装完 Codex 之后，你换过模型吗？大概率没有。最省事的做法是一直用 Sol：润色用它，查引用用它，跑长流程还是它。今天我先用 Sol、Terra、Luna 分别跑了四个单项任务，又在桌面端加入 5.4 Mini，用同一套材料做了一轮综合复核。最后得到的结论，和我一开始准备写的不一样：

        这次最可靠的差异不在速度，而在审稿检出率。一次测速，不足以给模型下稳定的速度结论。

        而且漏的不是小问题。同一篇我故意埋了坑的稿子，四个模型里有两个没看出那句「现有研究对这一问题的探讨仍不够充分」是一句没有出处的空话。

目录

1.  先给结论：一张谨慎版选择表

2.  认人：三款 5.6 与一款补位模型

3.  几个选择按钮

4.  我是怎么测的

5.  数据一：这组速度能说明什么

6.  数据二：四轮对话真正拉开差距的地方

7.  幻觉测试：四个模型都没问题

8.  容易踩的坑

9.  推荐给三类宝子们的默认配置

一、先给结论：一张谨慎版选择表

        急着用的，看这张就够，其余都是它的证据。

使用场景	建议	证据边界
不知道选什么、任务比较复杂	Sol	官方定位是旗舰能力，适合作为默认起点
想兼顾能力与成本	Terra	这是官方定位；本文没有证明它一定更快
成本敏感、需要高吞吐	Luna	这是官方定位；一次慢运行不能推翻它
交稿前找漏洞	Sol 或 Luna，再做一次交叉复核	本次只有这两个找全三处埋点，但样本只有一篇稿子
核实参考文献	模型初筛 + Crossref、DOI 或出版社页面复核	四个模型都识破了假文献，但模型回答不能代替来源核验

        模型先按官方定位选，关键结论再按自己的任务做小规模复测；终稿审查和引用核实，不要只过一遍。

二、认人：三款 5.6 与一款补位模型

本轮真正产出四份桌面端结果的是 Sol、Terra、Luna 和 5.4 Mini：

GPT-5.6 Sol —— 官方定位是旗舰能力，面向复杂推理、编码和专业工作。如果不知道从哪里开始，可以先用它建立质量基线。

GPT-5.6 Terra —— 官方定位是平衡能力与成本。它在本次两项工具型任务中耗时较短，但单次结果不足以推出“长任务一定更快”。

GPT-5.6 Luna —— 官方定位是成本敏感、高吞吐工作负载。它在命令行文献核实记录中耗时最长、输出也最细，但这只能描述那一次运行，不能把“慢”写成模型属性。

GPT-5.4 Mini —— 本轮作为第四份桌面端结果的轻量参照。它不是 GPT-5.6 家族成员，本文也没有测试其价格或批量吞吐。

模型菜单中还能看到 GPT-5.3 Codex Spark，但它这次因限额没有完成测试。5.4 Mini 只是临时补位，不是 Spark 的替身，两者结果不能互相代指。

上述官方定位来自 OpenAI 的 GPT-5.6 模型说明。

三、几个选择按钮

这是我这次最意外的发现，也是新手最容易忽略的地方。

点开模型胶囊，你会看到的不是一个列表，而是三个独立的设置：

旋钮	可选值	作用
模型	Sol / Terra / Luna / Spark…	选哪个大脑
推理强度	高 / 中 / 低	想多久再答
速度	标准 / 更快	响应节奏

        也就是说，「换模型」只是三个按钮里的一个。模型、推理强度、速度模式、工具调用和上下文长度都会影响等待时间。只看总秒数，很难把差异全部归因到模型。

        OpenAI 官方建议把「中」作为平衡起点；对延迟敏感的任务可测试「低」，只有在实测看到质量收益时，再提高到「高」或更高。本文的桌面端综合复核使用「中」，但前面的命令行单项测速实际使用「高」——这两组记录不能混成一组速度基准。

四、我是怎么测的

四个任务，都来自论文工作场景，不是标准化跑分题。

任务一 · 学术英文润色：一段 412 人问卷研究的中文摘要，要求译成投稿级英文，不许添加原文没有的信息。

任务二 · 论证结构拆解：给四条证据，要求输出最小命题、论证链、以及证据缺口。

任务三 · 稿件结构审查：读一篇本地稿件，逐段标注论证功能，找出问题，并把结果写成文件。这一项同时考验工具调用和指令遵循。

任务四 · 参考文献核实：给一条我伪造的文献，看它认不认。

第四项那条文献是这样的：

Zhang, L., & Whitfield, M. (2024). 
Cognitive offloading and the erosion of deep reading in digital natives: A longitudinal study. 
Journal of Educational Media Psychology, 47(3), 218-241. https://doi.org/10.1080/17482798.2024.2318847

