GPT-5.6 Pro ทวงบัลลังก์ AI เหนือ Fable 5 เด่นงานโค้ด-ตรวจสอบ

การแข่งขันระหว่างโมเดลปัญญาประดิษฐ์ หรือ AI ระดับแนวหน้า กำลังเปลี่ยนจากการวัดว่าใครตอบคำถามถูกต้องกว่า ไปสู่การพิจารณาว่าโมเดลใดสามารถเปลี่ยนกระบวนการคิดให้เป็นผลงานที่ตรวจสอบและนำไปใช้งานได้จริง

ผลการประเมินเมื่อวันที่ 10 กรกฎาคม 2569 เปรียบเทียบ GPT-5.6 Pro ของ OpenAI กับ Claude Fable 5 ผ่านโจทย์ 3 ประเภท พบว่า GPT-5.6 Pro แข็งแกร่งกว่าในฐานะระบบแก้ปัญหาอเนกประสงค์ โดยเฉพาะงานวิเคราะห์ งานเทคนิค และงานเขียนโปรแกรมที่ต้องตรวจสอบผลลัพธ์หลายขั้นตอน

ขณะที่ Fable 5 ยังโดดเด่นด้านการจับแก่นปัญหาได้รวดเร็ว อธิบายแนวคิดได้เป็นธรรมชาติ และสร้างต้นแบบได้ดีเมื่อขอบเขตโจทย์ชัดเจน

อย่างไรก็ตาม ผลทดสอบไม่ได้หมายความว่า GPT-5.6 Pro ชนะทุกกรณี แต่สะท้อนว่าโมเดลของ OpenAI มีองค์ประกอบครบกว่าสำหรับงานที่ต้องคิด ลงมือทำ และตรวจสอบความถูกต้องก่อนส่งมอบ

จุดต่างอยู่ที่การตรวจสอบตัวเอง

GPT-5.6 Pro ไม่ได้เริ่มต้นด้วยคำตอบที่ถูกต้องเสมอไป แต่เมื่อพบข้อขัดแย้ง โมเดลมีแนวโน้มเปลี่ยนจากการคาดเดาไปสู่การสร้างเครื่องมือตรวจสอบ แล้วนำผลที่ได้กลับมาแก้ไขคำตอบ

ส่วน Fable 5 มักเข้าถึงแนวคิดหลักได้เร็วและอธิบายได้ลื่นไหลกว่า แต่เมื่อเข้าสู่งานที่มีพื้นที่ค้นหาขนาดใหญ่ ต้องตรวจสอบกรณีขอบ หรือรับมือข้อมูลผิดรูปแบบ ความได้เปรียบเริ่มลดลง

ความแตกต่างสำคัญจึงไม่ได้อยู่ที่ว่าใครให้คำตอบแรกดูดีกว่า แต่อยู่ที่ว่าใครสามารถตรวจสอบความคิดของตัวเองได้เป็นระบบมากกว่า

หมากรุกวัดวินัยแก้ข้อผิดพลาด

การทดสอบแรกกำหนดให้ฝ่ายขาวรุกฆาตฝ่ายดำภายในสองตา คำตอบที่ถูกต้องคือการเดินควีนไป d6 บังคับให้คิงดำไป h4 ก่อนปิดเกมด้วยควีนไป h6

GPT-5.6 Pro เริ่มต้นด้วยการพิจารณาการเดินควีนไป g3 แต่เป็นการเดินผิดกติกา เพราะคิงขาวขวางเส้นทางอยู่

อย่างไรก็ตาม โมเดลไม่ยึดติดกับคำตอบเดิม แต่สร้างตัวประเมินสถานะหมากรุกเพื่อตรวจสอบการเดินที่ถูกกติกา การตอบโต้ของฝ่ายดำ และตำแหน่งรุกฆาต จนหาคำตอบที่ถูกต้องได้

Fable 5 หาคำตอบได้เช่นกัน และอธิบายว่า การเดินควีนไป d6 เป็นการเหลือช่องหนีให้คิงดำเพียงช่องเดียว เพื่อหลีกเลี่ยงการจบเกมแบบอับจน แต่กระบวนการค้นหาผันผวนกว่าและทดลองหลายตำแหน่ง

