Terminal X เห็นตรงกับนักลงทุนอาวุโสถึง 88.6% ของเวลาใน GPT-6.1 Sol — และประหยัดได้ 30% จากการทำเช่นนั้น

ตัวเลขที่น่าสนใจที่สุดในบทความของ OpenAI ลงวันที่ 20 ตุลาคม 2026 เกี่ยวกับ Terminal X ไม่ใช่ชื่อโมเดล แต่คือ 88.6% — สัดส่วนของการตัดสินใจลงทุน 500 รายการที่ได้รับการให้คะแนน ซึ่งเอเจนต์ประเมินที่รันบน GPT-6.1 Sol ให้คำตัดสินตรงกับผู้ตรวจทานมนุษย์ระดับอาวุโสของบริษัท โมเดลที่ดีรองลงมาในชุดทดสอบเดียวกันทำได้ 86.4% ห่างกัน 220 เบซิสพอยต์ และต้นทุนต่อคำถามต่างกันราว 30% Terminal X ยังใช้ GPT-6 Luna สำหรับขั้นตอนที่มีปริมาณสูง และการแบ่งระหว่างสองระดับนั้นคือเรื่องวิศวกรรมจริง ๆ ในที่นี้: ใช้การตัดสินใจในจุดที่ต้องตัดสินใจ และใช้ปริมาณงานสูงในทุกที่ที่เหลือ ความล้มเหลวของ AI และเหตุการณ์เอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวลักษณะนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มาของตนเอง ระดับความรุนแรง เกรดความมั่นใจ และธงข้อโต้แย้งของตนเอง

สิ่งหนึ่งที่ต้องทำให้ชัดก่อนที่ตัวเลขจะถูกยกไปพูดกันในที่ทำงาน: นี่คือเรื่องราวลูกค้าที่ผู้ขายโมเดลเป็นผู้เผยแพร่ โดยลูกค้าเป็นผู้วัด และใช้เกณฑ์ของลูกค้าเอง เป็นผลลัพธ์จริงในความหมายที่ว่าฮาร์เนสมีอยู่จริงและรันในสภาพแวดล้อมโปรดักชัน และไม่ใช่เบนช์มาร์กอิสระในความหมายใด ๆ ยังไม่มีใครนอก Terminal X ที่ทำซ้ำผล 88.6% ได้ ให้มองสิ่งนี้เป็นหลักฐานสาธารณะที่มีรายละเอียดมากที่สุดเท่าที่มีจนถึงตอนนี้เกี่ยวกับว่าโมเดลระดับ GPT-6.1 ทำงานตัดสินใจเชิงวิชาชีพอย่างไร ไม่ใช่มองเป็นรายการบนลีดเดอร์บอร์ด

สิ่งที่ถูกวัดจริง ๆ

Terminal X ขายสิ่งที่เรียกกันว่า Capital Memory: ระบบที่เป็นของบริษัทเอง ซึ่งจัดทำดัชนีห้องข้อมูล โมเดล บันทึกข้อความ เอกสารยื่นต่อหน่วยงาน อีเมล และประวัติคณะกรรมการการลงทุน แล้วเข้ารหัสวิธีที่แผนกใดแผนกหนึ่งตัดสินใจลงในเอเจนต์ที่บริษัทเป็นเจ้าของ โดยติดตั้งภายในองค์กรหรือบนคลาวด์ของบริษัทเอง ทีมวิศวกรประกอบด้วยผู้เชี่ยวชาญด้านการเงินและการลงทุนในอดีต และพวกเขานั่งทำงานร่วมกับลูกค้าแต่ละรายเป็นเวลาหลายสัปดาห์เพื่อวิศวกรรมย้อนกลับกระบวนการให้เหตุผลที่ไม่เคยถูกบันทึกไว้ — วิธีที่ทีมสินเชื่อคัดกรองผู้กู้ แหล่งข้อมูลใดที่ทีมร่วมลงทุนดึงมาก่อนจัดทำบันทึกข้อความ

ชั้นประเมินผลเป็นเอเจนต์แยกต่างหาก ตามเนื้อเรื่อง เอเจนต์นี้จะอ่านผลลัพธ์จากการผลิตทุกชิ้นเทียบกับรูบริก 54 เกณฑ์ และส่งคืนผลว่าผ่านหรือไม่ผ่านทีละเกณฑ์ พร้อมเหตุผลหนึ่งบรรทัดและต้นฉบับที่แก้ไขแล้วสำหรับทุกความล้มเหลว ความล้มเหลวเหล่านั้นจะกลายเป็นคำสั่งเวิร์กโฟลว์ใหม่และกรณีทดสอบใหม่ ดังนั้นรูบริกจึงยิ่งหนาขึ้นเมื่อบริษัทแก้ไขระบบ

