Terminal X is het 88,6% van de tijd eens met zijn senior investeerders over GPT-6.1 Sol — en bespaart daarbij 30%.

Het interessantste getal in OpenAI's verslag van 20 oktober 2026 over Terminal X is niet de naam van het model. Het is 88,6% — het aandeel van de 500 gescoorde investeringsoordelen waarbij een eval-agent die draaide op GPT-6.1 Sol tot hetzelfde oordeel kwam als de senior menselijke beoordelaar van het bedrijf. Het op één na beste model in dezelfde harness haalde 86,4%. Tweehonderdtwintig basispunten scheiden hen, en ongeveer 30% scheidt hun kosten per query. Terminal X draait ook GPT-6 Luna voor de stappen met een hoog volume, en de splitsing tussen die twee niveaus is hier het eigenlijke engineeringverhaal: oordeelsvorming waar dat nodig is, doorvoer voor al het overige. De gedocumenteerde AI-fouten en agentincidenten achter releases zoals deze zijn verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding haar eigen bronnen, ernst, betrouwbaarheidsgraad en betwistmarkering bevat.

Eén ding moet duidelijk zijn voordat de cijfers rond een bureau worden geciteerd: dit is een klantverhaal dat is gepubliceerd door de leverancier van het model, gemeten door de klant, volgens de eigen beoordelingscriteria van de klant. Het is een echt resultaat in die zin dat het testharnas bestaat en in productie draait, en het is in geen enkele zin een onafhankelijke benchmark. Niemand buiten Terminal X heeft de 88,6% gereproduceerd. Beschouw het als het meest gedetailleerde openbare bewijs tot nu toe over hoe een model van GPT-6.1-niveau zich gedraagt bij werk dat professioneel oordeel vereist — niet als een vermelding op een ranglijst.

Wat werd er eigenlijk gemeten?

Terminal X verkoopt wat het Capital Memory noemt: een systeem dat eigendom is van de firma en dat dataruimtes, modellen, memo's, filings, e-mails en de geschiedenis van de investeringscommissie indexeert, en vervolgens codeert hoe een bepaalde desk beslissingen neemt in agenten die de firma bezit, ingezet on-premise of in de eigen cloud. Het engineeringteam bestaat uit voormalige finance- en investeringsprofessionals, en zij zitten wekenlang met elke klant om de redenering die nooit op papier is gezet te reverse-engineeren — hoe de creditdesk een kredietnemer beoordeelt, welke bronnen het co-investmentteam raadpleegt voordat er een memo wordt opgesteld.

De evaluatielaag is een afzonderlijke agent. Volgens het verhaal leest deze elke productie-output tegen een rubric van 54 criteria en retourneert per criterium pass of fail, met een reden van één regel en een gecorrigeerde bron voor elke fout. Die fouten worden nieuwe workflowinstructies en nieuwe testcases, zodat de rubric steeds uitgebreider wordt naarmate het bedrijf het systeem corrigeert.

De vergelijking in de kop is gebaseerd op 500 beoordeelde uitspraken waarbij een senior menselijke beoordelaar al had beslist. Het overeenstemmingspercentage van de agent, per model:

• GPT-6.1 Sol — 88,6% overeenstemming bij 500 beoordelingen

• Op een na beste model — 86,4% overeenstemming op dezelfde 500

• Verschil — 220 basispunten, of grofweg één extra overeenkomst per 45 uitspraken

Terminal X noemt één foutcategorie waarin de kloof zich concentreert: stijldrift. Een buyoutfonds waarvan het mandaat take-private-kandidaten betreft die tegen een korting op de intrinsieke waarde handelen, zou geen positie in noodlijdend krediet of reddingsfinanciering mogen aanbevelen wanneer scenariomodellen omslaan. De evaluatieagent op GPT-6.1 Sol ving ongeveer 25% meer van die afwijkingen van het mandaat dan het op één na beste model. Dat is een beperktere bewering dan "88,6% accuraat", en een nuttigere: het model merkt beter op dat een aanbeveling van de these is afgedwaald, wat de faalmodus is die een senior reviewer daadwerkelijk de hele dag probeert te betrappen.

