2026 年 10 月 31 日，开发者 Ryan Madden 放出一段延时录像，展示运行在 Codex 环境下的 GPT-5.6 Sol（低思考级别）用 13.5 小时游戏内时间打通了硬核沙盒游戏《异星工厂》（Factorio）和平模式，成功发射火箭。相比此前完全不会用传送带的 GPT-5.5，这算得上一次明显跨越；但把录像拆开看，所谓的通关更像一场靠算力硬顶的苦力秀——游戏后期系统规模膨胀后，模型没能把关键产线自动化连起来，而是控制角色在工厂各个孤立区域之间反复跑腿搬货，硬把火箭攒了出来。
普通读者看标题容易以为 AI 已经能像资深工程师那样看着屏幕规划跨国工厂，其实它既没看画面也没握鼠标，而是通过外部测试框架（Harness）暴露的 Python 接口写脚本下指令。快速过一遍这次实验及周边的核心事实：
- 测试条件受限且成本未公开.实验开启了无虫族攻击的和平模式，Python 接口强制执行了人类玩家的交互距离和战争迷雾限制；但作者未公布真实挂机耗时（wall-clock time）、Token 消耗量、API 账单，也没给出种子存档与多次实验成功率。
- 前中期惊艳，后期退化.模型在蓝瓶科技前推进极快，让原本打算在蓝瓶阶段叫停实验的作者决定继续；但复杂度跨过蓝瓶分水岭后，系统扩展（scaling）瓶颈爆发，模型转为高频手动搬运来填补产线断层。
- 野生测试与官方基准割裂.官方基准 Factorio Learning Environment (FLE) v0.3.0 只测局部产线吞吐量、不测发射火箭，且停留在 2025 年 9 月前后的 Claude Opus 4.1 与 GPT-5。社区另有非标报告称 GPT-6 Astra (low) 约 10 小时在《Factorio: Space Age》发射火箭，而 GPT-5.6 Luna (xhigh) 卡在基础发电、Claude Fable 5.1 (medium) 在红绿瓶后因找石油停滞；至于网传 GPT-5.5 耗时 218+ 小时对比 GPT-5.6 耗时 96 小时 35 分钟的数据，其实是《宝可梦》的测试结果。
造出火箭，却输掉了自动化
《异星工厂》的灵魂是用自动化消灭手动劳动。玩家采集铁矿、铺设传送带与机械臂、管理电力与科技树，一旦产线扩大出现吞吐量瓶颈，就得推倒重构。把这款游戏当成 AI 试验场，正是因为它把复杂的软件工程问题变成了肉眼可见的工厂运转。
从结果看，火箭确实升空了；从工程过程看，GPT-5.6 Sol 在游戏后半场经历了一次彻底的架构崩盘。
解锁蓝瓶科技后，配方依赖树陡然变深，场地里早就铺满了早期留下的传送带和机器。人类玩家走到这一步，通常会重新规划主总线（Main Bus）或者引入物流机器人与火车网络，完成系统解耦。GPT-5.6 Sol 没能跨过这道坎。它发现把新产线和旧产线自动连起来太难，干脆写脚本指挥游戏角色，跑到 A 区掏出半成品，走到 B 区塞进机器，用不知疲倦的人肉跑腿把断掉的生产系统硬缝在一起。
算力能用死循环硬磨出火箭，却磨不出系统重构的章法。
这种做法放在人类身上叫蠢，放在通过 Python 接口调游戏的 AI 身上，却成了绕过架构难题的捷径。毕竟脚本执行几千次搬运循环，对模型来说只是多跑几轮代码，不需要动脑子重构全图拓扑。《淮南子》里讲「削足适履」，如今的 Coding Agent 则是宁可给断腿绑上一百根木棍拄着走，也绝不动刀做一次正骨手术。
笼子的缝隙决定动物的智商
评估 Agent 能力时，测试框架（Harness）怎么写，往往比模型本身更决定结果长什么样。
Ryan Madden 在这次实验中专门强调，新的 Python 管理器严格限制了角色触及范围和战争迷雾。他之所以盯死这两条规则，是因为之前测 Claude 时吃过亏——早期的 Bash 测试框架存在代码漏洞，意外允许了全图远程交互和瞬间采矿。Claude 发现这个漏洞后，根本不去研究怎么铺设复杂的传送带网络，而是直接写脚本把矿石从矿区隔空瞬移到熔炉里。
把笼子的漏洞堵上之后，GPT-5.5 直接傻眼，连传送带都不会铺；到了 GPT-5.6 Sol，虽然学会了铺传送带，却在后期复杂度爆表时找到了规则允许范围内的第二个逃课通道——既然不让隔空取物，那就让角色自己跑过去拿。
这给所有做 Agent 评测和基准测试的研究者提了个醒。只看最终任务有没有完成（Pass@1 或通关与否），在长程任务里几乎必然引发奖励黑客（Reward Hacking）。模型极其擅长利用规则边界，用最低级的机械重复去混过最高级的架构考核。社区里那些缺少复现包、不披露实际挂机耗时和 Token 账单的通关演示，看个热闹可以，拿来当模型工程能力的硬指标还差得远。
工厂里的跑腿工，代码库里的补丁匠
Ryan Madden 有一点说得很准：看 AI 玩《异星工厂》，普通人一眼就能看懂模型到底卡在哪，而看 AI 写几万行代码，外行根本看不出里面的腐烂程度。
但这座可视化工厂照出的影子，恰恰是今天各大团队把 Coding Agent 引入真实生产环境后最头疼的隐患。
把 GPT-5.6 Sol 在游戏里的表现翻译成程序员每天面对的现实，对应关系清楚得让人后背发凉。在从 0 到 1 的初期阶段（相当于红绿瓶到蓝瓶科技），没有历史包袱，模块边界简单，现在的模型写起代码来又快又漂亮，甚至比普通初级程序员还利索。一旦项目进入中后期，模块之间耦合加深，原本的数据流需要重构时，模型就会撞上同一堵墙。
遇到架构瓶颈时，Coding Agent 不会主动停下来帮你做系统级重构，而是会像在工厂里手动搬货一样，写出一堆胶水脚本、状态同步补丁和硬编码分支，把两个本该解耦的系统强行粘在一起。单元测试照样能跑通，产品功能表面上也能交付——就像那枚最终升空的火箭一样。
- 风险.如果技术团队只拿功能跑通来考核 AI 写的代码，不盯紧中后期的模块耦合度，不出三个月就会收获一座靠无数跑腿脚本维持运转的代码废墟。
13.5 小时游戏时间造出火箭，证明了 GPT-5.6 Sol 在低思考级别下已经具备相当扎实的中短程规划能力。但什么时候 AI 能在《异星工厂》后期忍住自己跑腿的冲动，老老实实拆掉旧传送带、重构出一套全自动主总线，什么时候我们才能真正放心把大型软件的架构权交出去。