Mistral Large 4 vs GPT-6.1 Sol: ตัวหนึ่งดาวน์โหลดได้ อีกตัวต้องเช่าใช้เท่านั้น

เกือบทุกการเปรียบเทียบ Mistral Large 4 กับ GPT-6.1 Sol บนเว็บสาธารณะกำลังอ้างตัวเลขที่เลิกมีอยู่เมื่อวันที่ 27 ตุลาคม หน้าเว็บเหล่านั้นระบุ 38 และ 52 Artificial Analysis ได้ปรับโครงสร้าง Intelligence Index เป็นซีรีส์ v5 ในวันนั้น รันโมเดลใหม่ และตอนนี้เผยแพร่ 26 สำหรับ Mistral Large 4 เทียบกับ 55 สำหรับ GPT-6.1 Sol นั่นไม่ใช่การเปลี่ยนแปลงของโมเดลใดโมเดลหนึ่ง แต่เป็นเครื่องมือวัดที่แตกต่างออกไป โดยมีการประเมินเก้าชุดแทนชุดเดิม และมีส่วนผสมที่ยากกว่ามาก แต่มันหมายความว่าช่องว่างที่คุณอาจเคยอ่านเจอซึ่งมีสิบสี่คะแนน ตอนนี้อยู่ที่ยี่สิบเก้าคะแนนบนกระดาษ และไม่สามารถเทียบกับสิ่งใดก่อนการปรับโครงสร้างได้ การเปรียบเทียบข้ามการรันดัชนีเป็นข้อผิดพลาดที่พบบ่อยที่สุดในวงการนี้ และควรทำให้คู่ปัจจุบันถูกต้องก่อนจะโต้แย้งเรื่องอื่น

สิ่งที่ทำให้การจับคู่นี้มีความน่าสนใจมากกว่าความแตกต่างของคะแนนก็คือ ผลิตภัณฑ์ทั้งสองชิ้นหยุดเป็นสิ่งประเภทเดียวกันไปตั้งแต่เช้านี้ GPT-6.1 Sol เป็นโมเดลแบบเช่ามาตั้งแต่ OpenAI เปิดตัวเมื่อวันที่ 29 กันยายน 2026 ในราคา $2.00 และ $10.00 ต่อล้านโทเค็น คุณเรียกใช้งานมันได้ แต่คุณเก็บมันไว้ไม่ได้ ส่วน Mistral Large 4 ซึ่งเปิดให้ดูตัวอย่างเมื่อวันที่ 6 ตุลาคม 2026 ได้เผยแพร่เวตของตนเมื่อวันที่ 29 ตุลาคม 2026 เวลา 14:51 UTC โดยมีขนาด 1,060.6 GB ใน FP8 และ 610.1 GB ใน NVFP4 เปิดให้ดาวน์โหลดภายใต้สัญญาอนุญาตแบบ modified-MIT โมเดลหนึ่งในสองตัวนี้มีมิเตอร์ที่ไม่มีวันหยุด ส่วนมิเตอร์ของอีกตัวจะสิ้นสุดในวันที่คุณซื้อฮาร์ดแวร์ นั่นคือโจทย์การตัดสินใจ และตาราง benchmark ก็เป็นผลที่ตามมาจากการตัดสินใจนั้น

สองผลิตภัณฑ์ สองวันที่ หนึ่งในนั้นเสร็จสิ้นแล้ว

ความไม่สมมาตรนี้ไม่ใช่การจุกจิกเรื่องความสมบูรณ์แบบ — มันเปลี่ยนว่าคำถามใดควรค่าแก่การถาม GPT-6.1 Sol เป็นโมเดลที่เปิดใช้งานจริง มีเอกสารประกอบ และผ่านการวัดอย่างอิสระ โดยมีผู้ให้บริการ API สิบรายระบุไว้สำหรับโมเดลนี้ ตารางราคาของมันกำหนดแน่นอนแล้ว บริบท 1M ของมันมีเอกสารระบุ และตำแหน่งในไลน์อัปของ OpenAI อยู่ใต้เรือธง Astra ไม่ได้อยู่บนสุด Mistral Large 4 ใช้เวลาสามสิบสามวันในฐานะ API พรีวิว และวันนี้มันกลายเป็นไฟล์ ตารางราคาแบบโฮสต์ของมันกำหนดแน่นอนที่ $0.70 สำหรับอินพุต และ $2.10 สำหรับเอาต์พุตต่อหนึ่งล้านโทเค็น และอนาคตของมันตอนนี้ส่วนหนึ่งอยู่ในมือของผู้ที่นำมันไปรัน มากกว่าอยู่ในโรดแมปของ Mistral