Waarom de evaluatie van een fonds een ander soort benchmark is

Openbare benchmarks stellen elk model dezelfde vragen. Terminal X stelt elk model de vragen van één firma, tegen één rubric, in de huisstijl van die firma. Daardoor is het resultaat relevanter voor de koper en minder vergelijkbaar tussen kopers onderling — dezelfde testopzet bij een ander fonds zou andere criteria wegen, en de kloof van 220 punten zou gemakkelijk kleiner of groter kunnen worden.

Het maakt het resultaat ook duur om te controleren. Het reproduceren ervan vereist de rubric met 54 criteria en 500 beoordelingen, die geen van beide openbaar zijn. Wat openbaar is, is de vorm van de bewering en de productiecontext eromheen, en op die basis is het resultaat coherent: ongeveer 1.700 bedrijfs-Memories gebouwd, meer dan een miljoen aangepaste workflows uitgevoerd, en wekelijkse actieve gebruikers gelijk aan 81% van de maandelijkse actieve gebruikers — een stickinessratio die suggereert dat de agents binnen de werkweek worden gebruikt in plaats van uitgeprobeerd en verlaten. Eén private-equityfirma wordt genoemd met $2,4 miljoen aan jaarlijkse besparingen uit geautomatiseerde due-diligence- en memoworkflows. Dat alles is zoals de klant het zelf beschrijft.

De kostenregel is belangrijker dan de nauwkeurigheidsregel.

Volgens het verhaal voerde GPT-6.1 Sol dezelfde workflows uit tegen ongeveer 30% lagere kosten per query dan het op een na beste model, bij vergelijkbare snelheid. Terminal X schrijft dat toe aan token-efficiëntie bij werk met een lange context: het model kon een these toetsen aan het mandaat van het fonds, vervolgens aan de recente deals ervan, en daarna de onzekere verdicts opnieuw uitvoeren en met elkaar in overeenstemming brengen, allemaal binnen hetzelfde budget. Het is die diepgaandere beoordeling die deals aanmerkte die een enkele doorgang erdoorheen had gelaten.

Een kostenreductie van 30% per query is een veel groter commercieel gegeven dan 220 basispunten overeenstemming, omdat eval- en review-agents constant draaien en hun rekening meeschaalt met het volume. Het is ook het soort bewering dat een leveranciersverhaal er losjes bij kan doen — "vergelijkbare snelheid" is geen getal — dus het hoort in dezelfde categorie als de rest: in de juiste richting geloofwaardig, maar niet geverifieerd.

Wat GPT-6.1 Sol is, officieel bevestigd

GPT-6.1 Sol is het model dat O​penAI op 29 september 2026 heeft uitgebracht voor complexe programmeertaken en professioneel werk. Het is het enige model van GPT-6.1-niveau op O​penAI's modellenlijst — er is geen afzonderlijke, losstaande "GPT-6.1"-aanduiding, en een verzoek dat een dergelijke aanduiding bevat, wordt niet herkend. De huidige specificatie van de leverancier, zoals gepubliceerd:

• Prijs — $2,00 per miljoen invoertokens en $10,00 per miljoen uitvoertokens

• Gecachte invoer — $0,10 per miljoen; cache-schrijfacties $2,50 per miljoen

• Lange prompts — boven 272.000 inputtokens: input- en cachekosten 2× en output 1,5×

• Contextvenster — 1.050.000 tokens, met een maximale invoer van 922.000 en een maximale uitvoer van 128.000

• Modaliteiten — tekst en afbeelding in, tekst uit

• Redeneerinspanning — low, medium, high, xhigh en max; none en minimal worden geweigerd

• Kennisafsluitdatum — 30 april 2026

• Serviceniveaus — Fast tegen 2× standaard, Batch en Flex tegen 50% lager, Ultrafast tegen 6×, met datalocatie in de VS en de EU

Het onafhankelijke beeld op Artificial Analysis, gelezen op 21 oktober 2026, is één Intelligence Index van 52 bij maximale inspanning (index v4.3.2, tien evaluaties), geprijsd op $0,72 per indextaak en een gecombineerde $1,47 per miljoen tokens, met een outputsnelheid van 55,2 tokens per seconde. De ranglijst vermeldt ook een time to first token van 248 seconden bij die inspanningsinstelling, tegen een vergelijkingsmediaan van 3,69 seconden — wat de moeite waard is om te weten voordat iemand een synchrone UI op het maximale inspanningsniveau richt.

