Terminal X concorda con i suoi investitori senior nell'88,6% dei casi su GPT-6.1 Sol — e risparmia il 30% facendolo

Il numero più interessante nel resoconto del 20 ottobre 2026 di OpenAI su Terminal X non è il nome del modello. È l'88,6% — la quota di 500 giudizi d'investimento valutati in cui un agente di valutazione in esecuzione su GPT-6.1 Sol ha raggiunto lo stesso verdetto del revisore umano senior dell'azienda. Il secondo miglior modello nello stesso harness ha ottenuto l'86,4%. Duecentoventi punti base li separano, mentre il loro costo per query differisce di circa il 30%. Terminal X utilizza anche GPT-6 Luna per i passaggi ad alto volume, e la suddivisione tra questi due livelli è la vera storia ingegneristica qui: giudizio dove il giudizio è necessario, throughput in tutto il resto. I guasti documentati dell'IA e gli incidenti degli agenti che stanno dietro a release come questa sono raccolti all'interno di OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.

Una cosa da chiarire prima che i numeri vengano citati in giro per l’ufficio: questo è un caso cliente pubblicato dal fornitore del modello, misurato dal cliente, secondo la griglia di valutazione del cliente stesso. È un risultato reale nel senso che l’harness esiste e gira in produzione, e non è in alcun modo un benchmark indipendente. Nessuno al di fuori di Terminal X ha riprodotto l’88,6%. Consideralo la prova pubblica più dettagliata finora su come si comporta un modello di livello GPT-6.1 in attività che richiedono giudizio professionale — non come una voce di classifica.

Che cosa è stato effettivamente misurato

Terminal X vende quello che chiama Capital Memory: un sistema di proprietà dell'azienda che indicizza data room, modelli, memo, documenti depositati, email e lo storico del comitato di investimento, poi codifica il modo in cui uno specifico desk prende decisioni in agenti di proprietà dell'azienda, distribuiti on-premise o nel proprio cloud. Il personale tecnico è composto da ex professionisti della finanza e degli investimenti, e lavora a fianco di ogni cliente per settimane facendo reverse engineering del ragionamento che non è mai stato messo per iscritto — come il desk creditizio valuta un mutuatario, quali fonti consulta il team di co-investimento prima di un memo.

Il livello di valutazione è un agente separato. Secondo la storia, legge ogni output di produzione rispetto a una rubrica di 54 criteri e restituisce un esito positivo o negativo per ciascun criterio, con un motivo di una riga e una fonte corretta per ogni fallimento. Tali fallimenti diventano nuove istruzioni per il flusso di lavoro e nuovi casi di test, così la rubrica si amplia man mano che l'azienda corregge il sistema.

Il confronto principale proviene da 500 giudizi con punteggio sui quali un revisore umano senior aveva già espresso una decisione. Il tasso di accordo dell'agente, per modello:

• GPT-6.1 Sol — 88,6% di concordanza su 500 giudizi

• Secondo miglior modello — 86,4% di concordanza sugli stessi 500

Divario — 220 punti base, ovvero circa un accordo in più ogni 45 sentenze

Terminal X individua una classe di errore in cui il divario si concentra: la deriva di stile. Un fondo di buyout il cui mandato è quello di candidati al take-private scambiati a sconto rispetto al valore patrimoniale netto non dovrebbe raccomandare una posizione in credito distressed o un finanziamento di salvataggio quando i modelli di scenario cambiano. L'agente di valutazione su GPT-6.1 Sol ha intercettato circa il 25% in più di quegli scostamenti dal mandato rispetto al secondo modello migliore. È un'affermazione più circoscritta di "accurata all'88,6%" e più utile: il modello è migliore nel notare che una raccomandazione si è allontanata dalla tesi, che è il tipo di errore che un revisore senior passa effettivamente la giornata a intercettare.