หกบรรทัดที่สำคัญ

ขนาดเดียวกันทั้งสองด้าน เครื่องมือวัดที่ใช้อยู่ในปัจจุบัน อ่านจากหน้าโมเดลของ Artificial Analysis สองหน้าและเอกสารของผู้จำหน่ายเอง ณ วันที่ 29 ตุลาคม 2026:

• ดัชนีความฉลาด — GPT-6.1 Sol 55 (ซีรีส์ v5 อยู่ในอันดับที่ 7 จาก 54 ในกลุ่มเปรียบเทียบของตน); Mistral Large 4 26 (อยู่ในอันดับที่ 8 จาก 19 ในกลุ่มอื่น — สองอันดับนี้ไม่ได้อยู่ในมาตรวัดเดียวกัน)

• ต้นทุนต่องาน Index — GPT-6.1 Sol $1.27; Mistral Large 4 $2.06

• ราคาโทเคน — GPT-6.1 Sol $2.00 ต่ออินพุต / $10.00 ต่อเอาต์พุตต่อล้านโทเคน โดยมีระดับราคา $4.00 / $15.00 สำหรับอินพุตเกิน 272,000 โทเคน; Mistral Large 4 $0.70 ต่ออินพุต / $0.07 สำหรับแคช / $2.10 ต่อเอาต์พุต

• ความเร็วเอาต์พุต — GPT-6.1 Sol 79.1 โทเค็นต่อวินาที; Mistral Large 4 161.3

• บริบท — 1M โทเค็นทั้งสองฝั่ง และมีเอกสารกำกับทั้งสองฝั่ง

• การดีพลอย — GPT-6.1 Sol: ให้บริการแบบโฮสต์เท่านั้น ไม่มีน้ำหนักโมเดลจำหน่ายในราคาใด ๆ Mistral Large 4: ให้บริการแบบโฮสต์หรือติดตั้งเองได้ 610.1 GB ใน NVFP4 โดยใช้ GPU ระดับ Blackwell แปดตัวตามสูตร vLLM ที่เผยแพร่

The Index เป็นค่าเฉลี่ย และค่าเฉลี่ยมักปกปิดลักษณะของช่องว่าง ในแต่ละแถวของ Artificial Analysis การแบ่งแยกไม่ได้แย่เท่ากันทั้งหมด แต่กลับไม่สม่ำเสมอ: HLE-Diamond 17% เทียบกับ 59%, Terminal-Bench-Science 0.1 ที่ 4% เทียบกับ 58%, FrontierCode 2.0 ที่ 15% เทียบกับ 41%, Terminal-Bench 4.0 ที่ 25% เทียบกับ 56% และ GDPpdf ที่ 18% เทียบกับ 31% Mistral Large 4 ไม่ได้ตามหลังอยู่ 29 คะแนนในทุกงาน แต่ตามหลังอยู่มากในบรรดาการประเมินที่ให้รางวัลกับการใช้เหตุผลหลายขั้นตอนอย่างต่อเนื่อง และอยู่ในระดับไล่เลี่ยกันในงานระยะสั้นที่ทำรอบเดียว หากภาระงานของคุณเป็นแบบที่สอง ค่าเฉลี่ยก็เป็นตัวเลขที่ผิดหากใช้เป็นเกณฑ์ตัดสินใจซื้อ หากเป็นแบบแรก ก็ไม่มีส่วนลดใดมาปิดช่องว่างนั้นได้

ทำไมตัวเลขจึงเปลี่ยนไป และทำไมนั่นจึงไม่ใช่เรื่องอื้อฉาว

การรีบิลด์ v5 ได้รันทั้งสนามใหม่บนชุดการประเมินชุดใหม่ และประมาณ 60% ของชุดนี้เป็นข้อมูลส่วนตัว คำถามที่ไม่เคยเปิดเผยต่อสาธารณะก่อนการรีบิลด์ โมเดลไม่ได้เคลื่อนไปในทิศทางเดียวกันทั้งหมด บางตัวร่วงหนัก บางตัวเพิ่มขึ้น Mistral Large 4 ลดจาก 38 เหลือ 26 และ GPT-6.1 Sol เพิ่มจาก 52 เป็น 55 เป็นการอ่านสองมุมของเหตุการณ์เดียวกัน และไม่ใช่กรณีที่ผู้ขายรายใดมีไตรมาสที่แย่ กฎที่ตามมาคือเรียบง่ายและเผลอทำผิดได้ง่าย: ห้ามนำคะแนนจากการรันดัชนีรอบหนึ่งไปลบกับคะแนนจากอีกรอบหนึ่งเด็ดขาด และห้ามอ้างช่องว่างที่ครึ่งหนึ่งกับอีกครึ่งหนึ่งถูกวัดห่างกันหนึ่งสัปดาห์ ช่องว่างที่มีอยู่ امرو มีขนาดยี่สิบเก้าคะแนนบนเครื่องมือวัดเพียงหนึ่งเดียว

