Terminal X מסכימה עם המשקיעים הבכירים שלה ב-88.6% מהמקרים בנוגע ל-GPT-6.1 Sol — וחוסכת 30% בכך.

המספר המעניין ביותר בפרסום של OpenAI מ-20 באוקטובר 2026 על Terminal X אינו שם המודל. הוא 88.6% — החלק מתוך 500 החלטות השקעה שדורגו, שבהן סוכן הערכה הרץ על GPT-6.1 Sol הגיע לאותה מסקנה כמו הסוקר האנושי הבכיר של החברה. המודל הטוב ביותר הבא באותה מערכת בדיקה השיג 86.4%. פער של 220 נקודות בסיס מפריד ביניהם, וכ-30% מפרידים בין העלות שלהם לכל שאילתה. Terminal X גם מריצה GPT-6 Luna עבור שלבים בנפח גבוה, והחלוקה בין שתי הרמות האלה היא הסיפור ההנדסי האמיתי כאן: שיקול דעת היכן שנדרש שיקול דעת, ותפוקה בכל מקום אחר. הכשלים המתועדים של AI ותקריות הסוכנים מאחורי השקות כמו זו נאספים בOrcaRouter AI Incident Archive שבו כל רשומה נושאת מקורות משלה, חומרה, דרגת ביטחון וסימון שנוי במחלוקת.

דבר אחד שצריך להיות ברור לפני שמצטטים את המספרים סביב השולחן: זהו סיפור לקוח שפורסם על ידי ספק המודל, נמדד על ידי הלקוח, לפי הרובריקה של הלקוח עצמו. זו תוצאה אמיתית במובן שהמערך קיים ופועל בייצור, והיא אינה בנצ׳מרק עצמאי בשום מובן. אף אחד מחוץ ל-Terminal X לא שחזר את 88.6%. התייחסו לזה כראיה הציבורית המפורטת ביותר עד כה לגבי האופן שבו מודל ברמת GPT-6.1 מתנהג בעבודת שיקול דעת מקצועי — ולא כרשומה בטבלת מובילים.

מה נמדד בפועל

Terminal X מוכרת את מה שהיא מכנה Capital Memory: מערכת בבעלות החברה שמאינדקסת חדרי נתונים, מודלים, תזכירים, דיווחים רגולטוריים, הודעות דואר אלקטרוני והיסטוריית ועדת השקעות, ואז מקודדת את אופן קבלת ההחלטות של דסק מסוים לתוך סוכנים בבעלות החברה, הנפרסים באתר החברה או בענן שלה. צוות ההנדסה מורכב מאנשי פיננסים והשקעות לשעבר, והם יושבים עם כל לקוח במשך שבועות כדי לבצע הנדסה לאחור של ההיגיון שמעולם לא תועד — כיצד דסק האשראי בודק לווה, ומאילו מקורות צוות ההשקעות המשותפות שולף נתונים לפני כתיבת תזכיר.

שכבת ההערכה היא סוכן נפרד. לפי הסיפור, היא קוראת כל פלט ייצור מול רובריקה בת 54 קריטריונים ומחזירה עובר או נכשל לכל קריטריון, עם נימוק בשורה אחת ומקור מתוקן לכל כשל. הכשלים הללו הופכים להוראות זרימת עבודה חדשות ולמקרי בדיקה חדשים, כך שהרובריקה נעשית עבה יותר ככל שהמשרד מתקן את המערכת.

ההשוואה המרכזית מגיעה מ-500 שיפוטים מדורגים שבהם סוקר אנושי בכיר כבר הכריע. שיעור ההסכמה של הסוכן, לפי מודל:

• GPT-6.1 Sol — 88.6% הסכמה על פני 500 שיפוטים

• המודל השני בטיבו — 86.4% התאמה על אותם 500

• פער — 220 נקודות בסיס, או בערך הסכם נוסף אחד לכל 45 פסקי דין

Terminal X מכנה סוג שגיאה אחד שבו הפער מתרכז: סטיית סגנון. קרן רכישה שהמנדט שלה הוא מועמדות להפיכה לחברה פרטית הנסחרות בדיסקונט לשווי נכסים נטו לא אמורה להמליץ על פוזיציית אשראי במצוקה או על מימון הצלה כשמודלי התרחישים משתנים. סוכן ההערכה על GPT-6.1 Sol זיהה כ-25% יותר מאותן סטיות מהמנדט מאשר המודל השני בטיבו. זו טענה צרה יותר מ"88.6% מדויק", ושימושית יותר: המודל טוב יותר בלזהות שהמלצה סטתה מהתזה, וזהו מצב הכשל שסוקר בכיר למעשה מבלה את יומו בלזהות.