Perché la valutazione di un fondo è un tipo diverso di benchmark

I benchmark pubblici pongono a ogni modello le stesse domande. Terminal X pone a ciascun modello le domande di una singola società, secondo un'unica rubrica, nello stile interno della società. Questo rende il risultato più rilevante per l'acquirente e meno comparabile tra acquirenti — lo stesso harness presso un fondo diverso darebbe peso a criteri diversi, e il divario di 220 punti potrebbe facilmente ridursi o ampliarsi.

Rende anche il risultato costoso da verificare. Per riprodurlo servono la rubrica dei 54 criteri e 500 giudizi, nessuno dei quali è pubblico. Ciò che è pubblico è la forma dell’affermazione e il contesto di produzione che la circonda, e su questa base il risultato è coerente: circa 1.700 Memories aziendali costruiti, più di un milione di workflow personalizzati eseguiti e utenti attivi settimanali pari all’81% degli attivi mensili — un rapporto di fidelizzazione che suggerisce che gli agenti vengono usati durante la settimana lavorativa anziché provati e abbandonati. Un fondo di private equity viene citato per 2,4 milioni di dollari di risparmi annualizzati da flussi di due diligence e memo automatizzati. Tutto ciò è il resoconto fornito dal cliente stesso.

La linea dei costi conta più della linea dell'accuratezza

Secondo il racconto, GPT-6.1 Sol ha eseguito gli stessi flussi di lavoro a un costo per query inferiore di circa il 30% rispetto al secondo modello migliore, a una velocità simile. Terminal X lo attribuisce all’efficienza dei token nel lavoro su contesti lunghi: il modello poteva verificare una tesi rispetto al mandato del fondo, poi rispetto alle sue operazioni recenti, quindi rieseguire i verdetti incerti e riconciliarli, il tutto entro lo stesso budget. È stata quella revisione più approfondita a segnalare operazioni che una singola passata aveva lasciato passare.

Una riduzione dei costi del 30% per singola query è un dato commerciale ben più rilevante di 220 punti base di concordanza, perché gli agenti di valutazione e revisione vengono eseguiti costantemente e la loro bolletta scala con il volume. È anche il tipo di affermazione che la storia di un fornitore può fare con leggerezza — "velocità simile" non è un numero — quindi rientra nella stessa categoria del resto: credibile in linea di principio, non verificata.

Che cos'è GPT-6.1 Sol, ufficialmente

GPT-6.1 Sol è il modello che OpenAI ha rilasciato il 29 settembre 2026 per la programmazione complessa e il lavoro professionale. È l'unico modello di livello GPT-6.1 nell'elenco dei modelli di OpenAI — non esiste un identificatore separato e semplice "GPT-6.1", e una richiesta che ne citi uno non verrà risolta. La specifica attuale del fornitore, come pubblicata:

Prezzo — 2,00 $ per milione di token di input e 10,00 $ per milione di token di output

• Input in cache — 0,10 $ per milione; scritture in cache 2,50 $ per milione

• Prompt lunghi — oltre 272.000 token di input, il costo di input e cache è 2× e quello di output 1,5×

• Finestra di contesto — 1.050.000 token, con un massimo di 922.000 token in input e 128.000 token in output

• Modalità — testo e immagine in input, testo in output

• Sforzo di ragionamento — basso, medio, alto, xhigh e max; none e minimal vengono rifiutati

• Data limite delle conoscenze — 30 aprile 2026

• Livelli di servizio — Fast a 2× lo standard, Batch e Flex al 50% in meno, Ultrafast a 6×, con residenza dei dati negli Stati Uniti e nell'UE

Il quadro indipendente su Artificial Analysis, letto il 21 ottobre 2026, è un unico Intelligence Index di 52 al massimo sforzo (index v4.3.2, dieci valutazioni), con un prezzo di $0,72 per attività dell'indice e un costo misto di $1,47 per milione di token, con una velocità di output di 55,2 token al secondo. La classifica registra anche un tempo al primo token di 248 secondi a tale impostazione di sforzo, rispetto a una mediana dei comparatori di 3,69 secondi — cosa che vale la pena sapere prima che qualcuno indirizzi un'interfaccia utente sincrona verso il livello di massimo sforzo.

