不出所料，GPT-5.6 发布的同时，也把 Codex 给“干掉”了。取而代之的，是一个融合了 ChatGPT Work 和 Codex 的全新 ChatGPT 应用。
不过，你依然可以选择保留那个云朵图标的 Codex 界面。
选择 Work 还是 Codex，在界面上看起来差别不大。唯一明显的区别是，切换到 Codex 场景后，ChatGPT 的回答会带上“代码差异”功能。当鼠标悬浮在“已编辑”的文档上时，会显示出开发者熟悉的 Diff 界面——绿色代表新增，红色代表删除。
左边是 Codex 场景，右边是 Work 场景。
未来 OpenAI 可能会对项目类别做进一步区分，但现在切换场景，项目都是共享的，可用的模型和 Skill 也完全通用。以 Pro 账号为例，目前可以选择包括 GPT-5.6 在内的全部型号，推理强度从轻度到极高，有多个等级。
关于 GPT-5.6 的详细技术信息，以及社交媒体上用它做出《我的世界》等 3D 游戏的案例，我们在上一篇文章里已经聊过了。
但话说回来，现在让大模型“一句话写个网页”，已经很难测出它的真实水平了。
就在前几天，大模型竞技场的 AI 能力负责人 Peter Gostev 公开了 63 条 3D 提示词——几乎每一道都是故意为难 AI 的。从大型 3D 世界，到各种可游玩的 3D 场景、名画世界，再到极端视角、自然奇观，以及元素与宇宙的终局场面，内容相当硬核。
第一题就要求 AI 用 Three.js 做出一个完整的曼哈顿：开场必须能看到整座岛，向下缩放时还要无缝进入街区，看到车流、渡轮、屋顶水塔和公园小径。
后面的题目越来越有意思。AI 要坐进烟花弹，从发射筒冲向天空，在爆炸的一刻停在万条金色焰火的中心；还要把梵高的《星月夜》做成一个可以飞进去的油画宇宙，让每一道笔触都保留颜料厚度，并且沿着画里的旋涡流动。
尼亚加拉瀑布要同时呈现马蹄瀑布和美国瀑布，水雾、彩虹与游船都必须动起来。还要让模型在海面上实时生成一座火山岛，岩浆、海浪、蒸汽、火山灰、闪电、研究船和直升机，从第一秒起就共同运转。
由 Fable 5 制作的穿越张家界石林。
甚至还有穿越张家界石林、下雪的故宫、流浪地球的太空电梯等题目。AI 需要用代码实现一个看起来酷炫、实际操作也能用的 3D 网页。
连 Karpathy 都在评论区留言，表示这些提示词太有意思了，并好奇模型究竟是如何实现这些 3D 世界的。
一个 LLM 是如何仅凭网络信息，就能掌握所有这些知识，并将其转化为 xyz 坐标、网格、变换、动画、特效、交互和小故事的呢？想想如果再增加一个、两个、三个模型层级，它们又能创造出怎样的精彩，确实令人惊叹。
我们也拿这套提示词去测试了最新的 GPT-5.6。由于 5.6 Sol 的极高模式会使用大量子智能体，根据最新博客介绍，Ultra 模式下默认会派出 4 个子智能体并行工作，最多可以同时调用 16 个来协作完成一个任务。
这也导致了运行时间的增加。同样的提示词，在 DeepSeek 的网页上，十分钟不到就能给到最终交付。
但在 Codex 里，光是开头的计划制定，就需要不断回复“Yes”来确认方案。等到实际工作开始，多个子智能体出动，从 Task 1 到 Task 2，每个 Task 又分了 Scene、Control、Shell 等不同工作，任务时间直线飙升。过程中还会时不时出现“系统正在进一步审查此情况，请稍后再回复”的提示。
以同样的张家界石林提示词为例，使用 5.6 Sol 的最高档强度，Codex 花了足足 2 小时 21 分 35 秒才完成，中间没有任何“等待批准”的时间，完全是 Codex 自己在处理。
效果确实算得上最好，也最接近 Fable 5 的表现。抛开电脑本身的卡顿原因，整个 3D 石林实现得非常专业：鸟群在山谷间飞过，山背对太阳时有明显的阴影，山顶的树、玻璃栈桥和索道等元素，细节也比较丰富。
我们也用其他模型进行了测试，包括在 Codex 内使用的 GPT-5.5、DeepSeek V4 Pro、Gemini 3.5 Thinking、GLM-5.2，以及同样是最近刚发布的 Hy3。
GPT-5.5 生成，使用 Codex。
Gemini 3.5 Thinking 生成，使用 Gemini 正式。
DeepSeek V4 Pro 生成，使用 DeepSeek 正式。
GLM-5.2 生成，使用 Zcode。
Hy3 生成，使用 WorkBuddy。
差距还是比较明显的。对比 GPT-5.6，GPT-5.5 明显少了很多细节，即便把渲染程度调到“高”，石柱、树和飞鸟等信息的建模都比较简单。Gemini 3.5、DeepSeek V4 Pro 和 Hy3 似乎都没有准确做出石林的效果，GLM-5.2 在这轮交付的就更加抽象了，只是实现了几种不同视角的切换，但张家界石林完全看不出来。
以下是完整的提示词，感兴趣的话可以拿去测试一下其他模型的效果。
