模型虽多，为何琐碎工作仍要亲力亲为？

你是否曾经历过这样的工作流程：录音交给一个模型转文字，图片交给另一个模型识别，再手动将结果汇总，交给更智能的模型处理。一旦某环节效果不佳，就得从头再来。

我们总以为模型多了，自己就能少干活。结果却发现，复制、粘贴、传话和检查这些琐碎活儿，还是得自己动手。

最近在一个前端重构项目中，我彻底踩了这个坑。

任务听起来并不复杂：参照新设计稿，做出完全一致的网站。

我们使用的企业级AI编程工具接入了两类模型：一类擅长文字和代码，另一类擅长图像识别。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调整。

听起来挺完善的，对吧？

可实际运行时，能写代码的模型无法看图，能看图的模型又常胡言乱语，中间的识别结果、代码和问题清单，还得我们手工或脚本搬运。最终效果一言难尽。

真实业务界面不便展示，所以我用淘宝首页模拟了一下。

页面可以正常运行。顶部导航、搜索框、分类栏、轮播区和侧边工具条都有，但它更像是根据“淘宝首页”这个概念，重新拼凑出一张淘宝风格的页面。

下面这张，是Codex在相同任务下的输出结果。

它当然也不是像素级一致，但页面结构、内容密度、栏目关系、留白和整体视觉节奏，已经更接近可交付和修改的版本。

这就是散装缝合与一体化解决方案的差距。

写页面只是一个例子。换成做PPT、整理会议材料或写研究报告，过程其实类似：读材料、理结构、找素材、出页面，再反复检查和修订。

正是这个差别，让我重新审视这两天OpenAI的一系列动作：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处理通用任务的好坏，主要看两个因素：一是模型的覆盖范围和能力本身；二是智能体与模型整合后，能否有效调度和编排任务。

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，且覆盖全面。

从当前评测结果看，GPT-5.6在专业任务上处于第一梯队，GPT Image 2在Arena文生图榜排名第一，GPT-Live相较旧版语音模型的对话偏好也有显著提升。三组评测口径不同，无法拼成总榜，但综合来看，OpenAI在文字、代码、图像和语音上都保持领先。

如果只找某一项的冠军，市场上总能找到其他选择。但通用任务的特点是，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中，Codex除了写代码，还能看到自己的输出结果，调用浏览器、文件和检查工具继续修改。模型、Agent、浏览器、文件和检查工具是协同工作的。

例如，你可以直接告诉GPT：如果图片不够清晰，就先通过技术手段处理清楚；素材库里没有的内容，就从现有页面中整理、截图和加工。

实际运行时，它会先把模糊的图片保存下来，放大、锐化，处理成4倍分辨率后再放回页面，清晰度明显提升。它还会先过一遍你提供的网页素材，识别其中的图标和背景图，用工具统一保存，再进一步加工。

换成散装工具，这几步通常又会落到人手上。

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那样，会同时涉及文字、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衔接起来。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。