การเปรียบเทียบหลักมาจากคำตัดสินที่ให้คะแนนแล้ว 500 รายการ ซึ่งผู้ตรวจทานมนุษย์ระดับอาวุโสได้วินิจฉัยไว้แล้ว อัตราความสอดคล้องของเอเจนต์ จำแนกตามโมเดล:

• GPT-6.1 Sol — ความสอดคล้อง 88.6% จากการตัดสิน 500 รายการ

• โมเดลที่ดีที่สุดรองลงมา — ความสอดคล้อง 86.4% ใน 500 รายการเดียวกัน

• ช่องว่าง — 220 เบซิสพอยต์ หรือประมาณข้อตกลงเพิ่มขึ้นหนึ่งฉบับต่อคำพิพากษา 45 ฉบับ

Terminal X ระบุประเภทข้อผิดพลาดหนึ่งประเภทที่ช่องว่างกระจุกตัวอยู่: style drift กองทุน buyout ที่มี mandate เป็นผู้เข้าซื้อกิจการแบบ take-private ซึ่งซื้อขายในราคาต่ำกว่ามูลค่าสินทรัพย์สุทธิ ไม่ควรแนะนำสถานะเครดิต distressed หรือการจัดหาเงินทุนเพื่อกู้วิกฤต เมื่อโมเดลสถานการณ์พลิกผัน เอเจนต์ประเมินผลบน GPT-6.1 Sol ตรวจพบการหลุดจาก mandate เหล่านั้นได้มากกว่าประมาณ 25% เมื่อเทียบกับโมเดลที่ดีรองลงมา นี่เป็นข้อกล่าวอ้างที่แคบกว่า "ความแม่นยำ 88.6%" และมีประโยชน์กว่า: โมเดลเก่งขึ้นในการสังเกตว่าคำแนะนำได้ออกนอก thesis ไปแล้ว ซึ่งเป็นโหมดความล้มเหลวที่ผู้ตรวจสอบระดับอาวุโสใช้เวลาทั้งวันเพื่อจับจริง ๆ

ทำไมการประเมินผลของกองทุนจึงเป็นเกณฑ์มาตรฐานที่แตกต่างออกไป

เบนช์มาร์กสาธารณะถามคำถามชุดเดียวกันกับทุกโมเดล Terminal X ถามแต่ละโมเดลด้วยคำถามของบริษัทหนึ่ง โดยเทียบกับเกณฑ์ชุดเดียว ในสไตล์เฉพาะของบริษัทนั้น ทำให้ผลลัพธ์เกี่ยวข้องกับผู้ซื้อมากขึ้นและเปรียบเทียบข้ามผู้ซื้อได้น้อยลง — ฮาร์เนสเดียวกันที่กองทุนอื่นจะให้น้ำหนักเกณฑ์ที่ต่างกัน และช่องว่าง 220 คะแนนอาจหดแคบลงหรือกว้างขึ้นได้ง่าย ๆ

นอกจากนี้ยังทำให้การตรวจสอบผลลัพธ์มีต้นทุนสูง การทำซ้ำต้องใช้เกณฑ์การให้คะแนน 54 ข้อและคำตัดสิน 500 รายการ ซึ่งทั้งสองอย่างไม่เปิดเผยต่อสาธารณะ สิ่งที่เปิดเผยคือโครงร่างของข้อกล่าวอ้างและบริบทการผลิตโดยรอบ และบนพื้นฐานนั้นผลลัพธ์จึงสอดคล้องกัน: มีการสร้าง Memories ของบริษัทราว 1,700 รายการ มีการรันเวิร์กโฟลว์แบบกำหนดเองมากกว่าหนึ่งล้านครั้ง และผู้ใช้ที่ใช้งานอยู่รายสัปดาห์เท่ากับ 81% ของผู้ใช้ที่ใช้งานอยู่รายเดือน — อัตราความเหนียวแน่นที่บ่งชี้ว่าเอเจนต์เหล่านี้ถูกใช้ในช่วงสัปดาห์ทำงานมากกว่าที่จะถูกทดลองแล้วเลิกใช้ บริษัทไพรเวทอิควิตี้แห่งหนึ่งถูกอ้างถึงว่าประหยัดได้ 2.4 ล้านดอลลาร์ต่อปีจากการทำงานอัตโนมัติด้าน due diligence และเวิร์กโฟลว์การจัดทำบันทึก ทั้งหมดนั้นเป็นคำกล่าวอ้างของลูกค้าเอง