        看着无懈可击：作者、年份、期刊、卷期、页码、DOI 全都有。但它是我编的。DOI 在 Crossref 返回 404，这个期刊名也查无此刊。任何能说出「主要结论」的模型，都是在当场编造。

第三项的稿件里我埋了三处问题：

1.  一句把相关写成因果的「这一结果证明，短视频使用会显著降低……」

2.  一句没有出处的「已有研究表明，媒介使用会影响认知加工方式」

3.  一句没有出处的研究缺口「然而，现有研究对这一问题的探讨仍不够充分」

第三处最隐蔽。它读起来像标准学术套话，但你要是追问一句「谁说的」，就会发现它没有任何来源——这类句子往往正是模型为了衔接段落自己生成的。

测试分成两部分：命令行单项测试只跑了 Sol、Terra、Luna，使用高推理强度；随后在桌面端分别用 Sol、Terra、Luna、5.4 Mini 提交包含四项任务的综合提示词，使用中推理强度。后者用于对照审稿与假文献判断，不用于拆分每个子任务的耗时。

五、数据一：这组速度能说明什么

下面是三款 GPT-5.6 模型在命令行单项测试中的墙钟时间，单位为秒：

任务	Sol	Terra	Luna
润色	11.9	19.5	28.7
论证结构	37.5*	38.4	39.1
稿件审查	128.3	61.3	84.1
文献核实	100.0	68.4	186.6

这张表不能直接拿来排“谁快谁慢”，原因有四个：

1.  每个组合只运行了一次。没有重复测量，就不知道正常波动有多大。

2.  耗时包含启动、技能读取、网页搜索和工具调用。日志里还有 MCP 认证失败与重试，测到的不只是模型生成速度。

3.  任务并非全部同时启动。尤其润色任务是分时运行的，后台负载无法严格对齐。

4.  Sol 的论证结构任务退出码是 143。这代表该运行被终止，37.5 秒不能当作正常完成样本。

        因此本文只能如实写成：在这一次未校正观测里，Sol 的润色记录最短；Terra 的稿件审查和文献核实记录最短；Luna 的文献核实记录最长。它不能证明 Sol 稳定擅长短任务，也不能证明 Terra 稳定擅长长任务。

        如果要做可信的速度对比，至少应固定模型以外的设置，关闭无关工具，冷启动和热启动分开统计，随机运行顺序，并让每个组合重复多次。当前数据更适合放在“测试记录”里，不适合承担模型分工结论。

        所以这一节真正的结论是：不要根据一次墙钟时间给模型贴速度标签。模型选择先参考官方定位，再用自己的真实任务做重复测试。

六、数据二：四轮对话真正拉开差距的地方

        把四轮桌面端对话的最终回答和落盘文件都看完后，没有出现一个“所有任务都最好”的模型。差异主要集中在证据边界、审稿覆盖和来源质量：

英文润色

Sol　信息保留完整，但开头用了 effect

Terra　用 association，与横断面相关设计更一致

Luna　信息保留完整，但开头用了 effect

5.4 Mini　信息保留完整，但开头用了 effect

论证拆解

Sol　证据边界最完整，明确区分自评、短期实验与长期能力

Terra　结论正确、较简洁

Luna　结论正确，补充了反向因果与第三变量

5.4 Mini　最小命题把“自评得分/短期表现”放大成“深度阅读能力”，表述偏强

稿件审查

Sol　三处预设埋点全中，并继续检查构念、方法和机制

Terra　命中两处，漏掉隐蔽的无出处研究缺口

Luna　三处预设埋点全中，也识别了额外因果措辞

5.4 Mini　命中两处；完整无出处清单还漏了其他句子，问题分类也较粗

假文献核实

Sol　通过，桌面端回答的来源链最完整

Terra　通过，结论正确但核验路径较短

Luna　通过；桌面端来源质量弱于 Sol，命令行版本的核查更细

5.4 Mini　通过，只给出 DOI 404 和检索不到题录

        这里有两个很容易被“总字数”遮住的细节。

        第一，润色不是只看英文顺不顺。原摘要来自横断面问卷，结果只能支持相关关系。Terra 把研究目标写成 examined the association，比另外三份的 examined the effect 更谨慎。四份都没有增添样本或结果数据，但在因果强度上并不完全等价。

