Terminal X concorda com seus investidores seniores 88,6% das vezes sobre o GPT-6.1 Sol — e economiza 30% ao fazer isso

O número mais interessante no relatório da OpenAI de 20 de outubro de 2026 sobre o Terminal X não é o nome do modelo. É 88,6% — a proporção de 500 julgamentos de investimento pontuados em que um agente de avaliação executado em GPT-6.1 Sol chegou ao mesmo veredito que o revisor humano sênior da empresa. O segundo melhor modelo no mesmo harness alcançou 86,4%. Duzentos e vinte pontos-base os separam, e cerca de 30% separa o custo por consulta deles. O Terminal X também executa GPT-6 Luna para as etapas de alto volume, e a divisão entre esses dois níveis é a verdadeira história de engenharia aqui: julgamento onde o julgamento é necessário, capacidade de processamento em todo o resto. As falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, nível de confiança e flag de contestação.

Uma coisa precisa ficar clara antes que os números comecem a ser citados por aí: este é um relato de cliente publicado pelo fornecedor do modelo, medido pelo cliente, com os critérios do próprio cliente. É um resultado real no sentido de que o harness existe e roda em produção, e não é um benchmark independente em nenhum sentido. Ninguém fora da Terminal X reproduziu os 88,6%. Trate-o como a evidência pública mais detalhada até agora sobre como um modelo de nível GPT-6.1 se comporta em trabalho de julgamento profissional — não como uma posição em um ranking.

O que foi realmente medido

A Terminal X vende o que chama de Capital Memory: um sistema próprio da firma que indexa data rooms, modelos, memorandos, documentos protocolados, e-mails e o histórico do comitê de investimentos, e então codifica a forma como uma determinada mesa toma decisões em agentes de propriedade da firma, implantados on-premise ou na nuvem própria dela. A equipe de engenharia é formada por ex-profissionais de finanças e de investimentos, e eles passam semanas com cada cliente fazendo engenharia reversa do raciocínio que nunca foi escrito — como a mesa de crédito avalia um tomador, quais fontes a equipe de co-investimento consulta antes de um memorando.

A camada de avaliação é um agente separado. Segundo o relato, ela lê cada saída de produção em relação a uma rubrica de 54 critérios e retorna aprovação ou reprovação por critério, com um motivo de uma linha e uma fonte corrigida para cada falha. Essas falhas se tornam novas instruções de fluxo de trabalho e novos casos de teste, de modo que a rubrica se torna mais robusta à medida que a empresa corrige o sistema.

A comparação principal vem de 500 julgamentos pontuados nos quais um revisor humano sênior já havia dado o veredito. A taxa de concordância do agente, por modelo:

• GPT-6.1 Sol — 88,6% de concordância em 500 julgamentos

• Próximo melhor modelo — 86,4% de concordância nos mesmos 500

• Lacuna — 220 pontos-base, ou aproximadamente uma concordância adicional a cada 45 julgamentos

O Terminal X nomeia uma classe de erro em que a lacuna se concentra: desvio de estilo. Um fundo de buyout cujo mandato são candidatos a take-private negociados com desconto em relação ao valor patrimonial líquido não deveria recomendar uma posição de crédito distressed ou um financiamento de resgate quando os modelos de cenário mudam. O agente de avaliação no GPT-6.1 Sol detectou cerca de 25% mais desses desvios de mandato do que o segundo melhor modelo. Essa é uma afirmação mais estreita do que "88,6% de precisão", e mais útil: o modelo é melhor em perceber que uma recomendação se desviou da tese, que é o modo de falha que um revisor sênior de fato passa o dia tentando detectar.

Por que a avaliação de um fundo é um tipo diferente de benchmark

Benchmarks públicos fazem as mesmas perguntas a todos os modelos. O Terminal X faz a cada modelo as perguntas de uma única firma, segundo uma única rubrica, no estilo próprio da firma. Isso torna o resultado mais relevante para o comprador e menos comparável entre compradores — o mesmo conjunto de avaliação em um fundo diferente ponderaria critérios diferentes, e a diferença de 220 pontos poderia facilmente diminuir ou aumentar.

Também torna o resultado caro de verificar. Reproduzi-lo exige a rubrica de 54 critérios e 500 julgamentos, e nenhum dos dois é público. O que é público é a forma da alegação e o contexto de produção em torno dela e, com base nisso, o resultado é coerente: cerca de 1.700 Memories corporativas criadas, mais de um milhão de fluxos de trabalho personalizados executados e usuários ativos semanais equivalentes a 81% dos ativos mensais — um índice de engajamento que sugere que os agentes estão sendo usados durante a semana de trabalho, em vez de testados e abandonados. Uma empresa de private equity é citada com US$ 2,4 milhões em economias anualizadas provenientes de due diligence automatizada e fluxos de trabalho de memorandos. Tudo isso é o relato do próprio cliente.

A linha de custo importa mais do que a linha de precisão.

Segundo a história, o GPT-6.1 Sol executou os mesmos fluxos de trabalho a um custo por consulta cerca de 30% menor do que o segundo melhor modelo, com velocidade semelhante. A Terminal X atribui isso à eficiência de tokens em trabalhos de contexto longo: o modelo conseguia testar uma tese contra o mandato do fundo, depois contra suas transações recentes, depois reexecutar os veredictos incertos e reconciliar, tudo dentro do mesmo orçamento. Foi essa revisão mais profunda que sinalizou negócios que uma única passagem havia deixado passar.