29 คะแนนถือว่าเยอะ และยังไม่ใช่ภาพรวมทั้งหมดอีกด้วย Index ที่ 26 อธิบายถึงโมเดลที่ทำงานทั่วไปได้ดีและไม่โดดเด่นเมื่อเจองานที่ยาก ส่วน Index ที่ 55 อธิบายถึงหนึ่งในโมเดลที่แข็งแกร่งที่สุดที่มีอยู่ หากเวิร์กโหลดของคุณคือการเขียนโค้ดแบบเอเจนต์บนรีโพซิทอรีขนาดใหญ่ คำตอบก็ถูกกำหนดไว้แล้ว และไม่มีข้อโต้แย้งเรื่องราคาใดเปลี่ยนได้ ส่วนที่เหลือของบทความนี้ว่าด้วยเวิร์กโหลดที่ยังไม่ได้ข้อยุติ

การย้อนกลับยังคงอยู่แม้จะผ่านการ rebase แล้ว

ข้อค้นพบหนึ่งจากช่วงพรีวิวเดือนตุลาคมที่ยังคงยืนได้ภายใต้เครื่องมือใหม่คือการกลับทิศของราคาต่องาน และมันยังคงยืนได้ด้วยตัวเลขชุดใหม่ Mistral Large 4 คิดอัตราค่าอินพุตประมาณหนึ่งในสามของอัตราของ GPT-6.1 Sol และคิดอัตราค่าผลลัพธ์ประมาณหนึ่งในห้าของอัตราของ GPT-6.1 Sol แต่กลับมีค่าใช้จ่ายสูงกว่า 62% ในการทำงานประเมินเดียวกันให้เสร็จ — $2.06 เทียบกับ $1.27 นั่นไม่ใช่กลมาราคา บิลของโมเดลเหตุผลถูกกำหนดโดยจำนวนโทเค็นที่มันเลือกส่งออกเป็นหลัก และ Mistral Large 4 ส่งออกเป็นจำนวนมาก: Artificial Analysis บันทึกโทเค็นเอาต์พุต 110 ล้านโทเค็นในตัวอย่างการวัดความละเอียดยืดเยื้อของมัน เทียบกับค่ามัธยฐาน 100 ล้าน ขณะที่ GPT-6.1 Sol อยู่ที่ 64 ล้าน ซึ่งต่ำกว่าค่ามัธยฐาน โทเค็นที่ถูกกว่าคูณด้วยจำนวนโทเค็นที่มากกว่าไม่ได้หมายถึงการประหยัด และใบแจ้งหนี้จะบอกเช่นนั้น

ผลที่ตามมาในทางปฏิบัติแคบกว่าคำกล่าวที่ว่า “โมเดลราคาถูกนั้นแท้จริงแล้วแพง” สำหรับงานที่ผลลัพธ์สั้น — การจำแนกประเภท การสกัดข้อมูล การจัดเส้นทาง หรือสิ่งใดก็ตามที่จบภายในสองร้อยโทเค็นและไม่เคยเข้าสู่วงจรการให้เหตุผล — ราคาต่อโทเค็นคือค่าใช้จ่ายทั้งหมด และ 0.70 ดอลลาร์เทียบกับ 2.00 ดอลลาร์คือข้อโต้แย้งทั้งหมด การกลับด้านนี้กัดกินการให้เหตุผลระยะยาว ซึ่งเป็นที่ที่ช่องว่างยี่สิบเก้าจุดนั้นอยู่เช่นกัน การวัดที่แตกต่างกันสองแบบชี้ไปในทิศทางเดียวกันเป็นเหตุผลให้เชื่อในทิศทางนั้น ไม่ใช่เหตุผลที่จะเหมารวมมันกับภาระงานทุกประเภท

