Terminal X zgadza się ze swoimi inwestorami seniorami w 88,6% przypadków w sprawie GPT-6.1 Sol — i oszczędza przy tym 30%.

Najciekawszą liczbą w opublikowanym 20 października 2026 r. przez OpenAI tekście o Terminal X nie jest nazwa modelu. To 88,6% — odsetek 500 ocenionych osądów inwestycyjnych, w których agent ewaluacyjny działający na GPT-6.1 Sol uzyskał ten sam werdykt co starszy ludzki recenzent firmy. Następny najlepszy model w tym samym środowisku testowym osiągnął 86,4%. Dzieli je dwieście dwadzieścia punktów bazowych, a około 30% różni ich koszt na zapytanie. Terminal X używa również GPT-6 Luna do kroków o dużym wolumenie, a podział między tymi dwoma poziomami to właściwa historia inżynierska tego tekstu: osąd tam, gdzie jest potrzebny, a przepustowość wszędzie indziej. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są zebrane w Archiwum incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i flagę sporną.

Jedną rzecz trzeba wyjaśnić, zanim te liczby zostaną przytoczone przy biurku: to historia klienta opublikowana przez dostawcę modelu, zmierzona przez klienta, według własnych kryteriów klienta. To prawdziwy wynik w tym sensie, że środowisko testowe istnieje i działa produkcyjnie, ale w żadnym sensie nie jest niezależnym benchmarkiem. Nikt poza Terminal X nie odtworzył 88.6%. Traktuj go jako najbardziej szczegółowy dotychczasowy publiczny dowód na to, jak model klasy GPT-6.1 zachowuje się w pracy wymagającej profesjonalnego osądu — a nie jako pozycję w rankingu.

Co faktycznie zmierzono

Terminal X sprzedaje coś, co nazywa Capital Memory: należący do firmy system, który indeksuje data roomy, modele, notatki, dokumenty urzędowe, e-maile i historię komitetu inwestycyjnego, a następnie koduje sposób podejmowania decyzji przez konkretny desk w agentów należących do firmy, wdrażanych lokalnie lub w chmurze firmy. Kadra inżynierska to byli specjaliści od finansów i inwestycji; przez tygodnie siedzą z każdym klientem, inżynierując wstecz rozumowanie, które nigdy nie zostało zapisane — jak desk kredytowy ocenia pożyczkobiorcę, po jakie źródła sięga zespół współinwestycyjny przed przygotowaniem notatki.

Warstwa ewaluacji jest osobnym agentem. Zgodnie z opisem odczytuje każde wyjście produkcyjne względem rubryki 54 kryteriów i zwraca wynik zaliczenia lub niezaliczenia dla każdego kryterium, wraz z jednozdaniowym uzasadnieniem i poprawionym źródłem dla każdego niepowodzenia. Te niepowodzenia stają się nowymi instrukcjami przepływu pracy i nowymi przypadkami testowymi, więc rubryka rozbudowuje się, gdy firma koryguje system.

Porównanie przedstawione w nagłówku pochodzi z 500 ocenionych rozstrzygnięć, które wcześniej zatwierdził doświadczony recenzent człowiek. Odsetek zgodności agenta według modelu:

• GPT-6.1 Sol — 88,6% zgodności w 500 ocenach

• Drugi najlepszy model — 86,4% zgodności na tych samych 500

• Luka — 220 punktów bazowych, czyli około jednej dodatkowej ugody na 45 orzeczeń

Terminal X wymienia jedną klasę błędów, w której kumuluje się luka: dryf stylu. Fundusz buyout, którego mandatem są kandydaci do take-private notowani z dyskontem do wartości aktywów netto, nie powinien rekomendować pozycji w zagrożonym zadłużeniu ani finansowania ratunkowego, gdy modele scenariuszowe się odwracają. Agent ewaluacyjny na GPT-6.1 Sol wychwycił o około 25% więcej takich odejść od mandatu niż drugi najlepszy model. To węższe twierdzenie niż „88,6% dokładności” i zarazem bardziej użyteczne: model lepiej zauważa, że rekomendacja odeszła od tezy, czyli wychwytuje wzorzec błędu, którego wyłapywaniu starszy recenzent faktycznie poświęca cały dzień.

