GPT-5.6-sol vs GPT-5.5 新题实测：概率状态机和日志聚合代码谁更稳？

这篇是模型对比系列的新一轮 CSDN 版。为了避免重复上一轮的滑轮物理题和依赖背包题，这次我换了两道新题：

• 一道偏概率状态机的等待时间题：偏置硬币直到第一次出现 HHTH。
• 一道偏工程代码的日志聚合题：统计模型调用日志里的 token、cost、cache hit rate 和 top users。

测试对象仍然是：

gpt-5.6-sol
gpt-5.5

先说结论：两个模型这轮都能做对核心任务。概率题两者都给出正确数值 12.6547，但都没有主动给出我预设的精确分数 7162950/566029；代码题两者都输出了可运行 Python，并通过同一组本地测试。

一、测试环境

接口：

https://cn.crazyrouter.com/v1/chat/completions

结果文件：

.tmp/model_compare_gpt56sol_gpt55_round7_round8_results.json

代码产物目录：

.tmp/model_compare_gpt56sol_gpt55_round7_round8_artifacts

记录字段：

字段	用途
http_status	判断 API 请求是否成功
finish_reason	判断输出是否自然结束
completion_tokens	输出 token 消耗
reasoning_tokens	推理 token 消耗
visible_content_chars	可见输出长度
本地测试	编程题是否真的能跑

二、概率题：偏置硬币直到出现 HHTH

题目：

一枚偏置硬币每次独立抛掷，P(H)=0.62，P(T)=0.38。
连续抛掷直到第一次出现模式 HHTH 为止。

要求：
1. 求停止时所需抛掷次数的期望值。
2. 必须用状态方程或马尔可夫状态推导。
3. 说明在状态 HH 后如果再抛出 H，为什么仍然留在 HH 状态。
4. 解释为什么不能直接写成 1 / P(HHTH)。

参考答案：

E[N] = 7162950 / 566029 ≈ 12.6547

这题的关键不是算 P(HHTH)，而是处理模式重叠。状态可以定义为当前后缀与目标 HHTH 的最长匹配前缀：

S0 = 空
S1 = H
S2 = HH
S3 = HHT
S4 = HHTH，吸收态

容易错的点是：

在 HH 状态后继续抛出 H，得到 HHH。
HHH 的后缀里与 HHTH 前缀匹配最长的是 HH。
所以状态仍然是 HH，不是退回 H 或空状态。

三、概率题实测结果

模型	max_tokens	finish_reason	completion_tokens	reasoning_tokens	可见输出	耗时	结论
gpt-5.6-sol	3200	stop	1705	655	1644	39.3s	数值正确，未给精确分数
gpt-5.5	3200	stop	1433	516	1322	28.2s	数值正确，未给精确分数

gpt-5.6-sol 给出的等价公式是：

E[N] = 1/(p^3 q) + 1/p ≈ 12.6547

gpt-5.5 也给出了同样的状态转移和数值：

E0 ≈ 12.6547

这说明两个模型都理解了 HHTH 的状态重叠；但如果文章或报告要求精确分数，仍然需要单独检查输出格式，不能只看小数。

四、编程题：模型调用日志聚合

第二题是一个更接近生产后端的 Python 函数：

aggregate_model_usage(events, window_start, window_end)

输入是模型调用日志，每条日志可能包含：

ts
user
model
status
input_tokens
output_tokens
cached_tokens
cost

要求包括：

只统计 window_start <= ts < window_end 的事件
缺失 user 归 unknown
缺失 model 归 unknown
total_events 统计窗口内全部事件
success_events 只统计 status == 200
失败事件只计入 requests 和 failed_events，不累计 token/cost
by_model 统计 requests/success/tokens/cost/cache_hit_rate
top_users 返回成功事件 cost 最高的前 3 个用户
cost 和 cache_hit_rate 保留 6 位小数
不修改输入对象

