เรื่องราวของ GPT-6.1 Sol จาก DevRev แท้จริงแล้วคือเรื่องราวเกี่ยวกับจุดที่ GPT-6 Astra ไม่ได้อยู่

OpenAI เผยแพร่เรื่องราวลูกค้าในสัปดาห์นี้หัวข้อ "DevRev ส่งมอบบริการตนเองแบบอัตโนมัติด้วย GPT-6.1 Sol" และประโยคที่ให้ข้อมูลมากที่สุดในเรื่องนี้ไม่ได้เกี่ยวกับ GPT-6.1 Sol เลย มันคือประโยคที่กล่าวว่าวิศวกรฝ่ายขายของ DevRev ใช้ GPT-6 Astraเพื่อสร้างเดโมสำหรับบูธในงานประชุม ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ DevRev อย่าง Ahmed Bashir อธิบายถึงบริษัทที่แบ่งกลุ่มโมเดลออกเป็นสองส่วน: โมเดลระดับกลางรับผิดชอบเส้นทางการสนับสนุนงานจริง และโมเดลแนวหน้ารับผิดชอบสิ่งที่ลูกค้าเป้าหมายดูเพียงเก้าสิบวินาที นั่นเป็นหลักฐานที่มีประโยชน์กว่าค่าเบนช์มาร์กใด ๆ ในโพสต์ เพราะมันเป็นการตัดสินใจด้านการปรับใช้ที่ทำโดยคนที่มีบิลต้องจ่าย

ช่วงเวลามีความสำคัญ GPT-6.1 Sol เปิดตัวเมื่อวันที่ 29 กันยายน 2026 ที่ DevDay หนึ่งสัปดาห์หลังจาก GPT-6 Sol ในราคา 2.00 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 10.00 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต บทความของ DevRev เองเกี่ยวกับความร่วมมือกับ OpenAI มีตราประทับอัปเดตวันที่ 2 พฤศจิกายน 2026 และเรื่องราวลูกค้านี้เป็นครั้งแรกที่บริการโปรดักชันซึ่งระบุชื่อได้นำโมเดลระดับกลาง แทนที่จะเป็นโมเดลเรือธง มาใช้ในเส้นทางที่ลูกค้าเข้าถึง นี่ไม่ใช่การเปิดตัว แต่เป็นการอ้างอิงถึงงานจริงครั้งแรก

สิ่งที่ DevRev ดำเนินการจริง ๆ

DevRev สร้างผลิตภัณฑ์สองรายการบนฐานรากเดียวกัน Computer คือเพื่อนร่วมทีม AI ที่ตอบคำถามและดำเนินการกับข้อมูลทางธุรกิจ ส่วน Operator คือเอเจนต์ที่ดำเนินการซึ่งได้รับการอนุมัติหรือส่งต่อคำขอไปยังบุคคลที่เหมาะสม ทั้งสองจำเป็นต้องมีสามสิ่งเดียวกันก่อนอนุญาตให้โมเดลเข้าใกล้ลูกค้า ได้แก่ บริบทของบริษัท สิทธิ์ที่ตรงกับบทบาทของบุคคล และการดำเนินการที่สามารถย้อนกลับได้ โมเดลทำหน้าที่ให้เหตุผล วางแผน และเลือกเครื่องมือ ฮาร์เนสของ DevRev จัดหาส่วนที่เหลือ และ Agent Studio คือที่ที่ลูกค้าอธิบายผ่านการสนทนาว่าเครื่องมือควรทำงานอย่างไร จากนั้นปักหมุดส่วนที่ไม่ควรเปลี่ยนแปลงด้วยกฎตายตัว

คุณสมบัติสองประการในเรื่องนี้มีค่ามากกว่าคำชื่นชม นั่นคือ การกระทำสามารถย้อนกลับได้ และคำตอบอ้างอิงแหล่งที่มาของตน สิ่งเหล่านี้คือรูปแบบความล้มเหลวสองประการที่ทำให้องค์กรต่าง ๆ ไม่กล้าปล่อยให้เอเจนต์ปิดตั๋ว และ DevRev กำลังอ้างว่าทั้งสองเป็นพฤติกรรมของผลิตภัณฑ์ ไม่ใช่พฤติกรรมของโมเดล หากคุณกำลังประเมินเอเจนต์บริการตนเองใด ๆ นั่นคือคำถามที่ต้องถาม และไม่มีกระดานอันดับใดตอบคำถามเหล่านี้ได้

ตัวเลขที่จะถูกแนบมากับเรื่องนี้มาจากเดือนกรกฎาคม และไม่เกี่ยวกับ Sol

หากคุณค้นหาข่าวสารเกี่ยวกับ DevRev และ OpenAI คุณจะพบตัวเลขคู่หนึ่งที่น่าสนใจ ได้แก่ แม่นยำขึ้น 48% และใช้โทเคนน้อยลง 4.4 เท่าต่อคำตอบที่ถูกต้อง ตัวเลขเหล่านี้เป็นของจริง ถูกเผยแพร่แล้ว และไม่มีความเกี่ยวข้องใด ๆ กับ GPT-6.1 Sol