Uma redução de custo de 30% por consulta é um fato comercial muito maior do que 220 pontos-base de concordância, porque agentes de avaliação e revisão são executados constantemente e sua conta escala com o volume. É também o tipo de alegação que uma narrativa de fornecedor pode fazer de forma vaga — "velocidade semelhante" não é um número —, então pertence à mesma categoria que o resto: crível em termos de direção, não verificada.

O que o GPT-6.1 Sol é, oficialmente

O GPT-6.1 Sol é o modelo que a O​penAI lançou em 29 de setembro de 2026 para codificação complexa e trabalho profissional. É o único modelo do nível GPT-6.1 na lista de modelos da O​penAI — não existe um identificador separado e isolado "GPT-6.1", e uma requisição que nomeie um não será resolvida. A especificação atual do fornecedor, conforme publicada:

• Preço — US$ 2,00 por milhão de tokens de entrada e US$ 10,00 por milhão de tokens de saída

• Entrada em cache — US$ 0,10 por milhão; gravações no cache US$ 2,50 por milhão

• Prompts longos — acima de 272.000 tokens de entrada, o custo de entrada e cache é 2× e o de saída é 1,5×

• Janela de contexto — 1.050.000 tokens, com entrada máxima de 922.000 e saída máxima de 128.000

• Modalidades — entrada de texto e imagem, saída de texto

• Esforço de raciocínio — baixo, médio, alto, xhigh e máximo; nenhum e mínimo são rejeitados

• Limite de conhecimento — 30 de abril de 2026

• Níveis de serviço — Fast a 2× o padrão, Batch e Flex 50% abaixo, Ultrafast a 6×, com residência de dados nos EUA e na UE

A visão independente no Artificial Analysis, consultada em 21 de outubro de 2026, é um único Índice de Inteligência de 52 em esforço máximo (índice v4.3.2, dez avaliações), com preço de US$ 0,72 por tarefa de índice e US$ 1,47 combinados por milhão de tokens, com velocidade de saída de 55,2 tokens por segundo. O painel também registra um tempo até o primeiro token de 248 segundos nessa configuração de esforço, contra uma mediana de comparadores de 3,69 segundos — o que vale a pena saber antes que alguém direcione uma interface síncrona para o nível de esforço máximo.

Esses dois conjuntos de números descrevem coisas diferentes, e a diferença entre eles é o resumo honesto do modelo: um nível de raciocínio com contexto de 1M e preço de modelo de nível intermediário, cuja economia funciona para avaliação em lote e execuções agênticas longas, e não funciona para nada em que uma pessoa espere interativamente com esforço máximo.

O que os 88,6% não lhe dizem

• Não é uma medida de capacidade geral. Uma rubrica, um mix de classes de ativos, os padrões de uma única empresa.

• Trata-se de concordância com um humano, não de correção. Um revisor com um viés consistente e um modelo que compartilhe desse viés terá uma boa pontuação.

• O conjunto de comparação não tem nome. "Segundo melhor modelo" pode ser um concorrente de ponta ou um nível muito mais barato; sem o nome, os 220 pontos-base não podem ser precificados.

• O custo por consulta não está definido. Se isso inclui as passagens extras de revisão que o modelo possibilita é exatamente o tipo de detalhe que muda a conclusão.

Nada aqui é um resultado de benchmark público diretamente comparável. No único índice independente que existe, o GPT-6.1 Sol fica um ponto abaixo do GPT-6 Astra e quatro pontos acima do nível GPT-6 Sol que substituiu.

Testar uma afirmação como esta com seus próprios dados

A única forma de saber se o resultado de mandate-drift se transfere é executar seus próprios 200 a 500 julgamentos em dois modelos e pontuá-los em comparação com seu próprio revisor.

Isso agora é um experimento barato: o GPT-6.1 Sol está nas rotas do OrcaRouter pelo preço de tabela do próprio fornecedor, sem acréscimo, então uma execução comparável contra GPT-6 Astra, GPT-6 Sol ou GPT-6 Luna custa a tabela de preços e nada mais. Como os quatro níveis ficam atrás de uma única chave, a comparação é uma mudança em uma string de modelo, e não um segundo contrato.

A arquitetura do próprio Terminal X é o padrão que vale copiar: direcione a etapa com uso intensivo de julgamento — síntese de tese, aderência ao mandato, a etapa de reconciliação — para a camada mais forte que você puder justificar, e direcione extração, classificação e as etapas de alto volume para algo como GPT-6 Luna a $0.10 e $0.50 por milhão de tokens. O DSL de roteamento existe justamente para que essa divisão fique em uma configuração, e não no código da aplicação, e o failover automático significa que uma execução de avaliação não é interrompida no meio porque um dos serviços upstream teve um dia ruim.

O que assistir

Duas coisas transformariam isto de uma anedota de fornecedor em um resultado. Primeiro, uma segunda empresa publicando sua própria taxa de concordância em uma rubrica diferente — se 88,6% é uma propriedade do modelo e não da estrutura de avaliação do Terminal X, uma mesa de crédito e um fundo de infraestrutura deveriam chegar à mesma faixa. Segundo, a comparação nominal. Um “segundo melhor modelo” com 86,4% é o número que todos vão querer questionar, e até que tenha um nome, os 220 pontos-base são uma afirmação sobre uma categoria, não uma comparação entre dois produtos.

Até lá, a leitura defensável é estreita e ainda assim útil: em um fluxo de trabalho de investimento em produção, um modelo de nível GPT-6.1 concordou com um revisor sênior com frequência suficiente para automatizar a primeira passagem, detectou cerca de um quarto a mais de desvio de mandato do que aquilo com que foi comparado e fez isso por cerca de 30% menos por consulta. Isso é um bom motivo para você fazer seu próprio teste. Ainda não é motivo para deixar de fazê-lo.