מדוע הערכת ביצועים של קרן היא סוג שונה של בנצ'מרק

מבחני בנצ'מרק ציבוריים שואלים כל מודל את אותן השאלות. Terminal X שואל כל מודל את השאלות של חברה אחת, לפי רובריקה אחת, בסגנון הבית של החברה עצמה. זה הופך את התוצאה לרלוונטית יותר לקונה ופחות ניתנת להשוואה בין קונים — אותה מערכת בדיקה בקרן אחרת הייתה נותנת משקל שונה לקריטריונים אחרים, ופער של 220 נקודות יכול בקלות להתכווץ או להתרחב.

זה גם הופך את בדיקת התוצאה ליקרה. כדי לשחזר אותה נדרשים רובריקת 54 הקריטריונים ו-500 שיפוטים, ושניהם אינם פומביים. מה שפומבי הוא צורת הטענה וההקשר הייצורי שסביבה, ועל בסיס זה התוצאה עקבית: כ-1,700 Memories ארגוניים שנבנו, יותר ממיליון תהליכי עבודה מותאמים אישית שהורצו, ומשתמשים פעילים שבועיים השווים ל-81% מהפעילים החודשיים — יחס דביקות שמרמז שהסוכנים נמצאים בשימוש בתוך שבוע העבודה ולא נבחנים ונזנחים. קרן השקעות פרטיות אחת מצוטטת כחוסכת 2.4 מיליון דולר בשנה מבדיקת נאותות אוטומטית ותהליכי עבודה של תזכירים. כל זה הוא הדיווח של הלקוח עצמו.

שורת העלות חשובה יותר משורת הדיוק.

לפי הסיפור, GPT-6.1 Sol הריץ את אותם תהליכי עבודה בעלות נמוכה בכ-30% לכל שאילתה לעומת המודל הטוב הבא, במהירות דומה. Terminal X מייחסת זאת ליעילות טוקנים בעבודה עם הקשר ארוך: המודל יכול היה לבחון תזה מול מנדט הקרן, ואז מול העסקאות האחרונות שלה, ואז להריץ מחדש את ההכרעות הלא-ודאיות ולעשות התאמה, והכול בתוך אותו תקציב. הבדיקה העמוקה יותר הזו היא שסימנה עסקאות שמעבר יחיד העביר כלאחר יד.

הפחתת עלות של 30% לכל שאילתה היא עובדה מסחרית גדולה בהרבה מ-220 נקודות בסיס של הסכמה, מפני שסוכני הערכה ובדיקה מופעלים כל העת והחיוב שלהם גדל עם הנפח. זו גם סוג הטענה שנרטיב של ספק יכול להשמיע באופן רופף — "מהירות דומה" אינה מספר — ולכן היא שייכת לאותה קטגוריה כמו השאר: אמינה מבחינת כיוון, לא מאומתת.

מהו GPT-6.1 Sol, באופן רשמי

GPT-6.1 Sol הוא המודל ש-O​penAI שחררה ב-29 בספטמבר 2026 עבור תכנות מורכב ועבודה מקצועית. זהו המודל היחיד ברמת GPT-6.1 ברשימת המודלים של O​penAI — אין מזהה נפרד וברור ל-"GPT-6.1" בלבד, ובקשה שמציינת אחד כזה לא תיפתר. המפרט הנוכחי של הספק, כפי שפורסם:

• מחיר — $2.00 למיליון טוקני קלט ו-$10.00 למיליון טוקני פלט

• קלט במטמון — $0.10 למיליון; כתיבות למטמון $2.50 למיליון

• הנחיות ארוכות — מעל 272,000 אסימוני קלט, עלות הקלט והמטמון ×2 והפלט ×1.5

• חלון הקשר — 1,050,000 טוקנים, עם קלט מקסימלי של 922,000 ופלט מקסימלי של 128,000

• מודאליות — טקסט ותמונה כקלט, טקסט כפלט

• מאמץ חשיבה — נמוך, בינוני, גבוה, xhigh ומקסימלי; none ו-minimal נדחים

• תאריך עדכון הידע — 30 באפריל 2026

• רמות שירות — Fast במהירות כפולה מהסטנדרט, Batch ו-Flex ב-50% פחות, Ultrafast פי 6, עם מיקום נתונים בארה״ב ובאיחוד האירופי

התמונה הבלתי־תלויה ב-Artificial Analysis, כפי שנקראה ב-21 באוקטובר 2026, היא Intelligence Index יחיד של 52 במאמץ מרבי (index v4.3.2, עשר הערכות), במחיר של $0.72 לכל משימת אינדקס ו-$1.47 משוקלל למיליון טוקנים, עם מהירות פלט של 55.2 טוקנים לשנייה. הלוח גם מתעד זמן עד לטוקן הראשון של 248 שניות בהגדת המאמץ הזו, לעומת חציון של 3.69 שניות אצל משווה — דבר שכדאי לדעת לפני שמישהו מכוון ממשק משתמש סינכרוני אל שכבת המאמץ המרבי.