ตัวเลขเหล่านั้นมาจากการเปิดตัวเมื่อวันที่ 9 กรกฎาคม 2026 ซึ่งประกาศเปิดตัว Enterprise-Bench เบนช์มาร์กสำหรับเอเจนต์องค์กรแบบเปิดที่ DevRev สร้างร่วมกับ Laude Institute และเผยแพร่บน Harbor harness ในการเปรียบเทียบนั้น Computer ของ DevRev ทำคะแนนได้ 94.3% เทียบกับ 63.6% บนชุดข้อมูล XL และใช้โทเคนประมาณ 5,598 ต่อคำตอบที่ถูกต้อง เทียบกับ 24,461 การเปรียบเทียบนี้เป็นการเปรียบเทียบแบบ harness ต่อ harness อย่างชัดเจน โดยทั้งสองระบบใช้โมเดลพื้นฐานเดียวกัน DevRev อธิบายว่าช่องว่างนี้เกิดจากสถาปัตยกรรมการดึงข้อมูลและหน่วยความจำร่วมของตน ไม่ใช่จากโมเดลที่อยู่เบื้องหลัง ระบบนี้ยังถูกนำไปเปรียบเทียบกับ Claude Code ไม่ใช่กับผลิตภัณฑ์ใด ๆ ที่ OpenAI เปิดตัวในเดือนกันยายน

เรื่องราวลูกค้าของ OpenAI กล่าวถึง Enterprise-Bench และ Bashir กล่าวว่า GPT-6.1 Sol ทำได้ดีบน benchmark นี้ นั่นเป็นคำกล่าวเชิงคุณภาพ ไม่มีการให้คะแนน ไม่มี dataset slice และไม่มีการเปรียบเทียบ ใครก็ตามที่เอาตัวเลขจากเดือนกรกฎาคมไปแปะบนเรื่องราวเดือนพฤศจิกายนกำลังวัดสิ่งที่แตกต่างกันบนโมเดลที่แตกต่างกันในไตรมาสที่แตกต่างกัน การอ่านอย่างซื่อตรงนั้นแคบกว่าและยังน่าสนใจ: DevRev มี benchmark ที่มันสร้างขึ้นมาเพื่อการตัดสินใจนี้โดยเฉพาะ และมันเลือกที่จะไม่เผยแพร่แถวของ Sol บน benchmark นั้น

สิ่งที่เรื่องนี้ไม่ได้บอก

ไม่มีอัตราการแก้ไขปัญหา ไม่มีปริมาณทิกเก็ต ไม่มีเปอร์เซ็นไทล์เวลาแฝง ไม่มีจำนวนโทเคน และไม่มีราคาในโพสต์ของ OpenAI สำหรับเรื่องราวลูกค้าเกี่ยวกับการบริการตนเองแบบอัตโนมัติ นั่นคือกระดานคะแนนที่หายไปทั้งหมด

ตัวเลขที่เผยแพร่ใกล้เคียงที่สุดคือต้นแบบทดสอบแนวคิด BILL ของ DevRev โดย BILL รายงานอัตราการแก้ไขด้วย AI ที่ 70% สำหรับคำถามจริงของลูกค้า โดยใช้การประเมินของบริษัทเอง เอกสารของ DevRev ยังอ้างถึงการลดจำนวนโทเค็นลง 77% และเวลาที่ลดลงจากประมาณเก้านาทีเหลือประมาณ 1.5 นาทีในคำถามหลายขั้นตอน เมื่อวัดเทียบกับแนวทางก่อนหน้าของบริษัทเอง ข้อมูลเหล่านี้เป็นการรายงานโดยผู้ขายและยังไม่มีการทำซ้ำ และไม่มีข้อมูลใดเชื่อมโยงกับรุ่นโมเดลที่ใช้งานจริงในปัจจุบัน ให้มองสิ่งเหล่านี้เป็นรูปร่างของข้อกล่าวอ้าง ไม่ใช่ขนาดของข้อกล่าวอ้าง

ข้อจำกัดของบาชีร์เองคือสิ่งที่ควรยึดไว้: "สิ่งเหล่านี้ต้องสามารถทำงานและเสร็จสิ้นได้เองภายในไม่กี่วินาที ไม่ใช่ไม่กี่นาที" ปฏิสัมพันธ์ด้านซัพพอร์ตที่ใช้เวลาคิดยี่สิบนาทีไม่ใช่บริการตนเอง ไม่ว่าจะได้คะแนนเท่าไร ประโยคนั้นอธิบายการเลือกโมเดลได้ดีกว่าตาราง benchmark ใด ๆ