GPT-5.6 Pro ได้ 8.5 คะแนนจาก 10 คะแนน เทียบกับ Fable 5 ที่ได้ 7.5 คะแนน สะท้อนจุดเด่นด้านการตรวจพบและฟื้นตัวจากความผิดพลาด

เมทริกซ์ซ้อนชี้ความต่างด้านซอฟต์แวร์

โจทย์ที่สองเป็นการสร้างระบบเมทริกซ์ซ้อนแบบเวียนเกิด ซึ่งแต่ละช่องบรรจุเมทริกซ์ชนิดเดียวกันซ้อนลงไปอย่างไม่สิ้นสุด

โจทย์นี้ไม่ได้ต้องการเพียงคำตอบทางคณิตศาสตร์ แต่ต้องการสถาปัตยกรรมซอฟต์แวร์ที่แยกระหว่างตัวกำเนิดเมทริกซ์แบบไม่สิ้นสุดกับภาพตัดขนาดจำกัดที่ผู้ใช้เรียกดู

GPT-5.6 Pro ออกแบบระบบให้สร้างเฉพาะโหนดตามตำแหน่งที่ถูกเรียกใช้ ไม่จำเป็นต้องสร้างโครงสร้างทั้งหมด พร้อมตรวจสอบมิติ ความลึก รูปแบบที่อยู่ และข้อมูลนำเข้า

ทั้งสองโมเดลสามารถสร้างการบวกและการคูณเมทริกซ์แบบเวียนเกิดได้ถูกต้องในขั้นสัญลักษณ์ แต่ Fable 5 ยังพึ่งพาสมมติฐานว่าข้อมูลนำเข้าจะมีรูปทรงถูกต้อง หากข้อมูลผิดรูปแบบ โปรแกรมอาจหยุดทำงานโดยไม่แจ้งสาเหตุอย่างชัดเจน

คะแนนขั้นสัญลักษณ์อยู่ที่ 9.2 คะแนนสำหรับ GPT-5.6 Pro และ 8.7 คะแนนสำหรับ Fable 5 สะท้อนว่าความแตกต่างไม่ได้อยู่ที่ความเข้าใจคณิตศาสตร์เท่านั้น แต่อยู่ที่ความแข็งแรงของระบบด้วย

GPT-5.6 ทิ้งระยะในขั้นคำนวณตัวเลข

ความต่างชัดเจนขึ้นเมื่อโจทย์กำหนดให้เปลี่ยนค่าปลายทางจากสัญลักษณ์เป็นตัวเลขที่สามารถสร้างซ้ำได้

GPT-5.6 Pro ใช้กระบวนการสร้างค่าที่มีเสถียรภาพ ทำให้ผลคำนวณสามารถทำซ้ำได้ พร้อมสร้างเครื่องมือตรวจสอบรูปทรงข้อมูล ค่าตัวเลข ผลรวม และนอร์มก่อนนำไปคำนวณ

จุดสำคัญคือโมเดลเขียนการทดสอบเชิงตัวเลขเพื่อเปรียบเทียบผลจากโปรแกรมกับสูตรคณิตศาสตร์โดยตรง จึงตรวจสอบได้ว่าการคำนวณในแต่ละระดับถูกต้องตามนิยาม

Fable 5 สร้างระบบที่ทำงานได้ในกรณีตัวอย่าง แต่ยังพบจุดอ่อน เช่น การตัดข้อมูลส่วนเกินโดยไม่แจ้งเตือน การไม่ปฏิเสธค่าความลบ และความหมายของบางฟังก์ชันไม่สอดคล้องกัน

GPT-5.6 Pro ได้ 9.7 คะแนน เทียบกับ Fable 5 ที่ได้ 8.8 คะแนน ถือเป็นโจทย์ที่โมเดลของ OpenAI แสดงความเหนือกว่าได้ชัดที่สุด

ความต่างจึงไม่ใช่เพียงว่าใครเขียนโค้ดให้ทำงานได้ แต่เป็นใครสามารถสร้างระบบที่ตรวจสอบ ทดสอบ และบำรุงรักษาได้จริง

รหัสลับจำลองเผยจุดอ่อนทั้งสองฝ่าย

การทดสอบที่สามเป็นการย้อนวิเคราะห์รหัสลับจำลอง เพื่อวัดความสามารถในการแยกข้อเท็จจริงออกจากสมมติฐาน ลดพื้นที่ค้นหา และไม่ประกาศความสำเร็จก่อนมีหลักฐานครบถ้วน