שתי קבוצות המספרים הללו מתארות דברים שונים, והפער ביניהן הוא הסיכום הכנה של המודל: שכבת חשיבה עם הקשר של 1M שמתומחרת כמו מודל מדרג ביניים, שהכלכלה שלה עובדת להערכה באצוות ולריצות סוכניות ארוכות, ואינה עובדת לשום דבר שאדם ממתין לו באופן אינטראקטיבי במאמץ מרבי.

מה ש-88.6% לא אומר לך

• זה אינו מדד כללי ליכולות. רובריקה אחת, תמהיל אחד של סוגי נכסים, והסטנדרטים של חברה אחת.

• מדובר בהסכמה עם אדם, לא בנכונות. סוקר בעל הטיה עקבית ומודל שחולק אותה יקבל ציון טוב.

• קבוצת ההשוואה אינה נקובה בשם. "המודל השני בטיבו" יכול להיות מתחרה חזיתי או דרגה זולה בהרבה; בלי השם, לא ניתן לתמחר את 220 נקודות הבסיס.

• עלות לכל שאילתה אינה מוגדרת. האם היא כוללת את מעברי הבדיקה הנוספים שהמודל מאפשר — זה בדיוק סוג הפרט שמשנה את המסקנה.

• שום דבר כאן אינו תוצאת מדד ציבורי הניתנת להשוואה ישירה. במדד העצמאי היחיד שקיים, GPT-6.1 Sol נמצא נקודה אחת מתחת ל-GPT-6 Astra וארבע נקודות מעל רמת GPT-6 Sol שאותה הוא החליף.

בדיקת טענה כזו על הנתונים שלך

הדרך היחידה לדעת אם תוצאת סחיפת המנדט מועברת היא להריץ 200 עד 500 שיפוטים משלך דרך שני מודלים ולדרג אותם מול הסוקר שלך.

זהו ניסוי זול כעת: GPT-6.1 Sol נמצא בנתיבים של OrcaRouter במחיר המחירון של הספק עצמו, ללא תוספת, כך שהרצה דומה מול GPT-6 Astra, GPT-6 Sol או GPT-6 Luna עולה לפי התעריף בלבד ולא דבר נוסף. מכיוון שכל ארבע הרמות נמצאות מאחורי מפתח אחד, ההשוואה היא שינוי במחרוזת מודל ולא חוזה נוסף.

הארכיטקטורה של Terminal X עצמה היא התבנית שכדאי להעתיק: לנתב את השלב עתיר שיקול הדעת — סינתזת תזה, התאמה למנדט, מעבר הפיוס — אל הדרג החזק ביותר שאפשר להצדיק, ולנתב חילוץ, סיווג ושלבים בנפח גבוה אל משהו כמו GPT-6 Luna בתעריף של $0.10 ו-$0.50 למיליון טוקנים. שפת ה-routing DSLקיימת בדיוק כדי שהפיצול הזה יוכל לחיות בקונפיגורציה ולא בקוד האפליקציה, ומעבר אוטומטי לגיבוי פירושו שריצת הערכה לא נקטעת באמצע כי לאחד מהשירותים במעלה הזרם היה אחר צהריים רע.

מה לצפות

שני דברים יהפכו את זה מאנקדוטה של ספק לתוצאה. ראשית, חברה שנייה שתפרסם את שיעור ההסכמה שלה לפי רובריקה אחרת — אם 88.6% הוא תכונה של המודל ולא של מערך הבדיקה של Terminal X, דסק אשראי וקרן תשתיות אמורים לנחות באותו אזור. שנית, ההשוואה הנקובת בשם. מודל "השני בטיבו" עם 86.4% הוא המספר שכולם ירצו לחקור, ועד שיהיה לו שם, 220 נקודות הבסיס הן טענה על קטגוריה, לא השוואה בין שני מוצרים.

עד אז, הקריאה הניתנת להגנה היא צרה ועדיין שימושית: בתהליך עבודה אחד של השקעות בסביבת ייצור, מודל ברמת GPT-6.1 הסכים עם סוקר בכיר לעתים קרובות מספיק כדי להפוך את המעבר הראשון לאוטומטי, תפס כרבע יותר סטייה מהמנדט ממה שנמדד מולו, ועשה זאת בעלות נמוכה בכ-30% לכל שאילתה. זו סיבה טובה להריץ בדיקה משלכם. זו עדיין לא סיבה לוותר עליה.