用了两个月 GPT-5.6 处理各种技术问题之后，我最大的感受是：它在某些场景下很强，但在另一些场景下直接用就是找死。关键是你得知道边界在哪。
测试之前在 kulaai（titiai.cn） 上对比了几个模型，GPT-5.6 的可靠性不是均匀的，不同场景差距很大。
强的地方：重构和测试
重构是它最强的地方。1200 行代码按职责拆分，每个改动处标注语义变化，语义保真度四个模型里最高。但有个坑：它会用"最佳实践"覆盖你的业务逻辑，原来空数组返回空结果，重构后变成抛异常。所以重构后一定要跑测试。
测试生成也很强。200 行模块生成了 28 个用例，行覆盖 92%，分支覆盖 85%。浮点精度和数值溢出这类容易被忽略的边界都覆盖到了。但 Mock 不够准确，数据库和第三方服务的 Mock 得自己补。
技术方案也不错。考虑并发量、分页方式、错误处理分层，还给多方案对比。但方案偏通用，要结合具体业务调整。
弱的地方：代码生成和调试
代码生成不如 Claude 4.8。并发场景下有 30% 概率存在问题，语法没问题但逻辑有坑。让它写认证模块，看起来完美但上线后发现并发丢 token。
Bug 调试能追踪四层调用链，但有时候会跳过中间层直接给结论。跨文件追踪不如 Claude 4.8 稳。深挖原因用它，快速定位用 Claude。
需求拆解三轮迭代后质量 90 分，但工时预估不靠谱，业务优先级会偏。它按技术复杂度排，业务价值高的简单功能可能被排低了。
一个实用策略
我现在是这样用的：重构和测试生成主力用 GPT-5.6，编码实现用 Claude 4.8，需求拆解用 GPT-5.6 但优先级自己定，代码评审两者搭配。
不同场景用不同模型，效率比只用一个高 40% 以上。关键是知道每个模型的边界在哪。
GPT-5.6 的技术处理能力不是"强"或"弱"能概括的，而是"某些场景强，某些场景弱"。找到这个边界，才能既用好它又不被它坑。
