HOW I AI・2026 年 7 月 9 日

模型評測不是選冠軍，是找工作分工模型評測
不是選冠軍
是找工作分工

GPT 5.6 Soul 贏了主持人的 taste test，但這集真正有用的結論不是「永遠用 Soul」。它把模型選擇拆成 PRD、原型、除錯、瀏覽器操作與真人互動，讓每個任務找到自己的模型。

SCROLL

來源：How I AI 影片〈GPT 5.6-Sol vs. Claude Fable: Why OpenAI’s new model crushes my benchmark〉，YouTube 原始發布日期為 2026 年 7 月 9 日。影片比較 GPT 5.6 Soul / Terra / Luna、Claude Fable 與 Sonnet 5，在 PRD、原型設計、除錯與 agent voice 等任務上的表現。

PART 1

這不是榜單，是主持人的工作台

主持人沒有只讀官方 benchmark。她把模型放進自己的 How I AI vibe review：同一批任務丟給 Fable 5、Sonnet 5，以及 GPT 5.6 的 Soul、Terra、Luna。任務包括 PRD、wireframe、完整原型、multi-step debug，以及 agent 要不要像人一樣回話。

她同時使用 LLM judge 與人工 taste test。LLM judge 負責一致性與任務完成度，人工 taste test 負責她真正會不會採用。最後權重是 70% 主持人口味、30% 機器評分。這讓評測不只是「哪個分數最高」，而是「哪個輸出會被一個真正在做產品的人拿去用」。

PART 2

GPT 5.6 不是一個模型，而是三種工作角色

影片把 GPT 5.6 拆成 Soul、Terra、Luna。Soul 是最強的 frontier model，主持人的重點幾乎都在它身上。Terra 是日常效率型，Luna 則更像便宜、高量使用的版本。這個命名本身不重要，重要的是模型開始被產品化成不同工作角色，而不是一個「最聰明」按鈕。

Soul負責最複雜、最需要設計判斷的任務。主持人最喜歡它的原型、設計與瀏覽器能力。

Terra適合乾淨、直接的商業文件。她在 PRD 任務裡反而偏好 Terra 的務實風格。

Luna走向便宜與高量。它不是本集主角，但代表模型路由會把成本放進判斷。

價格也改變選擇。影片提到 Soul 的 API 價格低於當時的 Fable，並猜測這會對 Anthropic 的訂閱與模型開放策略產生壓力。對使用者來說，價格不是唯一標準，但價格會決定哪些任務可以重跑、長跑、或交給 agent 探索。

PART 3

Soul 贏在原型與瀏覽器，不代表它每項都贏

主持人的 70/30 權重讓 GPT 5.6 Soul 拿到最高 taste score。她特別喜歡它做完整前端原型、複雜技術頁面與更有層次的設計。她把 Claude 常見的米色、橘色、斜體 serif 風格稱為太容易辨識的模型味，而 Soul 的輸出讓她覺得更乾淨、更容易看。

但她沒有把 Soul 說成每項任務的唯一答案。PRD 她偏好 Terra，因為它更直、少廢話。multi-step debug 她沒有完全相信自己的目測，交給 code grader，而 LLM judge 覺得 Sonnet 5 做得更完整。agent voice 方面，她反而更願意跟 Sonnet 說話，因為它比較像人。

這集最務實的訊號是：同一個人、同一組任務，也不應該永遠選同一個模型。

PART 4

模型選擇要看任務，而不是看品牌

把影片的判斷整理成工作分工，會比喊「誰打敗誰」更有用。Soul 適合前端原型、設計探索、複雜頁面與瀏覽器操作。Terra 適合 PRD 這類需要清楚、直接、少裝飾的文件。Sonnet 適合需要自然對話的 agent voice，也可能在部分 debug 任務裡更穩。Fable 在不需要跟它聊天時，仍然交出不錯的 code 與網頁。

任務

影片中的偏好

使用理由

高保真原型 / app design

GPT 5.6 Soul

設計比較有趣，功能與視覺完整度較高。

PRD / 商業文件

GPT 5.6 Terra

輸出更直、更乾淨，適合不需要太多花樣的文件。

Multi-step debug

Sonnet 5

LLM judge 認為它更完整；主持人也承認這類任務不能只靠眼睛看。

Agent voice

Sonnet 5

回答比較像人，少一點讓人出戲的模型腔。

瀏覽器操作

GPT 5.6 Soul

搭配 Codex / Chrome 能處理登入頁、表單、Web app 測試與大量訊息篩選。

這個表不是永久結論，而是一種工作方法。團隊可以把自己的工作拆成幾類，為每一類設定首選模型、備援模型與驗證方式。模型評測就從「看榜單」變成「設計路由」。

PART 5

最值得學的是她怎麼評測

主持人把自己的口味寫進評測，不假裝自己完全客觀。她知道自己在意前端 prototype、產品文件、瀏覽器工作與 agent 語氣，所以就用這些任務測模型。這比抽象地問「哪個模型最好」更接近真實工作。

她也把主觀與客觀分開。設計、語氣、文件是否好用，可以由使用者 taste test；除錯與程式正確性，不能只靠感覺，必須交給 build、tests、code grader 或真實工具輸出。評測不是消除主觀，而是知道哪些地方需要主觀，哪些地方不能只靠主觀。

先定任務不要問「誰最強」。先問你要寫文件、做原型、除錯、操作瀏覽器，還是陪你對話。

再設權重如果你真的會採用的標準是 taste，就把 taste 放進評分；如果是正確性，就交給測試。

最後留證據保留輸出、截圖、失敗原因與重跑成本，讓下次路由不是靠記憶。

最好的模型不是永遠最強的那個，而是你知道該把哪種工作交給它的那個。

How I AI 這集把模型評測變成一張工作分工圖，而不是一座冠軍獎盃。

想看更深入的實測脈絡？

原始 How I AI 影片包含 GPT 5.6 Soul、Terra、Luna、Claude Fable 與 Sonnet 5 的評測流程、PRD / prototype / debug / agent voice 任務，以及瀏覽器操作案例。

閱讀完整文章 →

模型評測不是選冠軍，是找工作分工模型評測不是選冠軍是找工作分工