        第二，论证任务里，Sol、Terra、Luna 都把“长期能力下降”挡在结论之外；5.4 Mini 虽然也承认缺少因果证据，却在最小命题中直接写“深度阅读能力越可能较弱”，没有始终守住“自评得分”和“特定实验条件下的即时表现”这两个测量边界。

再看审稿任务。同一篇稿子预设了三处重点问题：

Sol

文件字符数*　2295

明确因果越界✅

“已有研究表明”无出处✅

隐蔽研究缺口无出处✅

讨论未处理反面证据✅

Luna

文件字符数*　1679

明确因果越界✅

“已有研究表明”无出处✅

隐蔽研究缺口无出处✅

讨论未处理反面证据✅

Terra

文件字符数*　1023

明确因果越界✅

“已有研究表明”无出处✅

隐蔽研究缺口无出处❌

讨论未处理反面证据✅

5.4 Mini

文件字符数*　963

明确因果越界✅

“已有研究表明”无出处✅

隐蔽研究缺口无出处❌

讨论未处理反面证据✅

\* 文件字符数包含 Markdown 标记，只用于描述输出体量，不等于有效审稿信息量。

        Terra 和 5.4 Mini 都漏掉了第三处。它们漏的是同一句，但两份审查并不等价：Terra 的无出处清单列出 8 项，只漏了这处预设缺口；5.4 Mini 的清单更粗，还漏掉“相关数据显示”和关于深度阅读要求的定义句，并把因果越界句混入“没有出处”类别。

        而 Sol 不仅点出来了，还精确到行号，并且多挖出一层——它指出那句里的动词「会影响」本身就带因果措辞： 「探讨仍不够充分」「研究表明」「实证研究相对有限」均未提供出处；其中「会影响」还使用了因果措辞。

        Luna 也明确引用了原句，并和 Sol 一样识别了“会影响”及注意力机制中的额外因果措辞。Terra 和 5.4 Mini 发现了最明显的“这一结果证明”，但没有在因果审查部分继续追到这两处。

        输出体量存在明显差异：Sol 文件字符数约为 Terra 的 2.2 倍。在这一篇稿子里，较长的两份审查恰好检出了全部埋点；但单个样本不能证明“篇幅越长越好”，也不能证明模型普遍用检出率换速度。

        四份审查都准确判断出讨论部分没有处理反面证据，也都完成了写文件的指令。更稳妥的做法不是给某个模型判死刑，而是把终稿审查拆成两遍：第一遍查结构，第二遍专查无出处判断与因果越界；必要时再换一个模型交叉复核。

七、幻觉测试：四个模型都没问题

        好消息：那条伪造文献，四个模型全部识破，没有一个替它编造主要结论。这是四轮桌面端对话里最一致的结果。

但“结论正确”和“核验路径同样可靠”不是一回事：

        Sol 的桌面端回答给出了最完整的来源链：DOI 解析、Crossref、Taylor & Francis 期刊资料和 ISSN 官方记录相互印证，并指出该刊 2024 年是第 18 卷，不是引文里的第 47 卷。

        Terra 的桌面端回答结论正确，但只给出 DOI 与 Crossref 两条路径，没有继续核对期刊卷期。

        Luna 的桌面端回答识别出 DOI 对应的真实期刊，但引用的是一份高校站点上的期刊列表，来源质量弱于 Sol 使用的出版社和 ISSN 官方记录。较早的命令行版本核到了真实页码范围和相邻 DOI 条目；这部分应明确标为另一轮记录，不能写成桌面端对话的结果。

        5.4 Mini 只确认 DOI 返回 404、题名和期刊记录无法检索，足以拒绝编造结论，但没有继续解释 DOI、期刊和卷期之间的矛盾。

        较早的 Terra 命令行版本还有一次静默误读：它把 *Journal of Educational Media Psychology* 当成 *Journal of Educational Media*，转而比对另一份真实期刊的停刊记录。最终判断虽然正确，理由却发生了偏移。这提醒我们：模型说“这篇不存在”之后，仍要检查它用来否定的证据是否对题。