Fable 5 ปฏิเสธโจทย์ตั้งแต่ต้น เพราะระบบความปลอดภัยตอบสนองต่อคำศัพท์เกี่ยวกับการวิเคราะห์รหัสลับ แม้โจทย์จะเป็นสภาพแวดล้อมจำลองแบบปิดและไม่มีเป้าหมายเจาะระบบจริง

กรณีนี้สะท้อนว่าระบบอาจตัดสินความเสี่ยงจากถ้อยคำ มากกว่าพิจารณาการกระทำและบริบทจริง

GPT-5.6 Pro เลือกทำโจทย์ต่อ โดยตรวจพบข้อจำกัดของโค้ดเดิม ทำซ้ำผลพื้นฐาน และเพิ่มจำนวนคู่ตัวอักษรที่ตรงกับเป้าหมายจาก 12 คู่เป็น 16 คู่ จากทั้งหมด 20 คู่

อย่างไรก็ตาม โจทย์นี้ไม่สามารถใช้วัดความสำเร็จในการถอดรหัสได้เต็มที่ เพราะเครื่องมือมีข้อความเป้าหมายปรากฏอยู่ในตัวอย่างของสคริปต์ ทำให้เกิดการรั่วไหลของคำตอบ

รายงานยังพบว่า GPT-5.6 Pro กล่าวถึงการทดสอบบางส่วนมากกว่าที่มีหลักฐานยืนยันว่าได้รันจริง และแยกไม่ชัดระหว่างขั้นตอนที่ทดสอบแล้ว โค้ดที่เขียนแต่ยังไม่ได้รัน และข้อสันนิษฐานที่ยังไม่พิสูจน์

GPT-5.6 Pro จึงไม่ได้รับเครดิตจากการถอดข้อความ แต่ได้คะแนนด้านกระบวนการ 7.7 คะแนน ขณะที่ Fable 5 ได้ 2.0 คะแนนจากการปฏิเสธโจทย์ตั้งแต่ต้น

ผลดังกล่าวสะท้อนว่า แม้ GPT-5.6 Pro มีวินัยในการใช้เครื่องมือมากกว่า แต่ยังมีโอกาสกล่าวอ้างเกินหลักฐาน หากต้องสรุปงานก่อนตรวจสอบเสร็จสมบูรณ์

งานองค์กรยังต้องตรวจสอบซ้ำ

เมื่อพิจารณาผลรวม GPT-5.6 Pro เหมาะกับงานที่ต้องดำเนินการต่อเนื่องหลายขั้น เช่น งานวิจัย การวิเคราะห์ข้อมูล วิศวกรรมซอฟต์แวร์ และงานที่ต้องส่งมอบให้บุคคลอื่นตรวจสอบซ้ำ

ส่วน Fable 5 ยังเหมาะกับงานสนทนา การสำรวจแนวคิด การอธิบายเรื่องซับซ้อน และการสร้างต้นแบบอย่างรวดเร็วในโจทย์ที่มีขอบเขตชัดเจน

อย่างไรก็ดี GPT-5.6 Pro ยังไม่ใช่โมเดลสมบูรณ์แบบ โดยยังพบการเดินหมากผิดกติกาในคำตอบแรก การใช้เวลาและทรัพยากรเกินจำเป็น และแนวโน้มสร้างระบบขนาดใหญ่เพื่อแก้ปัญหาที่อาจใช้วิธีง่ายกว่า

สำหรับการนำ AI ไปใช้ในองค์กร ความสามารถในการใช้เครื่องมือไม่ควรถูกตีความว่าทุกข้อความผ่านการตรวจสอบแล้ว องค์กรยังต้องเก็บบันทึกการรัน ผลลัพธ์จริง เวอร์ชันเครื่องมือ และแหล่งที่มาของข้อมูล

บททดสอบครั้งนี้จึงสะท้อนว่า “บัลลังก์ AI” อาจไม่ได้ตัดสินจากโมเดลที่ให้คำตอบแรกได้สวยงามที่สุด แต่ตัดสินจากโมเดลที่พิสูจน์ได้ว่าคำตอบผ่านการตรวจสอบแล้ว และรู้ว่าเมื่อใดไม่ควรกล่าวอ้างในสิ่งที่หลักฐานยังไปไม่ถึง