Die twee sets getallen beschrijven verschillende dingen, en de kloof ertussen is de eerlijke samenvatting van het model: een reasoning-niveau met 1M-context, geprijsd als een middenklassemodel, waarvan de kostenstructuur werkt voor batch-evaluatie en lange agentische runs, en niet werkt voor alles waar een mens interactief op wacht bij maximale inspanning.

Wat de 88,6% je niet vertelt

• Het is geen algemene maatstaf voor capaciteiten. Eén beoordelingskader, één mix van activaklassen, de standaarden van één bedrijf.

• Het gaat om overeenstemming met een mens, niet om correctheid. Een beoordelaar met een consistente vooringenomenheid en een model dat die deelt, zal goed scoren.

• De vergelijkingsset is niet genoemd. "Op een na beste model" kan een toonaangevende concurrent zijn of een veel goedkopere prijsklasse; zonder de naam kunnen de 220 basispunten niet worden beprijsd.

• De kosten per query zijn niet gedefinieerd. Of dat de extra beoordelingsrondes omvat die het model mogelijk maakt, is precies het soort detail dat de conclusie verandert.

• Niets hier is een rechtstreeks vergelijkbaar openbaar benchmarkresultaat. Op de enige onafhankelijke index die daadwerkelijk bestaat, staat GPT-6.1 Sol één punt onder GPT-6 Astra en vier punten boven de GPT-6 Sol-tier die het vervangt.

Een bewering als deze testen op je eigen gegevens

De enige manier om erachter te komen of het mandaatdrift-resultaat overdraagbaar is, is je eigen 200 tot 500 beoordelingen door twee modellen te laten lopen en ze af te zetten tegen je eigen beoordelaar.

Dat is nu een goedkoop experiment: GPT-6.1 Sol staat op de routes van OrcaRouter tegen de eigen lijstprijs van de leverancier, zonder extra opslag, dus een vergelijkbare run tegen GPT-6 Astra, GPT-6 Sol of GPT-6 Luna kost de tariefkaart en niets anders. Omdat alle vier de niveaus achter één sleutel zitten, is de vergelijking een wijziging van een modelstring in plaats van een tweede contract.

De eigen architectuur van Terminal X is het patroon dat het kopiëren waard is: leid de oordeelsintensieve fase — these-synthese, mandaatfit, de reconciliatieronde — naar het sterkste niveau dat je kunt verantwoorden, en leid extractie, classificatie en de stappen met hoog volume naar iets als GPT-6 Luna tegen $0,10 en $0,50 per miljoen tokens. De routing DSL bestaat juist zodat die splitsing in een configuratie kan leven in plaats van in applicatiecode, en automatische failover betekent dat een evaluatierun niet halverwege sterft omdat een upstream een slechte middag had.

Wat te kijken

Twee dingen zouden dit van een leveranciersanekdote in een resultaat veranderen. Ten eerste een tweede bedrijf dat zijn eigen overeenstemmingspercentage op een ander beoordelingskader publiceert — als 88,6% een eigenschap van het model is en niet van de meetopstelling van Terminal X, dan zouden een kredietdesk en een infrastructuurfonds in dezelfde buurt moeten uitkomen. Ten tweede de genoemde vergelijking. Een "op een na beste model" van 86,4% is het getal dat iedereen zal willen bevragen, en zolang het geen naam heeft, zijn de 220 basispunten een bewering over een categorie, geen vergelijking tussen twee producten.

Tot dan is de verdedigbare interpretatie smal en nog steeds nuttig: in één productie-investeringsworkflow kwam een model van GPT-6.1-niveau vaak genoeg overeen met een senior reviewer om de eerste ronde te automatiseren, ving het ongeveer een kwart meer mandaatafwijking op dan waarmee het werd vergeleken, en deed het dat voor ongeveer 30% minder per query. Dat is een goede reden om je eigen test uit te voeren. Het is nog geen reden om er een over te slaan.