ความเร็วไปในอีกทางหนึ่ง และความอดทนก็เช่นกัน

Mistral Large 4 สร้างเอาต์พุตได้เร็วกว่าสองเท่า โดยทำได้ 161.3 โทเค็นต่อวินาที เทียบกับ 79.1 โทเค็นต่อวินาที อีกทั้งยังคืนค่าโทเค็นแรกภายใน 1.42 วินาที ซึ่งดีกว่าค่ามัธยฐาน 1.68 วินาทีของชุดที่ใช้เปรียบเทียบเล็กน้อย ส่วนตัวเลขที่เผยแพร่ของ GPT-6.1 Sol สำหรับเวลาถึงโทเค็นคำตอบแรกคือ 249.48 วินาที เทียบกับค่ามัธยฐาน 3.53 วินาที ซึ่งเป็นตัวเลขประเภทที่ต้องอธิบายมากกว่าจะยกมาอ้างเฉย ๆ

249 วินาทีนั้นเกือบแน่นอนว่าไม่ใช่ความหน่วงในความหมายของเครือข่าย แต่เป็นเวลาที่โมเดลใช้ในการให้เหตุผลก่อนจะปล่อยโทเคนคำตอบแรกออกมา โดยวัดที่ความพยายามในการให้เหตุผลระดับสูงสุด และเป็นวิธีที่ตรงไปตรงมาในการแสดงว่าการมีงบการให้เหตุผลที่ยาวนานส่งผลต่อผู้ใช้ที่กำลังรออย่างไร ข้อมูลการกำหนดเส้นทางของเราเองทำให้ความแตกต่างนี้ชัดเจนเป็นรูปธรรม: ตลอด 584.7 ล้านโทเคน GPT-6.1 Sol ที่ถูกส่งผ่าน OrcaRouter ในช่วงเจ็ดวันจนถึงวันที่ 29 ตุลาคม เวลา p50 ถึงโทเคนแรกที่สตรีมคือ 1.36 วินาที ขณะที่ p95 คือ 10 วินาที โทเคนแรกมาถึงอย่างรวดเร็ว ส่วนคำตอบแรกต่างหากที่ใช้เวลาหลายนาที และแฟล็กใน API เป็นตัวกำหนดว่าผู้ใช้ของคุณจะได้ประสบการณ์แบบไหน หากแอปของคุณสตรีมโทเคนการให้เหตุผล การรอจะเต็มไปด้วยเนื้อหาและยอมรับได้ หากไม่สตรีม — หากผู้ใช้ต้องจ้องตัวหมุนวนจนกว่าคำตอบแรกจะมาถึง — โทเคนแรกที่ใช้เวลาสี่นาทีก็เป็นข้อจำกัดของผลิตภัณฑ์ที่คะแนน benchmark ไม่สามารถชดเชยได้ และโมเดลที่ตอบใน 1.4 วินาทีจะให้ความรู้สึกดีกว่าโมเดลที่แข็งแกร่งกว่า 29 คะแนน Index นี่คือแกนที่โมเดลที่ถูกกว่าและมีคะแนนต่ำกว่ามักชนะในการใช้งานจริงบ่อยที่สุด และมันไม่ปรากฏในตารางเปรียบเทียบใด ๆ

สิ่งที่เปลี่ยนไปในเช้านี้: มิเตอร์สิ้นสุด

จนถึงวันนี้ เหตุผลด้าน self-hosting ของ Mistral Large 4 เป็นเพียงคำสัญญา และคำสัญญาก็ไม่อาจผ่านการทบทวนการจัดซื้อจัดจ้างไปได้ ตอนนี้มันกลายเป็น repository แล้ว: checkpoint สองตัว ไฟล์สัญญาอนุญาตหนึ่งไฟล์ และสูตรการให้บริการที่ผู้ขายเผยแพร่ — vLLM พร้อม tensor parallelism 8 และ FP8 MLA KV cache, SGLang ที่ tp-size 4 ทั้งสองมี draft head DSpark ที่ฝังอยู่สำหรับ speculative decoding แทนที่จะเป็นโมเดลที่สอง

