AI建站公司Ploy把跑在生产环境里的核心Agent，从Claude Opus 4.8换成了今天刚发布的GPT-5.6 Sol。这是四个月来头一次有模型在Ploy的高门槛测试里打败Opus——之前Opus 4.7、4.8连续两代守住默认位置，没人能碰。切换后的数字很扎眼：同样的建站任务，耗时从8分钟压到3分42秒，成本从$3.06降到$2.22，视觉评分还从0.936涨到0.970。
这条新闻表面看是“又一个模型刷新纪录”，但真正有意思的地方在账算得对不对，以及“换模型”这件事到底有多难。
27%更便宜，钱是怎么省出来的
Ploy说GPT-5.6便宜27%，容易让人以为是模型单价降了。查一下OpenAI和Anthropic的官方定价会发现恰恰相反：GPT-5.6 Sol的输出token单价是每百万$30，比Claude Opus 4.8的$25还贵了两成。如果只看单价，GPT-5.6其实是更贵的模型。
真正拉低总账的是用量。同一个建站任务，GPT-5.6的输出token量只有17.1K，Opus用了33.0K，接近腰斩。Ploy举的一个例子很直观：同样效果的页面样式表，Opus写了174个CSS变量、近1.8万字符，GPT-5.6只用45个变量、约2500字符就搞定。单价贵两成，但活干得少一半，账面上自然更便宜。
- 结论.省的不是单价，是活干得更精简，token效率才是这次成本优势的真实来源。
25个参数 vs 3个参数：SDK统一不了模型的“脾气”
Ploy用的是Vercel AI SDK，理论上这是个provider-agnostic的通用接口，换模型应该只是改个配置。实际迁移中暴露的问题说明这套抽象只统一了调用方式，没统一模型行为。
最隐蔽的一个坑是工具调用参数。Ploy的代码工具有25个可选参数，Claude每次只发用到的两三个，其余留空；GPT-5.6每次把25个全发出来，没用到的也会自己编一个看似合理的值，比如offset:0、timeout:120000。问题是这个编造出来的值和真实值长得一模一样，Ploy的文件读取逻辑把offset:0当成了真实指令，结果52%到64%的文件读取静默返回空内容，接口还照样返回success:true——模型自己都不知道读到的是空文件。
这不是prompt能哄好的毛病。Ploy试过在工具描述里加“未使用请省略”的提示，试过给每个参数单独标注“可选”，GPT-5.6照样25个全发；换成OpenAI的strict mode，行为完全一样，还得牺牲掉一批参数校验规则。最后只能在schema层面动手术：把可选参数改成“必填但可为null”，让模型有地方明确表达“我不用这个”，再在请求真正进工具之前把null值统一剥掉。改完之后，空读取从52%–64%降到0，同样的活儿少调用了大约三成工具。
迁移一个AI Agent，比换一个API key难得多。
prompt缓存的坑是另一路。Claude的缓存按组织范围共享，任何一个工作区第一次调用就能命中之前缓存过的公共前缀，命中率能到92%–96%。GPT-5.6换了缓存架构，不再支持部分前缀匹配，新对话默认命中率是0，还额外多收1.25倍的缓存写入费。Ploy只能重新设计缓存key的分层结构，按工作区划分才勉强追平——这个坑本身就让GPT-5.6一度看起来比Opus贵50%，纯粹是配置没跟上，不是模型本身的问题。
这场胜利里，有多少是Ploy自己的功劳
值得留意的是，Ploy用的评测框架本来是照着Opus的风格调校的：工具调用预算按Opus习惯的串行方式设置，执行器也不支持GPT-5.6常用的批量文件读取。第一轮跨模型测试里，大约三分之一的“失败”案例根源不在模型，而在评测框架本身对老模型的隐性偏向——这提醒所有做模型横向对比的团队，自己手里的测试标准很可能早就被现有模型悄悄“驯化”过。
另一个细节是，GPT-5.6默认设置下产出的设计偏向统一、干净，但也容易忽略客户已有的设计系统，显得有点通用和缺乏个性。Ploy是靠设计和工程团队额外介入调校，才把它拉到品牌级水准——换句话说，这次结果里有相当一部分是Ploy自己的工程投入换来的，不是GPT-5.6开箱即用的能力。
- 风险.如果没有专门的调校团队去纠正“默认生成感”，直接套用GPT-5.6做创意类内容，很可能产出千篇一律的页面。
对于依赖Agent做核心产品的公司，这场迁移的真正教训不是“该不该换模型”，而是换模型之前，先看清自己系统里有多少假设是照着旧模型的脾气写的。