我原本是准备分享一套科研绘图 Skill。
当时我在 Codex 中完成了测试，并保存了完整的操作步骤、提示词和生成结果。只是文章还没来得及发表，ChatGPT 5.6 就已经发布，Codex 后来也整合进了新的 ChatGPT 桌面应用。
既然原始记录都还在，我索性使用同一套 Skill、同一套提示词和相同操作步骤重新生成一次 ，把原来的使用教程改成一场跨版本科研绘图对比。
本次任务围绕"金属冲压件缺陷检测"展开，共生成三张科研图：
-
工业视觉检测场景图
-
模型结构图
-
实验结果图
一、测试设置
两次测试的具体配置如下：
-
GPT-5.5 ：使用 Codex 客户端，推理强度为最高推理档位 （xhigh）。下文简称为 5.5。
-
GPT-5.6 Sol ：使用 ChatGPT 网页版，推理强度同样为最高推理档位 （High）。下文简称为 5.6。
两次测试保持相同 的：科研绘图 Skill、研究主题、提示词内容。
"
还需要说明，5.5 的图片并不是在 5.6 发布之后临时回测的，而是此前准备分享 Skill 时保存的原始结果。
**经过测试，两个模型的结果差距惊人。**这里附上我的测试过程：
GPT-5.5 结果
GPT-5.6 Sol 结果
GPT-5.6 Sol 拆分图像
接下来我们逐个分析每组图的差距。
第一组：工业视觉检测场景图
GPT-5.5 图1
5.5的表现已经相当出色。 它完整绘制了提示中传送带、工业相机等等装置，并在冲压件上标出了划痕、凹坑、毛刺、油污、孔位偏移和尺寸超差。
GPT-5.6 图1
但5.6带来的第一感受，依然是明显的视觉升级。 它渲染了更接近真实工业现场的检测工位。
更重要的是，5.6重新组织了信息层级。
中心零件被突出显示，六类缺陷、尺寸测量、坐标轴和检测结果清晰分离不再需要在大量箭头和标签之间寻找重点。
第二组：深度学习模型结构图
模型结构图更能体现两者在科研理解能力上的差异。
GPT-5.5 图2
5.5 已经正确识别出Backbone、Neck、Attention、Detection Head和损失函数等主要模块。这说明5.5不仅能画图，也具备较强的算法语境理解能力 。不过，它的结构仍然偏概括。
GPT-5.6 图2
5.6 则进一步完成了结构补全。
在提示没有给出完整网络拓扑的情况下，它主动补充了 Conv、BatchNorm、SiLU、C2f和SPPF，并按照P3、P4、P5展示不同尺度的特征图。FPN和PAN中的上采样、下采样、特征拼接与跨层连接也表达得更加直观。 这说明 5.6 开始具备更强的"科研结构组织能力"。
第三组：实验数据图表
第三组的差距没有前两组那么大。
GPT-5.5 图3
5.5 已经生成了样本数、检出数、准确率、Loss 曲线、mAP 曲线、混淆矩阵和 PR 曲线，数据利用甚至更加充分。
GPT-5.6 图3
5.6 的优势主要体现在版式组织。 它将图表设计成更规整的数据看板 ，字号更大，分区更清楚，并自动计算出总样本数1240和平均检测准确率92.9%。train loss、val loss和 mAP 也被放进同一张训练曲线图中，更符合科研报告的阅读习惯。
"
注意：提示并没有提供逐轮 Loss、mAP、混淆矩阵和PR曲线的完整数据。5.6 能够把这些缺失内容补得更完整、更自然，体现了更强的科研语境理解和结构化数据构造能力。但是仍要强调，这里只为测试模型性能，科研中绝不可使用模型模拟的数据！
总结
整体看下来，5.5 其实已经很厉害了。 工业场景、模型结构、实验图表都能做得比较完整，信息也基本到位，放在技术汇报里已经相当能打。
但 5.6 带来的提升，确实有点震撼。
它不只是把提示词里的内容画出来，而是会主动理解你真正想表达什么 。尤其是模型结构图和工业场景图，差距已经不只是"更好看"，而是从能用，直接跨到了接近成品的感觉。
当然，自动补全的网络连接和实验数据仍然需要人工核验，但这种理解科研、组织科研、表达科研的能力，才是 5.6 最让人惊喜、甚至让人有点兴奋的地方。
更强的模型需要匹配更成熟的科研工作流，才能真正做到如虎添翼。
为此，我们整理了一套科研 Skill，里面收录了经过实测、好用且仍在活跃维护的 AI 辅助科研工具 、Skills、教程和 Prompt 模板，点击对应链接就能直接使用。下面链接免费获取：