本地测试覆盖了这些场景：

时间窗口边界：[start, end)
失败事件不累计 token 和 cost
缺失 user/model 的归类
cache_hit_rate = cached_tokens / input_tokens
top_users 按 cost 降序，cost 相同按 user 字典序
输入对象不被修改
空窗口返回空统计

五、编程题实测结果

模型	max_tokens	finish_reason	completion_tokens	reasoning_tokens	可见输出	耗时	本地测试
gpt-5.6-sol	7600	stop	1767	125	5929	34.1s	通过
gpt-5.5	7600	stop	2330	113	7349	45.6s	通过

代码产物：

.tmp/model_compare_gpt56sol_gpt55_round7_round8_artifacts/gpt_5_6_sol_code_007_usage_aggregator_max_7600.py
.tmp/model_compare_gpt56sol_gpt55_round7_round8_artifacts/gpt_5_5_code_007_usage_aggregator_max_7600.py

本地测试核心样例：

events = [
    {"ts": "2026-07-11T00:00:00Z", "user": "alice", "model": "gpt-5.5", "status": 200, "input_tokens": 100, "output_tokens": 50, "cached_tokens": 20, "cost": 0.30},
    {"ts": "2026-07-11T00:10:00Z", "user": "bob", "model": "gpt-5.5", "status": 500, "input_tokens": 999, "output_tokens": 999, "cached_tokens": 999, "cost": 9.99},
    {"ts": "2026-07-11T00:20:00Z", "user": "bob", "model": "gpt-5.6-sol", "status": 200, "input_tokens": 200, "output_tokens": 80, "cached_tokens": 50, "cost": 0.80},
    {"ts": "2026-07-11T00:40:00Z", "user": "carol", "status": 200, "input_tokens": 50, "output_tokens": 10, "cached_tokens": 25, "cost": 0.20},
]

期望结果里，失败事件只计入请求数，不应把 999 tokens 和 9.99 cost 算入成功消耗。这类边界如果没测，很容易在运营报表里把成本放大。

六、横向对比

维度	gpt-5.6-sol	gpt-5.5
概率题状态建模	正确	正确
概率题数值	12.6547 正确	12.6547 正确
是否给出精确分数	未主动给出	未主动给出
概率题耗时	39.3s	28.2s
日志聚合代码	本地测试通过	本地测试通过
代码题耗时	34.1s	45.6s
输出完整性	finish_reason=stop	finish_reason=stop

这轮没有出现“一个模型做对、另一个模型做错”的情况。更准确的结论是：

概率状态机题：两者都正确，gpt-5.5 更快。
日志聚合代码题：两者都通过本地测试，gpt-5.6-sol 更快、输出更短。

七、复现实测时要注意什么

第一，不要只看 HTTP 200。

至少要记录：

finish_reason
completion_tokens
reasoning_tokens
visible_content_chars

第二，数学/概率题不要只看小数。

这轮两个模型都给出了 12.6547，但都没有主动给出精确分数。如果你的评测要求精确表达，需要额外检查。

第三，代码题必须保存成文件跑测试。

“看起来有函数”不等于可用。尤其是日志聚合这种题，缺失字段、失败请求、窗口边界、排序 tie-break 都要靠测试兜住。

八、CSDN 图床检查

本文图片使用可外链 URL：

https://media.crazyrouter.com/task-artifacts/playground/user-1/images/2026/07/10/gpt56sol_gpt55_round7_csdn_card-bd17be99d7c6.png

本文没有使用 GitHub raw 图片链接。

九、结论

这轮新题的结论比较克制：

gpt-5.6-sol 和 gpt-5.5 都能完成概率状态机推导和日志聚合代码。
概率题上 gpt-5.5 更快；代码题上 gpt-5.6-sol 更快。
两者都没有主动输出精确分数，所以严谨评测仍然要做答案格式检查。

如果你要把模型接入生产报表或内部评测系统，建议把“本地测试是否通过”放在文章结论之前。模型说自己写完了不重要，代码跑过边界用例才重要。