夜雨聆风不知道大家有没有干过这种活儿：录音交给一个模型转成文字，图片交给另一个模型识别，再把这些结果复制到一起，交给一个更聪明的模型处理。哪一步效果不好，就得回头重来。
我们总以为模型多了，自己就能少干点活。最后却发现，复制、粘贴、传话和检查这些最杂的活儿，还是得自己干。
我最近在一个前端重构项目里，把这个坑踩得特别完整。
任务说起来不复杂：参考新设计稿，做和设计稿一模一样的网站。
我们的企业级AI Coding工具接了两类模型：一类负责文字和代码，一类负责看图。理想流程是先识别设计稿，再生成页面；代码完成后截图比对，有偏差就让模型继续修改。
听起来挺完整的，对吧？
可真正跑起来，能写代码的模型看不了图，能看图的模型又经常胡说八道，中间的识别结果、代码和问题清单，还得我们手工或者脚本来回搬。反正最终效果就是一言难尽。
真实的业务界面不方便展示，所以我用淘宝首页模拟了一下。
页面是能跑起来的。顶部导航、搜索框、分类栏、轮播区和侧边工具条也都有，但它更像是根据“淘宝首页”这个概念，重新拼了一张淘宝风格的页面。
下面这张，是Codex在相同的任务下做出来的结果。
它当然也不是像素级一模一样，但页面结构、内容密度、栏目关系、留白和整体视觉节奏，已经更接近可以继续交付和修改的版本。
这就是散装缝合和一体化解决方案的差距。
写页面只是一个例子。换成做PPT、整理会议材料或者写研究报告，过程其实都差不多：读材料、理结构、找素材、出页面，再反复检查和修改。
也正是这个差别，让我重新看待这两天OpenAI的一连串动作：GPT-Live、GPT-5.6，以及Codex和ChatGPT两个桌面客户端的合并。
在我看来，评价AI处理通用任务干得好不好，最主要看两个因素：一是模型的覆盖面和模型能力本身；二是智能体和模型整合以后，能不能把任务调度和编排起来。
至少从现有评测和我的体验看，OpenAI的文字、代码、图像和语音能力基本都在第一梯队，而且覆盖得很全。
从目前的评测结果看，GPT-5.6在专业任务上处于第一梯队，GPT Image 2在Arena文生图榜排在第一，GPT-Live相较旧版语音模型的对话偏好也有明显提升。三组评测口径不同，没办法拼成一张总榜，但放在一起看，OpenAI在文字、代码、图像和语音上都保持在前列。
如果只是找某一项的冠军，市场上总能找到别的选择。但通用任务的特点恰恰是，你很难提前知道下一步会碰到文字、图片、语音，还是需要搜索、写代码和操作网页。
对普通人来说，没有明显短板，比每一项都拿第一更重要。
上面的淘宝首页案例里面，Codex除了写代码，它还能看见自己做出来的结果，调用浏览器、文件和检查工具继续往下改。模型、Agent、浏览器、文件和检查工具，是连在一起工作的。
例如，你可以直接告诉GPT：如果图片不够清晰，就先用技术手段把它处理清楚；素材库里没有的内容，就先从现有页面里整理、截图和加工。
实际跑下来，它会先把模糊的图片保存下来，放大、锐化，处理成4倍分辨率以后再放回页面，清晰度一下就上来了。它还会先把你给的网页素材过一遍，识别里面的icon和背景图，用工具统一保存下来，再做一轮加工。
换成散装工具，这几步通常又会重新落回人手里。
所以最后，如果你有非常明确的专业需求，当然可以选择某个单项更强的模型。但如果你的任务像我前面说的这样，会同时碰到文字、图片、网页和文件，又不想每次先研究模型路由、自己拼工具，我现在还是会选ChatGPT。
它未必在每个环节都拿第一，但至少更有可能把整件事接起来。模型再多，如果复制、粘贴、传话和返工还在，人就没有轻松多少。
光谱与手册
一起不焦虑地聊聊 AI、架构和生活。如果觉得内容有收获、有用，欢迎点赞、推荐和留言讨论。