创建一个宏伟的 Three.js 张家界石林世界：数百根高得不可思议的砂岩石柱，顶部覆盖着松树，从流动的雾河中升起，观者已经置身空中。直接从两根巨大的石柱之间的飞行状态开始，下面的雾气被分开，阳光斜射过岩壁 —— 不要标题界面、菜单、加载状态或贴地开始。
如果使用 Three.js，请在模块脚本之前添加一个 import map，将「three」和「three/addons/」映射到同一个固定版本，并且只通过这些名称导入。所有地形、岩石、植被、雾气和光照都必须程序化生成；不要使用外部图片资源或模型。
单一核心理念：探索孕育了漂浮山脉灵感的世界，以最温和的飞行方式穿行其中。
石林世界：建造具有真实地质特征的石柱：带状砂岩层理、陡峭岩面、承载扭曲古松的岩台、阴暗侧面的藤蔓和蕨类植物、被光线照亮时呈现的白色岩石裂痕。改变高度和群落分布，让峡谷景观形成自然的通道和露天剧场。雾气是一层有生命的存在，而不是一团浑浊的雾：云雾河流在石柱之间流动，在边缘撕裂，在盆地中汇聚，同时保持上方空气清澈、被阳光照亮。石柱应随着雾气移动而若隐若现。人类痕迹要小而遥远：连接两座山顶的玻璃栈道、沿线路滑行的缆车、刻在岩壁上的蜿蜒石阶、用于比例感的小型徒步者。
石柱间的生命：猕猴在岩台上攀爬，鹤穿越虚空，雨燕围绕山顶盘旋，一条瀑布从裂隙中穿过，流入下方雾海，松枝随风摆动。
光与空气：清晨光线，东侧岩面呈现金色，阴影峡谷中带有冷蓝色调，阳光照射处的雾气发光；饱和的绿色；整体明亮、通透。
滑翔体验：唯一的交互方式是简单可靠的滑翔：保持恒定且柔和的飞行速度，鼠标控制航向和俯仰，并限制在柔和范围内，自动侧倾，不会失速，不会有碰撞惩罚 —— 靠近岩壁时，镜头会自然缓慢避开。飞行感觉应像鹤一样，而不是战斗机。重置。
我们还用其他提示词测试了 GPT-5.6，63 个案例的提示词都可以在 GitHub 上找到。
项目地址：https://github.com/petergpt/3d-prompt-collection
我们也测试了 Karpathy 觉得最有意思的“熊捕获鲑鱼”画面。这次直接在 ChatGPT 网页版内，以普通对话的形式发给它提示词，依然是使用 GPT-5.6 Sol，智能模式为 Pro。
虽然没有 Codex 那样严谨和详细的项目工程，但 Pro 的思考强度，还是让 ChatGPT 花了 40 分钟才生成整个 3D 页面。最后的结果对比，GPT-5.6 Sol 和 Fable 5 可以说是在同一个水准。
Fable 5 生成。
而使用其他模型，比如 DeepSeek V4 Pro，能明显看到生成页面有很多 Bug：一只奇怪的熊，鲑鱼变成了简单的红色方块，彩虹也只是六根简单的线条。
DeepSeek V4 Pro 生成，使用 DeepSeek 网页。
Gemini 3.5 Thinking，这个五月份的模型，中间那个四四方方的像素物体，竟然就是它描绘的 3D 熊。虽然该有的操控都有，导航栏这些按钮也做到了，但如果提前不了解提示词信息，单看这个页面，完全不知道本意是想描绘什么。
Gemini 3.5 Thinking 生成。
我们还测试了太空电梯项目，这次在 Codex 内使用 GPT-5.6 Sol，思考强度选择了倒数第二档（Extra High），耗时明显减少，只用了 18 分钟完成。同样的提示词，DeepSeek 的效果是这样的。
而在 Peter Gostev 的视频里，Fable 5 的效果和 GPT-5.6 Sol 不相上下。
这 63 个提示词，看起来还是让 AI 生成一个网页，但 3D 网页要面对的不止是生成每一帧最佳截图，还有性能和可运行性。界面再精美，如果一打开就吃爆电脑的 GPU 显卡，导致电脑直接卡崩溃，那也不算一个好模型应该生成的网页。
面对长提示词时，好的模型应该更懂得先保住场景主体、镜头、核心动画和交互，再用程序化几何、粒子与分级细节来补足规模感。GPT-5.6 Sol 在我们的测试中，基本上可以胜任这些复杂的 3D 场景生成。
印象更深的，是 GPT-5.6 Sol 完成工作的方式：它会先规划整个项目，再拆分任务，让不同的 Agent 同时推进，过程中不断检查、修改，最后把结果整理成一份可以审核的 Diff。就一个 3D 网页，它可以花两个多小时去完成。
但回过头来想，我们比较的究竟是模型能力，还是一次回答背后的时间、计算资源和协作规模？两个小时所需要的 Token，换到 Plus 账户或免费账户上，大概会占据大量的周额度。速度快的模型更适合试想法；耗时更久的 Agent，能把复杂项目推得更远。两者都可能有价值，却很难被一个总分解释清楚。
当模型开始自己规划、分工、返工和验收，一次生成便越来越像一支临时项目组。选择哪款模型，也是在选择一套生产方式。我们可以 10 分钟拿到一个 demo，也可以给 Agent 几个小时，把它推到可交付状态。以后再问哪款模型最强，恐怕得在测试结果旁边多出一张工时/Token 单了。画面旁边应该写清交付时间与资源投入，也要让人知道它经历了多少轮返工，打开后能不能直接用。