การคำนวณที่ฝ่ายสนับสนุนสามารถตรวจสอบได้

ลองดูตั๋วงานทั่วไป: บริบทที่ดึงมา 20,000 โทเค็นอินพุต, 2,000 โทเค็นเอาต์พุตซึ่งรวมการให้เหตุผล ที่ราคาตามรายการของ GPT-6.1 Sol นั้นคืออินพุต $0.04 และเอาต์พุต $0.02 ดังนั้นประมาณหกเซนต์ คำขอเดียวกันบน GPT-6 Astra ที่อินพุต $10.00 และเอาต์พุต $50.00 คือ $0.20 บวก $0.10 หรือประมาณสามสิบเซนต์ งานเดียวกัน แต่บิลเป็นห้าเท่า

หกเซนต์เป็นเพียงเพดานล่าง ไม่ใช่การพยากรณ์ โทเคนการให้เหตุผลถูกเรียกเก็บเป็นเอาต์พุต การลองใหม่ถูกเรียกเก็บสองครั้ง และลูปเครื่องมือใด ๆ ก็ทำให้ทั้งสองอย่างทวีคูณ แต่ประเด็นอยู่ที่อัตราส่วน และมันยังคงอยู่ภายใต้ข้อแม้ทั้งสามข้อ ตัวเลขต้นทุนที่ OpenAI ซึ่งเป็นผู้ขายรายงานเองก็ชี้ไปทางเดียวกัน: บน Terminal-Bench Science 0.1 OpenAI ตั้ง GPT-6.1 Sol ไว้ที่ $5.47 ต่องาน เทียบกับ $23.80 สำหรับ GPT-6 Astra และ $23.21 สำหรับ Claude Opus 5.5 โดย Sol ทำคะแนนได้ 57.02% ที่ความพยายามสูงสุด เทียบกับ 68.1% ของ Astra คุณกำลังซื้อความสามารถเพิ่มสิบเอ็ดจุดด้วยเงินสี่เท่า และบนคิวสนับสนุน จุดที่สิบเอ็ดมักเป็นการถอดความที่ดีขึ้น ไม่ใช่ตั๋วที่ได้รับการแก้ไข

นี่คือการคำนวณที่โมเดลราคาของ OrcaRouter สร้างขึ้นมาโดยรอบ: ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยไม่มีการบวกเพิ่ม ดังนั้นอัตราอย่าง $2.00 และ $10.00 คือตัวเลขที่คุณจ่าย และการเปลี่ยนแปลงราคาจากผู้ขายจะมีผลในวันเดียวกัน แทนที่จะรอถึงการต่อสัญญาครั้งถัดไป โมเดลทั้งสองอยู่เบื้องหลังคีย์เดียว ซึ่งหมายความว่าการแบ่งแยกที่ DevRev ทำในสถาปัตยกรรมของตน — โมเดลราคาถูกบนเส้นทางที่ใช้ปริมาณมาก โมเดลราคาแพงในจุดที่คำตอบคือผลิตภัณฑ์ — เป็นการตัดสินใจด้านการกำหนดเส้นทางมากกว่าการจัดซื้อครั้งที่สอง สำหรับขั้นตอนที่การเรียกใช้เครื่องมือผิดพลาดมีค่าใช้จ่ายสูง การ failover ไปยังโมเดลที่แข็งแกร่งกว่าตามคำขอแต่ละครั้งคือความแตกต่างระหว่างบ่ายที่แย่กับสัปดาห์ที่แย่

ทำไมโมเดลระดับกลางจึงได้เส้นทางโปรดักชัน

โดยสัญชาตญาณแล้ว เรามักมองเรื่องนี้เป็นเรื่องของต้นทุน แต่ส่วนหนึ่งก็เป็นเรื่องของความหน่วงด้วย GPT-6.1 Sol ทำงานโดยเปิดการใช้เหตุผลตลอดเวลาในห้าระดับความพยายาม ตั้งแต่ low ถึง max และมีค่าเริ่มต้นที่ medium อีกทั้งไม่รับ temperature หรือ top_p เลย สิ่งนี้ตัดปุ่มปรับแต่งที่ทีมส่วนใหญ่ใช้เมื่อรู้สึกว่าเอเจนต์ช้า และเหลือระดับความพยายามเป็นตัวควบคุมความเร็ว ระหว่าง low กับ max ความแตกต่างของเวลาถึงโทเคนคำตอบแรกวัดเป็นนาที ไม่ใช่มิลลิวินาที

