8月7日,独立开发者Simon Willison公开了一次对比实验。他把四年前用GPT-3和DALL-E生成的"浣熊劫案"游戏创意,原封不动喂给两个编码智能体。这次的主角是Codex Desktop搭载的GPT-5.6 Sol Ultra——一种允许模型激进调用子代理协作写代码的模式。
结果是同一句提示词,Codex交出的《Moonlight & Mayhem》比几天前Claude Fable 5的版本更完整。但Codex在开发过程中反复审查截图,却没发现自己生成的浣熊头顶顶着一个巨大的黑色眼球,直到作者玩了一遍才靠两句追问改掉。这次演示真正说明的不是哪个模型更强,而是编码智能体已经能把模糊创意做出更完整的可玩原型——只是一次生成的完整度,不等于能直接交付。
同一段创意,两种"浣熊劫案"
原始描述来自四年前的GPT-3文本:一群偷东西的浣熊组队,从抢银行到偷名画,专业作案团伙。Claude Fable 5拿到这段提示词后,做出的是一只浣熊在后院捡金币和鱼的单人小游戏。Codex这次给出的答案完全不同,场景搬进了博物馆,三只浣熊组队才能完成任务。
| 项目 | Claude Fable 5 | Codex + GPT-5.6 Sol Ultra |
|---|---|---|
| 场景 | 后院 | 博物馆 |
| 角色 | 单只浣熊 | 三只浣熊组队 |
| 核心玩法 | 收集金币和鱼 | 救援队友、叠罗汉砸展示柜偷金色沙丁鱼 |
| 素材生成 | 未提及 | 用gpt-image-2生成贴图,提示词已公开在GitHub |
游戏代码、素材提示词和修复记录都公开在GitHub仓库里。单从这一次对比看,GPT-5.6 Sol Ultra的子代理协作模式把一句模糊创意扩展成了更完整的玩法结构。但这只是一次案例,不能当成两个模型的普遍优劣结论——没有开发时长、成本或多轮测试数据支撑更大的判断。
截图审查没挑出的黑眼球
《Moonlight & Mayhem》一次生成的初版有个明显问题。每只浣熊头上都挂着一个四倍身体大小的黑色巨型球体,像眼球错位放大。Codex在开发过程中查看过截图,却没能识别出这处视觉异常。
作者亲自玩了一遍游戏,才发现这个bug。他先问为什么浣熊身上有巨大的黑色球体？,Codex给出解释后,他接着追加一句修复它。对应的修复提交出现在仓库commit记录里,整个过程都公开在GitHub的transcript文件中。
这个bug最终两句提示就修好了,不是模型完全没法调试。但值得注意的限制是:模型能查看截图,不代表它能像人一样识别出画面里"看起来不对"的地方。自我检查更像是流程性动作,替代不了真人试玩这一步。
对开发者和产品团队分别意味着什么
这次结果对两类人的启示不一样,动作也该不一样。
| 角色 | 可以怎么用 | 不该怎么做 |
|---|---|---|
| 独立开发者/原型制作者 | 用一次性提示快速跑出可玩雏形,验证创意方向是否成立 | 不要把首次生成的版本直接当成品上线,视觉bug必须自己试玩才能挑出来 |
| 评估编码智能体的产品/工程团队 | 重点看多轮修复链路是否稳定,模型能否根据自然语言反馈持续改对 | 不要只看展示视频里的最终效果,也不要把单次案例当成模型能力排名依据 |
独立开发者如果只是想验证一个游戏点子能不能玩、好不好玩,这类一次性生成足够快、足够便宜地给出答案。但正式发布前,人工过一遍视觉和交互,这一步省不掉。
产品和工程团队评估这类工具时,比起看首次生成的画面完整度,更该翻的是完整开发transcript——看模型收到反馈后能不能持续、准确地把问题改对。这次黑眼球bug两句提示就解决了,说明修复链路是通的,只是第一道自检没能拦住它。
Codex这次的表现,更接近"把创意想得更全",不是"比另一家模型更靠谱"。仓库、素材提示词和对话记录都公开着,想验证可复现性的人可以直接去翻commit记录。