Quei due insiemi di numeri descrivono cose diverse, e il divario tra loro è l'onesta sintesi del modello: un livello di ragionamento con contesto da 1M prezzato come un modello di fascia media, la cui economia funziona per la valutazione in batch e per lunghe esecuzioni agentiche, e non funziona per nulla su cui una persona attenda in modo interattivo al massimo sforzo.

Quello che l'88,6% non ti dice

• Non è una misura della capacità generale. Un'unica griglia di valutazione, un unico mix di classi di attività, gli standard di un'unica società.

• Si tratta di accordo con un essere umano, non di correttezza. Un revisore con un bias costante e un modello che lo condivide otterrà un buon punteggio.

• L'insieme di confronto non è nominato. Il "modello secondo migliore" potrebbe essere un concorrente all'avanguardia o una fascia molto più economica; senza il nome, i 220 punti base non possono essere prezzati.

• Il costo per query non è definito. Se ciò includa i passaggi di revisione aggiuntivi che il modello consente è esattamente il tipo di dettaglio che cambia la conclusione.

• Niente di quanto segue è un risultato di benchmark pubblico a parità di condizioni. Sull'unico indice indipendente esistente, GPT-6.1 Sol si posiziona un punto sotto GPT-6 Astra e quattro punti sopra il livello GPT-6 Sol che ha sostituito.

Testare un'affermazione come questa sui tuoi dati

L'unico modo per sapere se il risultato sulla deriva del mandato è trasferibile è sottoporre i tuoi 200-500 giudizi a due modelli e valutarli confrontandoli con il tuo revisore.

Ora è un esperimento a basso costo: GPT-6.1 Sol è sulle rotte di OrcaRouter al prezzo di listino del fornitore, senza alcun ricarico, quindi un'esecuzione comparabile con GPT-6 Astra, GPT-6 Sol o GPT-6 Luna costa la tariffa e nulla più. Poiché tutti e quattro i livelli stanno dietro un'unica chiave, il confronto è un cambio di stringa del modello anziché un secondo contratto.

L'architettura stessa di Terminal X è il modello da copiare: instrada la fase ad alta intensità di giudizio — sintesi della tesi, aderenza al mandato, passaggio di riconciliazione — verso il livello più forte che puoi giustificare, e instrada estrazione, classificazione e i passaggi ad alto volume verso qualcosa come GPT-6 Luna a $0,10 e $0,50 per milione di token. La DSL di routing esiste proprio perché questa suddivisione possa risiedere in una configurazione anziché nel codice applicativo, e il failover automatico significa che un'esecuzione di valutazione non si interrompe a metà perché un upstream ha avuto un pomeriggio storto.

Cosa guardare

Due cose trasformerebbero questo da aneddoto di un fornitore in un risultato. Primo, una seconda società che pubblichi il proprio tasso di concordanza su una rubrica diversa: se l'88,6% è una proprietà del modello e non del harness di Terminal X, un desk creditizio e un fondo infrastrutturale dovrebbero collocarsi nello stesso intorno. Secondo, il confronto con un nome. Un "secondo miglior modello" all'86,4% è il numero che tutti vorranno interrogare, e finché non ha un nome i 220 punti base sono un'affermazione su una categoria, non un confronto tra due prodotti.

Fino ad allora, la lettura difendibile è ristretta e comunque utile: su un unico flusso di lavoro di investimento in produzione, un modello di livello GPT-6.1 concordava con un revisore senior abbastanza spesso da automatizzare la prima passata, ha rilevato circa un quarto in più di deriva del mandato rispetto a ciò con cui è stato confrontato e lo ha fatto a circa il 30% in meno per query. È un buon motivo per eseguire il proprio test. Non è ancora un motivo per saltarne uno.