Terminal X Sepakat dengan Investor Seniornya 88,6% dari Waktu soal GPT-6.1 Sol — dan Menghemat 30% dalam Melakukannya

Angka paling menarik dalam tulisan OpenAI tanggal 20 Oktober 2026 tentang Terminal X bukanlah nama modelnya. Melainkan 88,6% — porsi dari 500 penilaian investasi yang diskor di mana agen eval yang menjalankan GPT-6.1 Sol mencapai putusan yang sama dengan peninjau manusia senior firma tersebut. Model terbaik berikutnya dalam harness yang sama mencapai 86,4%. Dua ratus dua puluh basis poin memisahkan keduanya, dan sekitar 30% memisahkan biaya per kueri keduanya. Terminal X juga menjalankan GPT-6 Luna untuk langkah-langkah bervolume tinggi, dan pembagian antara kedua tingkatan itu adalah kisah rekayasa yang sebenarnya di sini: penilaian di tempat penilaian dibutuhkan, throughput di tempat lainnya. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda status sengketa.

Satu hal yang perlu diperjelas sebelum angka-angka itu dikutip di sekitar meja: ini adalah kisah pelanggan yang diterbitkan oleh vendor model, diukur oleh pelanggan, dengan rubrik milik pelanggan sendiri. Ini adalah hasil nyata dalam arti bahwa harness-nya ada dan berjalan di produksi, dan ini bukan tolok ukur independen dalam pengertian apa pun. Tidak ada pihak di luar Terminal X yang mereproduksi 88,6%. Anggap ini sebagai bukti publik paling terperinci sejauh ini tentang bagaimana model setingkat GPT-6.1 berperilaku dalam pekerjaan penilaian profesional — bukan sebagai entri papan peringkat.

Apa yang sebenarnya diukur

Terminal X menjual apa yang disebutnya Capital Memory: sistem milik firma yang mengindeks ruang data, model, memo, filing, email, dan riwayat komite investasi, lalu mengodekan cara sebuah desk tertentu mengambil keputusan ke dalam agen milik firma, yang diterapkan on-premise atau di cloud miliknya sendiri. Staf tekniknya adalah mantan profesional keuangan dan investasi, dan mereka bekerja bersama setiap pelanggan selama berminggu-minggu untuk merekayasa balik penalaran yang tidak pernah dituliskan — bagaimana desk kredit menyaring peminjam, sumber mana yang dirujuk tim investasi bersama sebelum menyusun memo.

Lapisan eval adalah agen terpisah. Menurut uraiannya, lapisan ini membaca setiap keluaran produksi terhadap rubrik berisi 54 kriteria dan mengembalikan lulus atau gagal per kriteria, dengan alasan satu baris dan sumber yang telah dikoreksi untuk setiap kegagalan. Kegagalan tersebut menjadi instruksi alur kerja baru dan kasus uji baru, sehingga rubriknya makin tebal seiring perusahaan memperbaiki sistem.

Perbandingan utama berasal dari 500 penilaian yang telah diberi skor, yang keputusannya sudah ditetapkan oleh peninjau manusia senior. Tingkat kesepakatan agen, berdasarkan model:

• GPT-6.1 Sol — 88,6% kesepakatan pada 500 penilaian

• Model terbaik berikutnya — 86,4% kesepakatan pada 500 yang sama

• Kesenjangan — 220 basis poin, atau sekitar satu persetujuan tambahan per 45 putusan

Terminal X menyebut satu kelas kesalahan tempat kesenjangan terkonsentrasi: penyimpangan gaya. Dana buyout yang mandatnya adalah kandidat take-private yang diperdagangkan dengan diskon terhadap nilai aset bersih tidak semestinya merekomendasikan posisi kredit distress atau pembiayaan penyelamatan ketika model skenario berbalik. Agen evaluasi pada GPT-6.1 Sol menangkap sekitar 25% lebih banyak penyimpangan dari mandat tersebut daripada model terbaik berikutnya. Itu klaim yang lebih sempit daripada "88.6% accurate", dan lebih berguna: model lebih baik dalam menyadari bahwa suatu rekomendasi telah menyimpang dari tesis, yang merupakan mode kegagalan yang sebenarnya dihabiskan seorang reviewer senior untuk menangkapnya setiap hari.