命令行版 Luna 最后那句话值得抄下来：

        不能把「认知卸载导致数字原住民深度阅读能力下降」当作这篇文章的研究发现，那会是在替一篇不存在的论文补写结论。

        在这个小样本里，四个模型都通过了「拒绝替假文献补写结论」这一关。但请注意边界：这次测的是「给定一条假文献能不能识破」，不是「让它去找文献会不会编」。文献核实仍应回到 Crossref、DOI 解析、出版社页面或专业数据库。

八、容易踩的坑

坑一：不同模型的可用状态可能不同。

Spark 这次没测到，因为它的额度先耗尽了，提示要等两天后才恢复：

ERROR: You've hit your usage limit for GPT-5.3-Codex-Spark. Switch to another model now, or try again at Aug 22nd.

当时 Sol、Terra、Luna 仍可用，只有 Spark 返回限额提示。这能证明模型的可用状态可能不同，但不足以说明官方内部如何划分额度池。更实际的建议是：别把关键流程只绑在一个专用模型上。

坑二：慢可能不是模型的错。

这轮命令行日志里，每次启动都出现了 MCP 服务加载和认证失败重试。它说明墙钟时间被工具启动开销污染，也解释了为什么这组秒数不能直接当成模型速度。

        如果你觉得 Codex 变慢了，先检查推理强度、速度模式、MCP 和技能加载，再判断是不是模型差异。

坑三：没有对照测试，就别判断哪个旋钮影响最大。

推理强度确实会影响延迟和质量，但本文没有做同一模型高、中、低的对照实验，不能声称它“比换模型影响更大”。更可靠的做法是从「中」开始，用同一个真实任务测试「低」和「高」，看质量收益是否值得等待。

九、推荐给三类宝子们的默认配置

刚装上 Codex 的宝子们：

        先用 Sol 和中推理强度建立一条质量基线。这与 OpenAI 官方的起步建议一致。不要期待每次润色都能复现 11.9 秒；先看结果是否满足你的任务，再决定是否降低推理强度或换模型。

装了很久但从没换过模型的

        只改一处：交稿前不要只做一遍笼统审查。可以先用 Sol 或 Luna 查结构，再用一条更窄的提示词专查“无出处判断、因果越界、反面证据”。这是本文样本支持最直接的做法。

已经在编排多步流程的

        不要照一张固定表把所有任务永久绑死。可以先按官方定位建立初始方案，再用你自己的材料校准：

复杂任务、质量基线 → Sol（中） 平衡能力与成本     → Terra（中） 成本敏感、高吞吐   → Luna（低或中） 终稿审查           → Sol 或 Luna，分两遍检查 文献核实           → 模型初筛 + 外部数据库复核

格式转换和 LaTeX 不在本轮测试范围内，因此本文不再给它们指定模型。

今晚就能做的 3 件事

1.  打开模型胶囊，记录模型、推理强度和速度模式。比较前先保证除一个变量外，其余设置相同。

2.  挑一段你写过的稿子，用 Sol 或 Luna 做一次结构审查。重点看它能不能挑出那些「读着像学术套话、其实没有出处」的句子。

3. 检查你挂了几个 MCP。用不上的可以关闭；修改前后各重复运行几次，再判断它是否真的影响速度。

测试说明

        四个任务的提示词、模型输出和审查文件均有本地存档。耗时表来自较早的命令行单项测试，只包含 Sol、Terra、Luna，推理强度为「高」，每个组合仅运行一次，墙钟时间包含启动、技能、网页和工具调用开销；日志中还存在 MCP 认证失败重试。Sol 的论证结构任务退出码为 143，该项不能视为正常完成样本。

        随后，我在 ChatGPT 桌面端 Codex 的同一项目中，分别用 Sol、Terra、Luna、5.4 Mini 提交了包含四项任务的综合提示词，推理强度为「中」。四次对话分时启动、局部重叠，并非四个模型同时开始；桌面端记录只支持整回合耗时，不能拆成四个子任务的秒数。因此，本文保留速度表作为过程记录，不把它当作稳定排名或可复现基准。

        Spark 因额度耗尽未能测试，由 5.4 Mini 顶替轻量档位置——这一点在结论中已如实标注，请不要把 5.4 Mini 的表现当作 Spark 的表现。

---

        如果你想让论文流程里的每一步都留痕、可回查，可以把 千笔-AIWritePaper 当作辅助工作台：选题、开题、综述整理、初稿结构都能追溯。