖初期需要引導才能理解整體架構,但代碼質量與 Fable 5 相差無幾,且執行能力和性價比全面優勝。

重點整理

重點
  • 1

    Fable 5 在架構理解和高階思考上無可替代,對龐大代碼庫和複雜數據庫能瞬間掌握,但成本極高(價格約為 GPT-5.6 兩倍),普通開發者難以承受。GPT-5.6 雖初期需要引導才能理解整體架構,但代碼質量與 Fable 5 相差無幾,且執行能力和性價比全面優勝。

  • 2

    建立永不關機的中央電腦是核心基礎。通過遠程控制功能,用手機、平板、其他電腦控制該中央機器,將所有代碼和項目集中管理,避免檔案分散在多個設備上造成混亂。

  • 3

    黃金組合策略最具效率:用 Fable 5(High 等級即可)生成詳細 Markdown 項目規劃文件,再把任務交給 GPT-5.6 執行。這樣既能發揮 Fable 5 的規劃優勢,又能利用 GPT-5.6 的成本優勢和執行效率,同時節省大量 token 支出。

  • 4

    GPT-5.6 的 AI Agent 能力是關鍵突破,它可自主打開瀏覽器、自動註冊賬號、申請 API Key、移動檔案、執行測試流程並生成報告,將原本需要人工操作的工作自動化,大幅縮短工作時間。

實用技巧與重點

乾貨
  • 模型配置:
  • GPT-5.6 三個版本:So(最強)、Terra(中等)、Luna(高效)
  • VSCode Codex extension 右下角可選擇模型和推理等級
  • 推理等級:
  • Light / Medium / High / Ultra
  • Ultra 為最高算力和推理等級
  • 速度選項:
  • Standard:標準速度
  • Fast:速度快 1.5 倍,消耗更多 token
  • 定價對比:
  • Fable 5 價格約為 GPT-5.6 的兩倍
  • OpenAI token 額度充足,20 美元方案用 Fable 5 易用盡
  • 工具整合:
  • Codex APP 已與 ChatGPT APP 合併
  • 所有功能統一在 ChatGPT 官方 APP 中
  • AI Agent 能力:
  • 遠程控制電腦
  • 自動打開瀏覽器
  • 自動註冊賬號
  • 自動申請 API Key
  • 自動移動檔案
  • 自動執行測試流程(5-6 遍)並生成報告
  • 推薦配置成本管制:
  • Fable 5 開到 High 等級(不用 Ultra 以避免成本爆炸)
  • GPT-5.6 執行具體任務
  • 社群資訊:
  • AI Agent 大學 VIP 群已有 184 人
  • 滿 200 人時會漲價,200 人前加入可鎖定現價
  • 群內提供 50+ 小時課程
  • 每週三次直播解答疑問

結論

結論

GPT-5.6 與 Fable 5 各具其長,但通過「Fable 5 規劃 + GPT-5.6 執行」的黃金組合工作流,能以最優成本獲得最高效率,是目前 AI 開發工作流中最值得推薦的實戰策略。

完整解析

詳細

OpenAI 近期發佈 GPT-5.6,推出了三個不同層級的模型:So 是最強大腦,Terra 為中等選項,Luna 則主打效率。發佈後,許多 AI 愛好者立即產生了一個核心疑問:GPT-5.6 是否真的勝過 Anthropic 的 Claude Fable 5?為了給出有力的答案,講者投入大量時間在兩個模型之間進行深入測試和對比。

在使用體驗上,Fable 5 在規劃和高階思考方面表現卓越。對於龐大的代碼庫和複雜的數據庫架構,它能瞬間理解並掌握,甚至能像在項目中工作多年的資深工程師一樣無縫接手。相比之下,GPT-5.6 在初期則表現得有些生疏,需要使用者逐步引導才能理解整體架構。然而,Fable 5 有一個致命弱點:價格昂貴得離譜。根據講者的調查,Fable 5 的成本約為 GPT-5.6 的兩倍。這個價格差異在實際使用中體現得淋漓盡致——講者在 Fable 5 上花費了數百美金的額度。相比之下,OpenAI 提供的 token 額度更為慷慨,不像 Fable 5 的 20 美元月費方案那樣容易耗盡配額。

綜合考量代碼質量、執行能力和成本,講者認為 GPT-5.6 是真正的贏家。在執行能力上,它全面碾壓市面上的大多數對手,代碼質量與 Fable 5 相差無幾,用講者的話說「差八九不離十」。更重要的是,GPT-5.6 擁有強大的 AI Agent 能力——它可以操縱瀏覽器、控制電腦、自動打開網頁、註冊賬號、申請 API Key,甚至能自動完成複雜的多步驟任務,這代表了相對前代版本的質的飛躍。

基於這些發現,講者提出了一套終極工作流程。首先要建立一個 24 小時運行的中央電腦(可以是 Mac mini、Mac Studio 或桌上型電腦),開啟遠程控制功能。通過遠程控制,使用者可以用手機、平板、其他電腦控制這台中央機器,實現所有代碼和項目的集中管理,避免檔案分散在多個設備上造成混亂。

最關鍵的是「黃金組合」策略:用 Fable 5(設置為 High 等級以節省成本,完全無需開到 Ultra)進行項目規劃和架構設計,生成詳細的 Markdown 項目文件;隨後將這些規劃文件和具體任務交給 GPT-5.6 去執行開發工作。這樣既能發揮 Fable 5 的規劃優勢,又能利用 GPT-5.6 的執行效率和低成本,並且 GPT-5.6 會自動打開瀏覽器進行測試、自動執行流程 5-6 遍並生成報告,將原本需要一小時的手工工作縮短到幾分鐘。此外,只要對 GPT-5.6 說「自己搞定」,它就會想方設法完成複雜任務,大幅降低人工操作負擔。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。