สิ่งที่การซื้อนั้นได้มาไม่ใช่โทเคนที่ราคาถูกลง — หากแต่เป็นจุดสิ้นสุดของการใช้โทเคนเป็นหน่วยวัดต้นทุน บนฮาร์ดแวร์ที่เป็นเจ้าของเอง ค่าใช้จ่ายจะกลายเป็นค่าเสื่อมราคา ค่าไฟฟ้า พื้นที่แร็ก และค่าจ้างวิศวกรผู้ดูแลคลัสเตอร์ และงานที่มีปริมาณสูงและสม่ำเสมอจะเปลี่ยนจากต้นทุนผันแปรเป็นต้นทุนคงที่ นี่คือเหตุผลสำหรับธนาคารยุโรปที่มีข้อกำหนดเรื่องถิ่นที่อยู่ของข้อมูล ผู้รับเหมาด้านกลาโหมที่ฝ่ายจัดซื้อห้ามการอนุมานจากต่างประเทศ หรือผู้ผลิตที่ฝังโมเดลไว้ในสายผลิตภัณฑ์เป็นเวลาห้าปี แต่ไม่ใช่เหตุผลสำหรับสตาร์ตอัปที่มีทราฟฟิกพุ่งเป็นพัก ๆ และไม่มีทีมปฏิบัติการ: น้ำหนักโมเดล 610 GB, Blackwell GPU แปดตัว และ KV cache ขนาด 1M โทเคน ถือเป็นโครงการลงทุน และอัตราแบบโฮสต์ที่ $0.70 นั้นถูกกว่าต้นทุนเงินลงทุนไปอีกนานมาก

ใบอนุญาตคือส่วนที่ผู้คนมักข้ามไป เป็น MIT ฉบับดัดแปลงที่มีหนึ่งข้อสำคัญ: การนำเวตไปให้บริการในรูปแบบโมเดลในฐานะบริการ (model-as-a-service) ต้องขอใบอนุญาตเชิงพาณิชย์แยกต่างหากจาก Mistral อย่างไรก็ตาม ควรอ่านนิยามให้ถี่ถ้วน เพราะนิยามนั้นยกเว้นผลิตภัณฑ์ปลายทางแบบฝังตัว (embedded end-user products) และ "การส่งต่อคำขอไปยังโมเดลที่โฮสต์โดยผู้อื่นเพียงอย่างเดียว" (mere relaying of requests to models hosted by others) ดังนั้นเกตเวย์ที่ส่งต่อทราฟฟิกไปยังการประมวลผลที่โฮสต์โดย Mistral จึงถูกยกเว้น แต่บริษัทที่ตั้งฟาร์มประมวลผลของตนเองแล้วขายสิทธิ์การเข้าถึงต่อไม่ถูกยกเว้น หากแผนของคุณคือ "ดาวน์โหลดมาแล้วเป็นผู้ให้บริการ" จงอ่านข้อนี้ก่อนขอใบเสนอราค�าร์ดแวร์

โดยแต่ละอันเป็นคำตอบที่ถูกต้องจริง ๆ

• การเขียนโค้ดแบบเอเจนต์ การใช้เครื่องมือในภารกิจระยะยาว การทำงานกับคลังโค้ดขนาดใหญ่ — GPT-6.1 Sol ช่องว่างของ Index กว้างที่สุดตรงจุดนี้พอดี และส่วนเพิ่มราคาคือต้นทุนของการเลือกให้ถูกต้อง

• การสกัดและจำแนกประเภทข้อมูลปริมาณมากที่ให้เอาต์พุตสั้น — Mistral Large 4 ในราคาอินพุต $0.70 เพดานการให้เหตุผลจะไม่ถูกเปิดใช้งาน ดังนั้นช่องว่างของ Index จึงไม่เกิดขึ้น

• การปรับใช้ที่อยู่ภายใต้การกำกับดูแลและผูกกับเขตอำนาจ — Mistral Large 4 และไม่ใช่เพราะมันดีกว่า GPT-6.1 Sol ไม่สามารถโฮสต์เองได้ไม่ว่าจะราคาเท่าใด ซึ่งทำให้การเปรียบเทียบสิ้นสุดลง

• ผู้ช่วยแบบโต้ตอบที่โทเค็นแรกคือผลิตภัณฑ์ — Mistral Large 4 ในด้านความเร็ว เว้นแต่คุณจะสตรีมกระบวนการคิดและทนรอได้

• เครื่องมือด้านความมั่นคงปลอดภัยเชิงป้องกัน — Mistral Large 4 โดยอาศัยอัตราการปฏิเสธ 96.6% ที่ผู้ขายรายงานเองต่อคำขอทางไซเบอร์ที่เป็นอันตราย และชุดเกณฑ์วัดทางไซเบอร์ที่ Mistral ใช้เป็นแกนหลักในการเปิดตัว ตัวเลขเหล่านี้เป็นของ Mistral ไม่ใช่ของห้องปฏิบัติการอิสระ และควรถือเป็นคำกล่าวอ้างจนกว่าจะมีผู้ทดสอบซ้ำ

