Terminal X соглашается со своими старшими инвесторами в 88,6% случаев по GPT-6.1 Sol — и экономит 30% при этом

Самое интересное число в опубликованном OpenAI 20 октября 2026 года материале о Terminal X — не название модели. Это 88,6% — доля из 500 оценённых инвестиционных суждений, в которых агент оценки, работающий на GPT-6.1 Sol, пришёл к тому же выводу, что и старший рецензент-человек фирмы. Следующая по качеству модель в том же стенде показала 86,4%. Их разделяют 220 базисных пунктов, а стоимость запроса у них различается примерно на 30%. Terminal X также использует GPT-6 Luna для высоконагруженных этапов, и распределение между этими двумя уровнями — это и есть настоящая инженерная история: суждение там, где нужно суждение, пропускная способность — во всём остальном. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, уровень уверенности и отметку о спорности.

Прежде чем эти цифры начнут цитировать в кулуарах, важно прояснить одну вещь: это история клиента, опубликованная поставщиком модели, измеренная клиентом по собственной методике клиента. Это реальный результат в том смысле, что стенд существует и работает в продакшене, но это ни в каком смысле не независимый бенчмарк. Никто за пределами Terminal X не воспроизвёл 88,6%. Относитесь к этому как к самым подробным публичным свидетельствам на сегодняшний день о том, как модель уровня GPT-6.1 справляется с работой, требующей профессионального суждения, — а не как к строчке в рейтинге.

Что на самом деле измерялось

Terminal X продает то, что называет Capital Memory: принадлежащую фирме систему, которая индексирует дата-румы, модели, меморандумы, финансовые документы, электронные письма и историю инвестиционного комитета, а затем кодирует то, как конкретный деск принимает решения, в принадлежащих фирме агентов, развернутых на локальной инфраструктуре или в ее собственном облаке. Инженерный персонал состоит из бывших финансистов и инвестиционных специалистов, и они неделями работают с каждым клиентом, реконструируя логику, которая никогда не была записана, — как кредитный деск проверяет заемщика, какие источники команда соинвестирования подтягивает перед подготовкой меморандума.

Слой оценки — это отдельный агент. Согласно истории, он проверяет каждый производственный результат по рубрике из 54 критериев и возвращает по каждому критерию статус «пройдено» или «не пройдено», с причиной в одну строку и исправленным источником для каждого провала. Эти провалы становятся новыми инструкциями для рабочего процесса и новыми тестовыми примерами, поэтому рубрика разрастается по мере того, как фирма корректирует систему.

Сравнение в заголовке основано на 500 оценённых суждениях, по которым уже вынес решение старший проверяющий-человек. Доля согласия агента по моделям:

• GPT-6.1 Sol — 88,6% согласия по 500 суждениям

• Вторая по качеству модель — 86,4% согласия на тех же 500

• Разрыв — 220 базисных пунктов, или примерно одно дополнительное соглашение на 45 судебных решений

Terminal X называет один класс ошибок, где разрыв концентрируется: стилевой дрейф. Фонд выкупа, чей мандат — кандидаты на take-private, торгующиеся с дисконтом к стоимости чистых активов, не должен рекомендовать позицию в distressed credit или спасательное финансирование, когда сценарные модели переворачиваются. Оценочный агент на GPT-6.1 Sol выявил примерно на 25% больше таких отклонений от мандата, чем следующая лучшая модель. Это более узкое утверждение, чем «88,6% точности», и более полезное: модель лучше замечает, что рекомендация отклонилась от тезиса, а это именно тот тип сбоя, который старший проверяющий на самом деле ловит весь день.

Почему оценка фонда — это другой тип бенчмарка

Публичные бенчмарки задают всем моделям одни и те же вопросы. Terminal X задаёт каждой модели вопросы одной фирмы, по одной рубрике, в собственном фирменном стиле этой фирмы. Это делает результат более релевантным для покупателя и менее сопоставимым между покупателями — тот же стенд в другом фонде взвешивал бы иные критерии, и разрыв в 220 пунктов мог бы легко сжаться или расшириться.

Это также делает результат дорогостоящим для проверки. Для его воспроизведения нужны рубрика из 54 критериев и 500 оценок, и ни то, ни другое не опубликовано. Публично известны лишь форма утверждения и производственный контекст вокруг него, и на этом основании результат выглядит непротиворечивым: создано примерно 1700 корпоративных Memories, запущено более миллиона настраиваемых рабочих процессов, а еженедельно активные пользователи составляют 81% от ежемесячно активных — коэффициент удержания, который говорит о том, что агентов используют в течение рабочей недели, а не тестируют и забрасывают. Одна фирма прямых инвестиций упоминается в связи с экономией в 2,4 млн долларов в год за счёт автоматизированных рабочих процессов комплексной проверки и подготовки меморандумов. Всё это — по словам самого клиента.

Строка затрат важнее строки точности.

Согласно этому материалу, GPT-6.1 Sol выполнял те же рабочие процессы при примерно на 30% более низкой стоимости запроса, чем следующая лучшая модель, при сопоставимой скорости. Terminal X объясняет это эффективностью использования токенов при работе с длинным контекстом: модель могла проверить тезис на соответствие мандату фонда, затем — на соответствие его недавним сделкам, затем повторно прогнать неопределённые вердикты и согласовать их — и всё это в рамках одного и того же бюджета. Именно этот более глубокий анализ выявил сделки, которые были пропущены при однократной проверке.