Mengapa evaluasi sebuah dana merupakan jenis tolok ukur yang berbeda

Tolok ukur publik mengajukan pertanyaan yang sama kepada setiap model. Terminal X mengajukan kepada masing-masing model pertanyaan dari satu firma, terhadap satu rubrik, dalam gaya khas firma tersebut. Hal itu membuat hasilnya lebih relevan bagi pembeli dan kurang dapat dibandingkan antarpembeli — perangkat uji yang sama di dana yang berbeda akan memberi bobot pada kriteria yang berbeda, dan selisih 220 poin dapat dengan mudah menyusut atau melebar.

Ini juga membuat hasilnya mahal untuk diperiksa. Mereproduksinya memerlukan rubrik 54 kriteria dan 500 penilaian, yang keduanya tidak publik. Yang publik adalah bentuk klaim dan konteks produksi di sekitarnya, dan atas dasar itu hasilnya koheren: sekitar 1.700 Memories perusahaan dibangun, lebih dari satu juta alur kerja khusus dijalankan, dan pengguna aktif mingguan setara dengan 81% pengguna aktif bulanan — rasio kelekatan yang menunjukkan bahwa agen-agen tersebut digunakan dalam pekan kerja alih-alih dicoba lalu ditinggalkan. Satu perusahaan ekuitas swasta dikutip dengan penghematan tahunan senilai $2,4 juta dari otomatisasi uji tuntas dan alur kerja memo. Semua itu merupakan keterangan pelanggan sendiri.

Baris biaya lebih penting daripada baris akurasi.

Menurut cerita tersebut, GPT-6.1 Sol menjalankan alur kerja yang sama dengan biaya per kueri sekitar 30% lebih rendah daripada model terbaik berikutnya, pada kecepatan yang serupa. Terminal X mengaitkannya dengan efisiensi token pada pekerjaan berkonteks panjang: model tersebut dapat menguji sebuah tesis terhadap mandat dana, lalu terhadap kesepakatan-kesepakatan terbarunya, kemudian menjalankan ulang putusan yang belum pasti dan merekonsiliasinya, semuanya dalam anggaran yang sama. Tinjauan yang lebih mendalam itulah yang menandai kesepakatan yang lolos begitu saja dalam satu kali pemeriksaan.

Pengurangan biaya 30% per kueri adalah fakta komersial yang jauh lebih besar daripada 220 basis poin kesepakatan, karena agen evaluasi dan peninjauan dijalankan terus-menerus dan tagihannya berskala dengan volume. Ini juga jenis klaim yang dapat dibuat secara longgar oleh narasi vendor — "kecepatan serupa" bukanlah angka — sehingga klaim itu termasuk dalam kategori yang sama dengan sisanya: kredibel secara arah, belum terverifikasi.

Apa itu GPT-6.1 Sol, secara resmi

GPT-6.1 Sol adalah model yang dirilis O​penAI pada 29 September 2026 untuk pengodean kompleks dan pekerjaan profesional. Ini adalah satu-satunya model tingkat GPT-6.1 dalam daftar model O​penAI — tidak ada pengenal "GPT-6.1" terpisah tanpa embel-embel, dan permintaan yang menyebutkannya tidak akan ditemukan. Spesifikasi terkini vendor, sebagaimana dipublikasikan:

• Harga — $2.00 per juta token masukan dan $10.00 per juta token keluaran

• Input cache — $0,10 per juta; penulisan cache $2,50 per juta

• Prompt panjang — di atas 272.000 token input, biaya input dan cache 2× serta output 1,5×

• Jendela konteks — 1.050.000 token, dengan maksimum input 922.000 dan maksimum output 128.000

• Modalitas — teks dan gambar masuk, teks keluar

• Upaya penalaran — rendah, sedang, tinggi, xhigh, dan maks; none dan minimal ditolak

• Batas pengetahuan — 30 April 2026

• Tingkat layanan — Fast dengan 2× standar, Batch dan Flex 50% lebih murah, Ultrafast 6×, dengan residensi data AS dan UE

Gambaran independen di Artificial Analysis, yang dibaca pada 21 Oktober 2026, adalah satu Intelligence Index bernilai 52 pada upaya maksimum (index v4.3.2, sepuluh evaluasi), dengan harga $0.72 per tugas indeks dan campuran $1.47 per juta token, serta kecepatan keluaran 55.2 token per detik. Papan tersebut juga mencatat waktu ke token pertama 248 detik pada pengaturan upaya itu, terhadap median pembanding 3.69 detik — yang perlu diketahui sebelum ada yang mengarahkan UI sinkron ke tingkat upaya maksimum.