ตัวเลขจากการประเมินอิสระอยู่ในระดับที่คุณคาดไว้สำหรับโมเดลในตำแหน่งนี้ บน Artificial Analysis Intelligence Index v5.0.1 GPT-6.1 Sol ได้คะแนน 55 ที่ระดับความพยายามสูงสุด ที่ 56 โทเคนต่อวินาที 1.27 ดอลลาร์ต่องานดัชนีที่ทำเสร็จหนึ่งงาน และ 63.7 ล้านโทเคนเอาต์พุตตลอดการรัน จากข้อมูลเทเลเมทรีเจ็ดวันของเราเอง โมเดลนี้แสดงเวลามัธยฐานถึงโทเคนแรกที่ 937 มิลลิวินาที อัตราข้อผิดพลาด 5.7% และเอาต์พุต 39.5 โทเคนต่อวินาที ซึ่งเป็นโปรไฟล์แบบที่ระบบเวิร์กโฟลว์ฝ่ายสนับสนุนสามารถสร้างขึ้นได้: ไม่ใช่โมเดลที่เร็วที่สุดที่มีอยู่ แต่คาดการณ์ได้มากพอที่จะกำหนดขนาดคิวโดยอิงกับโมเดลนี้ได้

หน้าต่างบริบทคืออีกครึ่งหนึ่งของการตัดสินใจ ที่ 1,050,000 โทเคนพร้อมเพดานเอาต์พุต 128,000 โทเคน แฟ้มคดี ประวัติของแฟ้ม และความรู้ที่ดึงมา ทั้งหมดพอดีอยู่ในคำขอเดียว นี่คือสิ่งที่ทำให้เอเจนต์ที่ให้เหตุผล "ข้ามข้อมูลสด" เป็นไปได้โดยไม่ต้องมีชั้นการแบ่งชังก์ที่ซับซ้อน — และเป็นส่วนของสเปกชีตที่อัตราการแก้ปัญหา 70% พึ่งพาอยู่จริง ๆ

อะไรจะทำให้สิ่งนี้กลายเป็นกรณีศึกษา

สามสิ่งนี้จะเปลี่ยนเรื่องนี้จากโลโก้บนหน้าเพจให้กลายเป็นหลักฐานที่คุณใช้วางแผนได้จริง อัตราการแก้ไขปัญหาที่เผยแพร่แล้วสำหรับ Operator บนชุดข้อมูลที่ระบุชื่อ พร้อมอัตราการส่งต่อให้มนุษย์อยู่ข้าง ๆ การกระจายตัวของเวลาแฝงแทนค่าเฉลี่ย เพราะ p95 คือจุดที่ระบบบริการตนเองล้มเหลว และการทดลอง ablation แบบ Sol เทียบกับ Astra บน Enterprise-Bench เนื่องจาก DevRev มี harness อยู่แล้วและเคยแสดงให้เห็นว่าจะเผยแพร่ผลลัพธ์เมื่อผลนั้นเอื้อต่อสถาปัตยกรรมของตน

บาเชียร์ชี้ไปที่สองสิ่งที่เขาต้องการเป็นลำดับถัดไป: Decisions API สำหรับการตัดสินใจเล็ก ๆ น้อย ๆ ที่มีต้นทุนสูงในการแปลงเป็นกฎเกณฑ์แต่ไม่จำเป็นต้องใช้การให้เหตุผลเชิงลึก และ Ultrafast ซึ่งเป็นระดับความเร็ว 6 เท่าของ OpenAI ในราคาอินพุต 12.00 ดอลลาร์และเอาต์พุต 60.00 ดอลลาร์ต่อล้านโทเค็น ซื้อได้ตั้งแต่วันที่ 8 ตุลาคม ทั้งสองอย่างเป็นการพยายามซื้อความหน่วงเวลาโดยไม่ต้องซื้อความฉลาด ซึ่งเป็นสัญชาตญาณที่ถูกต้องสำหรับคิวงานสนับสนุน และตรงกันข้ามกับสิ่งที่แผนงานของเอเจนต์ส่วนใหญ่ไล่ตาม

รูปแบบที่ต้องจับตาไม่ใช่ DevRev โดยเฉพาะ แต่คือการติดตั้งใช้งานจริงในโปรดักชันครั้งแรกที่มีชื่อของ GPT-6.1 Sol ซึ่งวางโมเดลราคาถูกไว้ในจุดที่มีลูกค้า และวางโมเดลราคาแพงไว้ในจุดที่มีผู้มุ่งหวัง หากสิ่งนี้กลายเป็นรูปร่างปกติของสแต็กเอเจนต์องค์กร นั่นคือมีตัวทำงานหนักบนเส้นทางที่มีปริมาณงานสูง และมีเรือธงสำหรับデモ คำถามที่น่าสนใจสำหรับผู้ขายทุกรายก็จะไม่ใช่โมเดลไหนฉลาดที่สุดอีกต่อไป แต่จะเริ่มเป็นว่าคุณย้ายคำขอระหว่างโมเดลเหล่านี้ได้เนียนแค่ไหน