• ทุกกรณีที่คำตอบต้องถูกต้องและมีงบความหน่วงเหลือเฟือ — GPT-6.1 Sol ยี่สิบเก้าคะแนนไม่ใช่ความคลาดเคลื่อนจากการปัดเศษ

ถ้าคุณจะรันทั้งคู่

การใช้โมเดลแบบผสมผสานเป็นผลลัพธ์ปกติของการเปรียบเทียบเช่นนี้ และคำถามเชิงปฏิบัติจึงกลายเป็นว่าสองโมเดลที่แตกต่างกันมากจะอยู่ภายใต้ใบเรียกเก็บเงินใบเดียวได้อย่างไร GPT-6.1 Sol อยู่บน OrcaRouter ในราคาตามรายการของ OpenAI พอดี — $2.00 และ $10.00 ต่อล้านโทเค็น โดยชั้นที่สูงกว่า 272K อยู่ที่ $4.00 และ $15.00 — และกำหนดเส้นทางด้วยมาร์กอัป 0% ดังนั้นอัตราที่คุณเห็นคืออัตราที่ OpenAI เรียกเก็บ Mistral Large 4 ไม่อยู่ในแคตตาล็อกของเรา: 214 โมเดล ไม่มีปลายทาง Mistral และหากต้องการเรียกใช้ คุณต้องไปที่ API ของ Mistral เองหรือการปรับใช้ vLLM ของคุณเอง สิ่งที่แพลตฟอร์มมีให้สำหรับครึ่งที่โฮสต์คือ DSL สำหรับกำหนดเส้นทาง — ชี้เวิร์กโหลดไปที่โมเดลหนึ่งและย้ายโดยไม่ต้องแก้โค้ด — และการสลับไปใช้สำรองอัตโนมัติ ซึ่งเป็นสิ่งที่ทำให้การลองโมเดลใหม่บนเส้นทางโปรดักชันสามารถอยู่รอดได้ เชื่อมต่อปลายทางที่โฮสต์เองไว้เบื้องหลังรูปแบบเดียวกัน แล้วสองครึ่งของการเปรียบเทียบนี้จะไม่ใช่การตัดสินใจที่คุณต้องทำเพียงครั้งเดียวอีกต่อไป

สองคำถาม ไม่ใช่หนึ่ง

หน้าบทเปรียบเทียบจะบอกคุณว่า GPT-6.1 Sol ชนะ และบนเครื่องมือวัดอิสระเพียงหนึ่งเดียวที่ทั้งสองโมเดลใช้ร่วมกัน มันก็ชนะจริง — 55 ต่อ 26 โดยมีต้นทุนต่องานที่เสร็จสมบูรณ์ต่ำกว่า 62% และความเร็วเอาต์พุตเพียงกว่าครึ่งเล็กน้อย นั่นคือคำตอบที่ถูกต้องสำหรับคำถามที่ว่า “โมเดลไหนดีกว่า” และหากนั่นเป็นคำถามเดียว ตลาดคงตัดสินเรื่องนี้ไปตั้งแต่เดือนกันยายนแล้ว

คำถามที่เปิดขึ้นในเช้าวันนี้แตกต่างออกไป: สามปีจากนี้ คุณยังจะรันโมเดลไหนได้อยู่ บนฮาร์ดแวร์ที่คุณควบคุม ภายใต้สัญญาอนุญาตที่คุณได้อ่านแล้ว สำหรับทีมจำนวนมาก คำตอบจะยังคงเป็น “ไม่ทั้งคู่ เราเช่า” — และเมื่อเป็นเช่นนั้น GPT-6.1 Sol ก็คือการเช่าที่ดีกว่า สำหรับกลุ่มที่ข้อจำกัดคือความเป็นเจ้าของมากกว่าความสามารถ โมเดลที่ได้คะแนน 26 ก็เลิกเป็นทางประนีประนอมตั้งแต่ сегодня และกลายเป็นทางเลือกเดียวบนโต๊ะ คำตอบทั้งสองอาจถูกต้องทั้งคู่ นั่นคือเหตุผลว่างานที่น่าสนใจไม่ใช่การเลือกผู้ชนะ แต่คือการตัดสินใจว่าองค์กรของคุณกำลังถามคำถามไหนกันแน่