Сокращение затрат на 30% в расчёте на один запрос — это гораздо более крупный коммерческий факт, чем 220 базисных пунктов согласия, потому что агенты оценки и проверки запускаются постоянно, а их счёт растёт с объёмом. Это также относится к тому типу заявлений, которые история поставщика может делать нестрого — «похожая скорость» не является числом, — поэтому оно попадает в ту же категорию, что и остальное: правдоподобно по направлению, но не проверено.

Что такое GPT-6.1 Sol, официально

GPT-6.1 Sol — модель, выпущенная O​penAI 29 сентября 2026 года для сложного программирования и профессиональной работы. Это единственная модель уровня GPT-6.1 в списке моделей O​penAI — отдельного идентификатора «GPT-6.1» без дополнений нет, и запрос с указанием такого идентификатора не будет разрешён. Текущая спецификация производителя, как опубликовано:

• Цена — $2.00 за миллион входных токенов и $10.00 за миллион выходных токенов

• Кэшированный ввод — 0,10 $ за миллион; записи в кэш — 2,50 $ за миллион

• Длинные промпты — свыше 272 000 входных токенов: стоимость входных данных и кэша — 2×, а выходных — 1,5×

• Контекстное окно — 1 050 000 токенов, при этом максимум 922 000 на вход и 128 000 на выход

• Модальности — на входе текст и изображение, на выходе текст

• Усилие рассуждения — low, medium, high, xhigh и max; none и minimal отклоняются.

• Знания до — 30 апреля 2026 г.

• Уровни обслуживания — Fast в 2 раза дороже стандартного, Batch и Flex на 50% дешевле, Ultrafast в 6 раз дороже, с размещением данных в США и ЕС.

Независимая картина на Artificial Analysis по состоянию на 21 октября 2026 года — это единый Intelligence Index, равный 52 при максимальном усилии (индекс v4.3.2, десять оценок), по цене $0.72 за задачу индекса и смешанной цене $1.47 за миллион токенов, при скорости вывода 55.2 токена в секунду. Панель также фиксирует время до первого токена 248 секунд при этой настройке усилия против медианы компаратора 3.69 секунды — что стоит знать, прежде чем кто-либо направит синхронный UI на уровень максимального усилия.

Эти два набора чисел описывают разные вещи, и разрыв между ними — это честная сводка о модели: {{1}}уровень рассуждений с контекстом 1M{{/1}}, цена которого соответствует модели среднего уровня, чья экономика работает для пакетной оценки и длительных агентных прогонов и не работает для чего-либо, чего человек ждёт в интерактивном режиме при максимальных усилиях.

О чём вам не говорит показатель 88,6%

• Это не общий показатель возможностей. Одна методика оценки, одно сочетание классов активов, стандарты одной фирмы.

• Это согласие с человеком, а не корректность. Рецензент с устойчивым предубеждением и модель, разделяющая его, получат высокую оценку.

• Сравнительный набор не назван. «Следующая по качеству модель» может быть как конкурентом фронтирного уровня, так и представителем гораздо более дешёвого сегмента; без названия 220 базисных пунктов не оценить.

• Стоимость одного запроса не определена. Входят ли в неё те дополнительные проходы проверки, которые позволяет выполнять модель, — это как раз та деталь, которая меняет вывод.

• Ничто здесь не является сопоставимым результатом публичного бенчмарка. В единственном независимом индексе, который существует, GPT-6.1 Sol находится на один балл ниже GPT-6 Astra и на четыре балла выше уровня GPT-6 Sol, который он заменил.

Проверка такого утверждения на ваших собственных данных

Единственный способ узнать, переносится ли результат дрейфа мандата, — прогнать свои собственные 200–500 суждений через две модели и оценить их в сравнении с вашим собственным ревьюером.

{{1}}Теперь это недорогой эксперимент: GPT-6.1 Sol доступен на маршрутах OrcaRouter по собственной прейскурантной цене поставщика, без наценки, так что сопоставимый запуск против GPT-6 Astra, GPT-6 Sol или GPT-6 Luna обойдётся ровно по тарифу и ни во что больше. Поскольку все четыре уровня доступны через один ключ, сравнение сводится к изменению строки модели, а не к заключению второго договора.{{/1}}

Собственная архитектура Terminal X — это тот шаблон, который стоит копировать: направляйте этап, требующий серьёзных суждений — синтез тезисов, проверку соответствия мандату, проход сверки — на максимально сильный уровень, который вы можете обосновать, а извлечение, классификацию и высоконагруженные шаги — на что-то вроде GPT-6 Luna за $0.10 и $0.50 за миллион токенов. DSL маршрутизации существует именно для того, чтобы это разделение жило в конфигурации, а не в коде приложения, а автоматическое переключение при сбое означает, что прогон оценки не умрёт на полпути из-за того, что у одного из upstream-сервисов выдался плохой день.

Что посмотреть

Две вещи превратили бы это из истории от поставщика в результат. Во-первых, вторая фирма, публикующая собственный показатель согласия по другой методике: если 88,6% — это свойство модели, а не тестового стенда Terminal X, то кредитный отдел и инфраструктурный фонд должны оказаться в одном диапазоне. Во-вторых, названное сравнение. Показатель 86,4% у «следующей лучшей модели» — это число, которое все захотят проверить, и пока у неё нет имени, эти 220 базисных пунктов остаются утверждением о категории, а не сравнением двух продуктов.

До тех пор защитимая интерпретация остаётся узкой, но всё ещё полезной: в одном рабочем процессе инвестиций в продакшене модель уровня GPT-6.1 достаточно часто соглашалась со старшим рецензентом, чтобы автоматизировать первый этап, выявляла примерно на четверть больше отклонений от мандата, чем то, с чем её сравнивали, и делала это примерно на 30% дешевле за запрос. Это веская причина провести собственный тест. Но это пока не причина от него отказаться.