Kedua kumpulan angka itu menjelaskan hal yang berbeda, dan selisih di antara keduanya adalah ringkasan jujur dari model tersebut: tier penalaran berkonteks 1M dengan harga seperti model kelas menengah, yang ekonominya masuk akal untuk evaluasi batch dan proses agentic panjang, namun tidak masuk akal untuk apa pun yang ditunggu seseorang secara interaktif pada upaya maksimal.

Apa yang tidak dikatakan oleh 88,6% kepada Anda

• Ini bukan ukuran kapabilitas umum. Satu rubrik, satu campuran kelas aset, satu standar firma.

• Ini adalah kesesuaian dengan manusia, bukan ketepatan. Penilai yang memiliki bias konsisten dan model yang berbagi bias tersebut akan mendapat skor yang baik.

• Kumpulan pembanding tidak disebutkan namanya. "Model terbaik berikutnya" bisa merupakan pesaing terdepan atau kelas yang jauh lebih murah; tanpa namanya, 220 basis poin tidak dapat diberi harga.

• Biaya per kueri tidak ditentukan. Apakah itu mencakup proses peninjauan tambahan yang dimungkinkan oleh model justru merupakan jenis detail yang mengubah kesimpulan.

• Tidak ada apa pun di sini yang merupakan hasil benchmark publik yang sebanding. Pada satu-satunya indeks independen yang ada, GPT-6.1 Sol berada satu poin di bawah GPT-6 Astra dan empat poin di atas tier GPT-6 Sol yang digantikannya.

Menguji klaim seperti ini pada data Anda sendiri

Satu-satunya cara untuk mengetahui apakah hasil pergeseran mandat itu dapat dialihkan adalah dengan menjalankan 200 hingga 500 penilaian Anda sendiri melalui dua model dan menilainya terhadap peninjau Anda sendiri.

Itu eksperimen yang murah sekarang: GPT-6.1 Sol tersedia di rute OrcaRouter dengan harga daftar resmi dari vendor, tanpa markup tambahan, jadi uji coba yang sebanding terhadap GPT-6 Astra, GPT-6 Sol, atau GPT-6 Luna hanya dikenai tarif rate card dan tidak ada biaya lain. Karena keempat tier berada di balik satu kunci, perbandingannya cukup mengganti string model, bukan menandatangani kontrak kedua.

Arsitektur Terminal X sendiri adalah pola yang layak ditiru: rutekan tahap yang sarat pertimbangan — sintesis tesis, kesesuaian mandat, proses rekonsiliasi — ke tier terkuat yang bisa Anda justifikasi, dan rutekan ekstraksi, klasifikasi, serta langkah-langkah bervolume tinggi ke sesuatu seperti GPT-6 Luna dengan $0.10 dan $0.50 per juta token. DSL perutean ada justru agar pemisahan itu dapat berada di konfigurasi, bukan di kode aplikasi, dan failover otomatis berarti suatu proses evaluasi tidak mati di tengah jalan hanya karena salah satu upstream mengalami sore yang buruk.

Apa yang harus ditonton

Dua hal akan mengubah ini dari anekdot vendor menjadi sebuah hasil. Pertama, firma kedua yang menerbitkan tingkat kesepakatannya sendiri pada rubrik yang berbeda — jika 88,6% adalah sifat model dan bukan dari harness Terminal X, desk kredit dan dana infrastruktur seharusnya berada di kisaran yang sama. Kedua, perbandingan yang disebutkan namanya. Model "terbaik berikutnya" dengan 86,4% adalah angka yang semua orang akan ingin selidiki, dan sampai model itu punya nama, 220 basis poin hanyalah klaim tentang sebuah kategori, bukan perbandingan antara dua produk.

Sampai saat itu, pembacaan yang dapat dipertahankan memang sempit dan tetap berguna: dalam satu alur kerja investasi produksi, model setingkat GPT-6.1 cukup sering sepakat dengan reviewer senior untuk mengotomatiskan tinjauan awal, menangkap sekitar seperempat lebih banyak penyimpangan mandat daripada apa pun yang menjadi pembandingnya, dan melakukannya dengan biaya sekitar 30% lebih rendah per kueri. Itu alasan yang baik untuk menjalankan uji Anda sendiri. Namun itu belum menjadi alasan untuk melewatinya.