Dlaczego ewaluacja funduszu to inny rodzaj benchmarku

Publiczne benchmarki zadają każdemu modelowi te same pytania. Terminal X zadaje każdemu modelowi pytania jednej firmy, według jednego zestawu kryteriów, w stylu właściwym dla tej firmy. Dzięki temu wynik jest bardziej istotny dla kupującego, a mniej porównywalny między kupującymi — ten sam zestaw testowy w innym funduszu uwzględniałby inne kryteria, a różnica 220 punktów mogłaby łatwo się zmniejszyć lub zwiększyć.

Sprawia to również, że sprawdzenie wyniku jest kosztowne. Odtworzenie go wymaga matrycy 54 kryteriów i 500 ocen, przy czym ani matryca, ani oceny nie są publicznie dostępne. Publiczny jest natomiast kształt twierdzenia i otaczający je kontekst produkcyjny, a na tej podstawie wynik jest spójny: zbudowano około 1700 firmowych Memories, uruchomiono ponad milion niestandardowych przepływów pracy, a tygodniowo aktywni użytkownicy stanowią 81% miesięcznie aktywnych — wskaźnik przywiązania, który sugeruje, że agenci są używani w ciągu tygodnia pracy, a nie testowani i porzucani. Wskazuje się, że pewna firma private equity osiąga 2,4 mln USD oszczędności w ujęciu rocznym dzięki zautomatyzowanym przepływom pracy w zakresie due diligence i memorandów. Wszystko to pochodzi z relacji samego klienta.

Linia kosztów ma większe znaczenie niż linia dokładności.

Według tej historii GPT-6.1 Sol wykonywał te same przepływy pracy przy około 30% niższym koszcie na zapytanie niż następny najlepszy model, przy podobnej szybkości. Terminal X przypisuje to wydajności tokenowej w pracy z długim kontekstem: model mógł zestawić tezę z mandatem funduszu, następnie z jego niedawnymi transakcjami, a potem ponownie uruchomić niepewne werdykty i uzgodnić je — wszystko w ramach tego samego budżetu. To głębsza analiza wskazała transakcje, które pojedyncze przejście przepuściło.

Obniżenie kosztów o 30% w przeliczeniu na jedno zapytanie to znacznie większy fakt komercyjny niż 220 punktów bazowych zgodności, ponieważ agenci ewaluacji i przeglądu są uruchamiani nieustannie, a ich rachunek skaluje się wraz z wolumenem. To także rodzaj twierdzenia, które narracja dostawcy może sformułować luźno — „podobna prędkość” nie jest liczbą — więc należy do tej samej kategorii co reszta: wiarygodne kierunkowo, niezweryfikowane.

Czym jest GPT-6.1 Sol, oficjalnie

GPT-6.1 Sol to model, który O​penAI udostępniło 29 września 2026 r. do złożonego programowania i pracy zawodowej. To jedyny model klasy GPT-6.1 na liście modeli O​penAI — nie istnieje osobny, samodzielny identyfikator „GPT-6.1”, a żądanie zawierające taki identyfikator nie zostanie rozpoznane. Aktualna specyfikacja dostawcy, zgodnie z publikacją:

• Cena — 2,00 USD za milion tokenów wejściowych i 10,00 USD za milion tokenów wyjściowych

• Buforowane dane wejściowe — $0.10 za milion; zapisy do pamięci podręcznej — $2.50 za milion

• Długie prompty — powyżej 272 000 tokenów wejściowych koszt wejścia i pamięci podręcznej wynosi 2×, a wyjścia 1,5×

• Okno kontekstu — 1 050 000 tokenów, z maksymalnym wejściem 922 000 i maksymalnym wyjściem 128 000

• Modalności — tekst i obraz na wejściu, tekst na wyjściu

• Poziom wysiłku rozumowania — low, medium, high, xhigh i max; none i minimal są odrzucane

• Granica wiedzy — 30 kwietnia 2026

• Poziomy usług — Fast w cenie 2× standardu, Batch i Flex o 50% taniej, Ultrafast w cenie 6× standardu, z rezydencją danych w USA i UE

Niezależny obraz w Artificial Analysis, odczytany 21 października 2026 r., to pojedynczy Intelligence Index wynoszący 52 przy maksymalnym wysiłku (index v4.3.2, dziesięć ocen), wyceniony na 0,72 USD za zadanie indeksowe i łączną stawkę 1,47 USD za milion tokenów, przy prędkości wyjściowej 55,2 tokenu na sekundę. Ranking odnotowuje również czas do pierwszego tokenu wynoszący 248 sekund przy tym ustawieniu wysiłku, wobec mediany komparatora wynoszącej 3,69 sekundy — co warto wiedzieć, zanim ktokolwiek skieruje synchroniczny interfejs użytkownika na poziom maksymalnego wysiłku.

