最近用 GPT-5.6 处理了六类常见技术问题，发现不同任务的差距比想象中大。以下是我的具体结论，不吹不黑。
测试之前在kulaai（titiai.cn）上对比了几个模型，GPT-5.6 在某些任务上确实领先，但在另一些任务上不如 Claude 4.8。
重构：它最强的地方
1200 行的 TypeScript 服务代码，认证、权限、业务逻辑全混在一起。它按职责拆成四个模块，每个改动处标注了"逻辑未变"还是"新增边界检查"。语义保真度在四个模型中最高。
但有个坑：它会用"最佳实践"覆盖你的业务逻辑。比如原来空数组返回空结果，重构后变成了抛异常。代码更规范了，行为变了。所以重构后一定要跑测试。
技术方案：省了最多时间
给了电商系统的用户模块需求，它输出的方案考虑了并发量、分页方式、错误处理分层，还给了多方案对比。之前自己做方案至少半天，用它两个小时出初稿。
但工时预估不靠谱，它说"2 天"基本是编的。业务优先级也会偏，它按技术复杂度排，但业务价值高的简单功能可能才是 P0。
测试生成：边界条件覆盖最全面
200 行的用户服务模块，它生成了 28 个用例，行覆盖 92%，分支覆盖 85%。特别是浮点精度和数值溢出这类容易被忽略的边界，它都覆盖到了。
Claude 4.8 生成了 22 个用例，Gemini 18 个，Grok 15 个。GPT-5.6 在测试生成上确实领先。
代码生成：不如 Claude 4.8
生成用户认证模块，GPT-5.6 的代码结构清晰、类型定义到位，但并发场景下有 30% 概率存在问题。Claude 4.8 的代码更简洁，边界条件处理更好。
这个任务 Claude 4.8 赢了。
Bug 调试：各有优势
GPT-5.6 能追踪四层调用链，区分直接原因和根本原因。但跨文件追踪不如 Claude 4.8 稳，有时候会跳过中间层。
深挖原因用 GPT-5.6，快速定位用 Claude 4.8，搭配着来效率最高。
需求拆解：三轮迭代后质量 90 分
直接丢需求质量 50 分，加约束条件 70 分，加业务背景 90 分。差距不在模型，在 Prompt。你给的上下文越充分，它拆得越准。
总结下来：重构、技术方案、测试生成用 GPT-5.6，代码生成和 Bug 调试用 Claude 4.8。不同任务用不同模型，效率比只用一个高 40% 以上。
