Terminal X är överens med sina seniora investerare om GPT-6.1 Sol 88,6 % av tiden – och sparar 30 % på det

Det mest intressanta talet i OpenAI:s genomgång från den 20 oktober 2026 av Terminal X är inte modellens namn. Det är 88,6 % – andelen av 500 poängsatta investeringsbedömningar där en utvärderingsagent som kör på GPT-6.1 Sol nådde samma slutsats som den seniora mänskliga granskaren på företaget. Den näst bästa modellen i samma testrigg klarade 86,4 %. Tvåhundratjugo baspunkter skiljer dem åt, och deras kostnad per förfrågan skiljer sig med ungefär 30 %. Terminal X kör också GPT-6 Luna för stegen med hög volym, och uppdelningen mellan dessa två nivåer är den egentliga ingenjörshistorien här: bedömning där bedömning behövs, genomströmning överallt annars. De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

En sak som bör vara klar innan siffrorna börjar citeras på kontoret: detta är en kundberättelse som publicerats av modellleverantören, mätt av kunden, enligt kundens eget bedömningskriterium. Det är ett verkligt resultat i den meningen att testramverket finns och körs i produktion, och det är inte en oberoende benchmark i någon mening. Ingen utanför Terminal X har reproducerat 88,6 %. Se det som det hittills mest detaljerade offentliga beviset på hur en modell på GPT-6.1-nivå beter sig i arbete som kräver professionellt omdöme – inte som en post på en resultattavla.

Vad mättes faktiskt?

Terminal X säljer vad man kallar Capital Memory: ett företagsägt system som indexerar datarum, modeller, PM, inlämningar, e-post och investeringskommitténs historik, och sedan kodar in hur en viss avdelning fattar beslut i agenter som företaget äger, driftsatta lokalt eller i företagets egen molnmiljö. Ingenjörsstaben består av tidigare finans- och investeringsproffs, och de sitter tillsammans med varje kund i veckor för att baklängeskonstruera resonemanget som aldrig skrevs ned – hur kreditavdelningen granskar en låntagare, vilka källor saminvesteringsteamet hämtar in före ett PM.

Utvärderingslagret är en separat agent. Enligt beskrivningen läser den varje produktionsutdata mot en bedömningsmall med 54 kriterier och returnerar godkänt eller underkänt per kriterium, med en enradig anledning och en korrigerad källa för varje underkännande. Dessa underkännanden blir nya arbetsflödesinstruktioner och nya testfall, så bedömningsmallen blir mer omfattande i takt med att företaget korrigerar systemet.

Huvudjämförelsen kommer från 500 poängsatta bedömningar där en senior mänsklig granskare redan hade avgjort. Agentens överensstämmelsegrad, per modell:

• GPT-6.1 Sol — 88,6 % överensstämmelse i 500 bedömningar

• Näst bästa modell — 86,4 % överensstämmelse på samma 500

• Gap — 220 baspunkter, eller ungefär ett extra avtal per 45 domar

Terminal X pekar ut en felklass där gapet koncentreras: stilglidning. En buyout-fond vars mandat är take-private-kandidater som handlas till rabatt mot substansvärdet bör inte rekommendera en position i nödlidande kredit eller en räddningsfinansiering när scenariomodellerna svänger. Utvärderingsagenten på GPT-6.1 Sol fångade cirka 25 % fler av dessa avvikelser från mandatet än den näst bästa modellen. Det är ett snävare påstående än "88,6 % korrekt", och ett mer användbart sådant: modellen är bättre på att upptäcka att en rekommendation har glidit ifrån tesen, vilket är det felmönster som en senior granskare faktiskt tillbringar sin dag med att fånga.

Varför en fonds utvärdering är en annan sorts benchmark

Offentliga benchmarks ställer samma frågor till varje modell. Terminal X ställer till varje modell frågorna från ett enda företag, mot en enda bedömningsmall, i företagets egen stil. Det gör resultatet mer relevant för köparen och mindre jämförbart mellan köpare — samma testramverk på en annan fond skulle vikta olika kriterier, och gapet på 220 poäng skulle lätt kunna krympa eller vidgas.

Det gör också resultatet dyrt att kontrollera. Att reproducera det kräver 54-kriterierubriken och 500 bedömningar, och ingen av dem är offentlig. Vad som är offentligt är påståendets utformning och produktionskontexten runt det, och utifrån det är resultatet sammanhängande: ungefär 1 700 företags-Memories byggda, fler än en miljon anpassade arbetsflöden körda och veckovis aktiva användare motsvarande 81 % av de månatligt aktiva — en stickiness-kvot som tyder på att agenterna används under arbetsveckan snarare än testas och överges. Ett private equity-bolag anges ha årliga besparingar på 2,4 miljoner dollar från automatiserade due diligence- och memoworkflows. Allt detta är kundens egen redogörelse.

Kostnadsraden är viktigare än noggrannhetsraden

Enligt berättelsen körde GPT-6.1 Sol samma arbetsflöden till ungefär 30 % lägre kostnad per förfrågan än den näst bästa modellen, vid liknande hastighet. Terminal X tillskriver det tokeneffektivitet i arbete med lång kontext: modellen kunde pröva en tes mot fondens mandat, sedan mot fondens senaste affärer och därefter köra om de osäkra bedömningarna och stämma av, allt inom samma budget. Det är den djupare granskningen som flaggade affärer som en enda genomgång hade släppt igenom.

En kostnadsminskning på 30 % per fråga är ett mycket större kommersiellt faktum än 220 baspunkter i överensstämmelse, eftersom eval- och granskningsagenter körs ständigt och deras kostnad skalar med volymen. Det är också den typ av påstående som en leverantörsberättelse kan göra slarvigt – "liknande hastighet" är inte en siffra – så det hör till samma kategori som resten: riktningsvis trovärdigt, overifierat.