Te dwa zestawy liczb opisują różne rzeczy, a różnica między nimi jest uczciwym podsumowaniem modelu: warstwa rozumowania z kontekstem 1M wyceniona jak model średniej klasy, której ekonomika sprawdza się przy ocenie wsadowej i długich przebiegach agentowych, a nie sprawdza się w niczym, na co człowiek czeka interaktywnie przy maksymalnym wysiłku.

Czego nie mówi ci 88,6%

• To nie jest ogólny miernik zdolności. Jeden zestaw kryteriów, jedna struktura klas aktywów, standardy jednej firmy.

• To zgodność z człowiekiem, a nie poprawność. Recenzent z konsekwentnym uprzedzeniem i model, który je podziela, uzyska dobry wynik.

• Zbiór porównawczy nie został nazwany. „Drugi najlepszy model” może oznaczać konkurenta z czołówki lub znacznie tańszą półkę; bez nazwy nie da się wycenić 220 punktów bazowych.

• Koszt na zapytanie nie jest zdefiniowany. To, czy obejmuje on dodatkowe przebiegi weryfikacji, które umożliwia model, to właśnie ten rodzaj szczegółu, który zmienia wniosek.

• Nic tutaj nie jest porównywalnym wynikiem publicznego benchmarku. W jedynym istniejącym niezależnym indeksie GPT-6.1 Sol plasuje się o jeden punkt poniżej GPT-6 Astra i o cztery punkty powyżej zastąpionego przez siebie poziomu GPT-6 Sol.

Testowanie takiego twierdzenia na własnych danych

Jedynym sposobem, aby dowiedzieć się, czy wynik dotyczący dryfu mandatu się przenosi, jest przepuszczenie własnych od 200 do 500 ocen przez dwa modele i ocenienie ich względem własnego recenzenta.

To teraz tani eksperyment: GPT-6.1 Sol jest dostępny w routingu OrcaRouter po własnej cenie katalogowej dostawcy, bez doliczonej marży, więc porównywalne uruchomienie względem GPT-6 Astra, GPT-6 Sol lub GPT-6 Luna kosztuje tyle, ile wynika z cennika, i nic więcej. Ponieważ wszystkie cztery poziomy są dostępne pod jednym kluczem, porównanie sprowadza się do zmiany ciągu modelu, a nie do podpisania drugiej umowy.

Własna architektura Terminal X to wzorzec wart skopiowania: etap wymagający dużego osądu — syntezę tezy, dopasowanie do mandatu, przebieg uzgadniania — kieruj do najsilniejszego poziomu, jaki możesz uzasadnić, a ekstrakcję, klasyfikację i kroki o dużym wolumenie kieruj do czegoś w rodzaju GPT-6 Luna po $0.10 i $0.50 za milion tokenów. DSL routingu istnieje właśnie po to, aby ten podział mógł żyć w konfiguracji, a nie w kodzie aplikacji, a automatyczne przełączanie awaryjne oznacza, że przebieg ewaluacji nie ginie w połowie, bo jednemu upstreamowi przydarzyło się złe popołudnie.

Co obejrzeć

Dwie rzeczy zamieniłyby to z anegdoty dostawcy w wynik. Po pierwsze, druga firma publikująca własny wskaźnik zgodności według innych kryteriów — jeśli 88,6% jest właściwością modelu, a nie środowiska testowego Terminal X, biuro kredytowe i fundusz infrastrukturalny powinny wypaść podobnie. Po drugie, porównanie z nazwą. „Drugi najlepszy model” z wynikiem 86,4% to liczba, którą wszyscy będą chcieli poddać weryfikacji, a dopóki nie ma nazwy, 220 punktów bazowych jest twierdzeniem o kategorii, a nie porównaniem dwóch produktów.

Do tego czasu możliwa do obrony interpretacja jest wąska, ale wciąż użyteczna: w jednym produkcyjnym procesie inwestycyjnym model klasy GPT-6.1 wystarczająco często zgadzał się ze starszym recenzentem, by zautomatyzować pierwszy etap, wychwytywał około jedną czwartą więcej odchyleń od mandatu niż cokolwiek, z czym go porównywano, i robił to za około 30% mniej na zapytanie. To dobry powód, by przeprowadzić własny test. To jeszcze nie powód, by go pomijać.