12 個模型同場蓋 4 個 App：GPT-5.6 三階、Grok 4.5、Claude、Muse Spark 對打

評測站 TryAI 又辦了一場模型 build-off，這次規模更大：十二個模型、四個 App、每個各跑五次。四道題目分別是光線追蹤器（raycaster）、魔術方塊、計算機和康威生命遊戲，全部量測產出、成本與延遲。參賽陣容涵蓋 GPT-5.6 剛拆出的 Sol／Terra／Luna 三階、Grok 4.5、Claude，還有 Meta 這波意外投下的程式碼模型 Muse Spark 1.1，以及一票開源權重模型。

會加碼重辦，是回應上一場的批評。TryAI 說上次登上 Hacker News 首頁後，留言區「毫不留情」給了不少中肯意見，於是這次照單收——把開源模型也拉進來、每題多跑幾次降低運氣成分、把成本與延遲攤開來比。這種「同一組任務、五次重試、公開數字」的做法，比單看官方 benchmark 更貼近開發者實際會遇到的狀況。

這類橫向實測的價值，在於補上官方發表會不會講的那一面。GPT-5.6 官方主打 agentic coding 強，但一個模型在「五次裡有幾次一次做對」「同樣結果花多少錢、等多久」上的表現，才是真的要付帳的人在意的。把 Grok 4.5 主打的性價比、Claude 的穩定度、Muse Spark 的新進場放在同一張表上，差異一目了然。

歸剛點評：發表會人人都說自己最強，build-off 這種第三方硬碰硬才是照妖鏡。真正值得學的是 TryAI 的態度——被 HN 電了就把批評吃下去、把測試做得更嚴。對要選模型接產品的人，與其信官方 benchmark，不如自己準備三五個你真正會做的任務，各家各跑五次，把成本延遲記下來，答案自己就浮出來了。