Vad GPT-6.1 Sol är, officiellt

GPT-6.1 Sol är modellen som O​penAI släppte den 29 september 2026 för komplex kodning och professionellt arbete. Det är den enda modellen på GPT-6.1-nivå i O​penAI:s modellista – det finns ingen separat identifierare "GPT-6.1", och en begäran som namnger en sådan kommer inte att matchas. Leverantörens aktuella specifikation, såsom den publicerats:

• Pris — 2,00 $ per miljon indatatoken och 10,00 $ per miljon utdatatoken

Cachad indata — 0,10 USD per miljon; cacheskrivningar 2,50 USD per miljon

Långa prompter – över 272 000 indatatoken: indata och cache kostar 2× och utdata 1,5×

Kontextfönster – 1 050 000 tokens, med maximalt 922 000 indata och maximalt 128 000 utdata

• Modaliteter — text och bild in, text ut

• Resonemangsansträngning – låg, medium, hög, xhigh och max; none och minimal avvisas

• Kunskapsgräns — 30 april 2026

• Servicenivåer — Fast till 2× standard, Batch och Flex 50 % lägre, Ultrafast till 6×, med datahemvist i USA och EU

Den oberoende bilden hos Artificial Analysis, avläst den 21 oktober 2026, är ett enda Intelligence Index på 52 vid maximal ansträngning (index v4.3.2, tio utvärderingar), prissatt till 0,72 USD per indexuppgift och i genomsnitt 1,47 USD per miljon token, med en utdatahastighet på 55,2 token per sekund. Resultattavlan registrerar också en tid till första token på 248 sekunder vid den ansträngningsinställningen, mot en median för jämförelseobjekten på 3,69 sekunder – vilket är värt att känna till innan någon riktar ett synkront gränssnitt mot den högsta ansträngningsnivån.

De två uppsättningarna siffror beskriver olika saker, och gapet mellan dem är den ärliga sammanfattningen av modellen: en resonemangsnivå med 1M kontext som är prissatt som en mellanklassmodell, vars ekonomiska kalkyl fungerar för batchutvärdering och långa agentiska körningar, och inte fungerar för något som en person sitter och väntar på interaktivt vid maximal ansträngning.

Vad 88,6 % inte säger dig

• Det är inte ett generellt mått på förmåga. En bedömningsmall, en tillgångsslagmix, ett företags standarder.

• Det handlar om överensstämmelse med en människa, inte om korrekthet. En granskare med en konsekvent bias och en modell som delar den kommer att få höga poäng.

• Jämförelsegruppen är namnlös. "Näst bästa modell" kan vara en konkurrent i framkant eller en mycket billigare nivå; utan namnet kan de 220 baspunkterna inte prissättas.

• Kostnaden per fråga är inte definierad. Huruvida den inkluderar de extra granskningsomgångar som modellen möjliggör är precis den typ av detalj som förändrar slutsatsen.

Inget här är ett direkt jämförbart offentligt benchmarkresultat. På det enda oberoende index som faktiskt finns ligger GPT-6.1 Sol en poäng under GPT-6 Astra och fyra poäng över den GPT-6 Sol-nivå som det ersatte.

Testa ett påstående som detta på dina egna data

Det enda sättet att veta om resultatet för mandate-drift är överförbart är att köra dina egna 200 till 500 bedömningar genom två modeller och poängsätta dem mot din egen granskare.

Det är ett billigt experiment nu: GPT-6.1 Sol finns på OrcaRouters rutter till leverantörens eget listpris, utan påslag, så en jämförbar körning mot GPT-6 Astra, GPT-6 Sol eller GPT-6 Luna kostar prislistan och inget annat. Eftersom alla fyra nivåer ligger bakom en och samma nyckel är jämförelsen en ändring av en modellsträng i stället för ett andra avtal.

Terminal X:s egen arkitektur är mönstret som är värt att kopiera: routa det bedömningstunga steget – syntes av teser, mandatanpassning, avstämningspasset – till den starkaste nivån du kan motivera, och routa extrahering, klassificering och stegen med hög volym till något som GPT-6 Luna till $0,10 och $0,50 per miljon token.Routnings-DSL:en finns just för att den uppdelningen ska kunna ligga i en konfiguration i stället för i applikationskoden, och automatisk failover innebär att en utvärderingskörning inte avbryts halvvägs för att en uppströmstjänst hade en dålig eftermiddag.

Vad du ska titta på

Två saker skulle förvandla detta från en leverantörsanekdot till ett resultat. För det första: ett andra företag som publicerar sin egen överensstämmelsesgrad enligt en annan bedömningsmall – om 88,6 % är en egenskap hos modellen snarare än hos Terminal X:s harness, borde ett kreditdesk och en infrastrukturfond hamna i samma härad. För det andra: den namngivna jämförelsen. En ”näst bästa modell” på 86,4 % är siffran alla kommer att vilja granska, och tills den har ett namn är de 220 baspunkterna ett påstående om en kategori, inte en jämförelse mellan två produkter.

Till dess är den försvarbara tolkningen snäv och fortfarande användbar: i ett investeringsarbetsflöde i produktion kom en modell på GPT-6.1-nivå tillräckligt ofta överens med en senior granskare för att automatisera den första genomgången, fångade ungefär en fjärdedel mer mandatdrift än det den mättes mot och gjorde det med cirka 30 % lägre kostnad per fråga. Det är ett bra skäl att köra ett eget test. Det är ännu inte ett skäl att hoppa över ett.