บรรทัดต้นทุนสำคัญกว่าบรรทัดความแม่นยำ

ตามเรื่องเล่า GPT-6.1 Sol รันเวิร์กโฟลว์เดียวกันด้วยต้นทุนต่อคิวรีต่ำกว่าประมาณ 30% เมื่อเทียบกับโมเดลที่ดีเป็นอันดับรองลงมา โดยมีความเร็วใกล้เคียงกัน Terminal X อธิบายว่าสาเหตุมาจากประสิทธิภาพของโทเค็นในงานที่ใช้บริบทขนาดยาว: โมเดลสามารถทดสอบสมมติฐานหนึ่งกับข้อกำหนดการลงทุนของกองทุน จากนั้นกับดีลล่าสุดของกองทุน แล้วรันคำวินิจฉัยที่ไม่แน่ชัดซ้ำและกระทบยอดให้สอดคล้องกัน ทั้งหมดภายในงบประมาณเดียวกัน การตรวจทานที่ลึกกว่านี้คือสิ่งที่ทำให้พบดีลที่การตรวจรอบเดียวปล่อยผ่านไป

การลดต้นทุน 30% ต่อคิวรีเป็นข้อเท็จจริงเชิงพาณิชย์ที่สำคัญกว่าความสอดคล้อง 220 เบซิสพอยต์มาก เพราะเอเจนต์ประเมินและตรวจทานถูกเรียกใช้ตลอดเวลา และค่าใช้จ่ายของเอเจนต์เหล่านี้จะเพิ่มตามปริมาณงาน นอกจากนี้ยังเป็นข้อกล่าวอ้างประเภทที่เรื่องเล่าจากผู้ขายสามารถพูดแบบหลวม ๆ ได้ — “ความเร็วที่ใกล้เคียง” ไม่ใช่ตัวเลข — ดังนั้นจึงจัดอยู่ในหมวดเดียวกับข้ออื่น ๆ: เชื่อถือได้ในเชิงทิศทาง แต่ยังไม่ได้รับการยืนยัน

GPT-6.1 Sol คืออะไร อย่างเป็นทางการ

GPT-6.1 Sol คือโมเดลที่ O​penAI เปิดตัวเมื่อวันที่ 29 กันยายน 2026 สำหรับงานเขียนโค้ดที่ซับซ้อนและงานระดับมืออาชีพ เป็นโมเดลระดับ GPT-6.1 เพียงรุ่นเดียวในรายการโมเดลของ O​penAI — ไม่มีตัวระบุ "GPT-6.1" แบบเปล่าแยกต่างหาก และคำขอที่ระบุชื่อดังกล่าวจะไม่สามารถ resolve ได้ ข้อกำหนดปัจจุบันของผู้จำหน่าย ตามที่เผยแพร่:

• ราคา — $2.00 ต่อล้านโทเค็นอินพุต และ $10.00 ต่อล้านโทเค็นเอาต์พุต

• อินพุตที่แคชไว้ — $0.10 ต่อล้าน; การเขียนแคช $2.50 ต่อล้าน

• พรอมต์ยาว — เกิน 272,000 โทเค็นอินพุต ค่าใช้จ่ายอินพุตและแคชเป็น 2× และเอาต์พุตเป็น 1.5×

• หน้าต่างบริบท — 1,050,000 โทเคน โดยมีอินพุตสูงสุด 922,000 และเอาต์พุตสูงสุด 128,000

• โมดาลิตี้ — ข้อความและรูปภาพเข้า ข้อความออก

• ระดับความพยายามในการให้เหตุผล — low, medium, high, xhigh และ max; none และ minimal จะถูกปฏิเสธ

• ขีดจำกัดความรู้ — 30 เมษายน 2026

• ระดับบริการ — Fast เร็วกว่ามาตรฐาน 2 เท่า, Batch และ Flex ถูกกว่ามาตรฐาน 50%, Ultrafast เร็วกว่า 6 เท่า พร้อมที่ตั้งจัดเก็บข้อมูลในสหรัฐฯ และสหภาพยุโรป

ภาพรวมอิสระบน Artificial Analysis ซึ่งอ่านเมื่อวันที่ 21 ตุลาคม 2026 คือ Intelligence Index เดียวที่ 52 ที่ระดับความพยายามสูงสุด (index v4.3.2 การประเมินสิบรายการ) ราคา $0.72 ต่องาน index หนึ่งงาน และราคาแบบ blended $1.47 ต่อหนึ่งล้านโทเคน โดยมีความเร็วเอาต์พุต 55.2 โทเคนต่อวินาที กระดานยังบันทึกเวลาไปยังโทเคนแรก (time to first token) ที่ 248 วินาที ณ การตั้งค่าความพยายามนั้น เทียบกับค่ามัธยฐานของตัวเปรียบเทียบที่ 3.69 วินาที — ซึ่งควรรู้ไว้ก่อนที่ใครจะชี้ UI แบบซิงโครนัสไปที่ระดับความพยายามสูงสุด

ตัวเลขสองชุดนั้นอธิบายสิ่งที่แตกต่างกัน และช่องว่างระหว่างตัวเลขเหล่านั้นคือบทสรุปที่ตรงไปตรงมาของโมเดลนี้: ระดับการให้เหตุผลแบบ 1M-context ที่ตั้งราคาเหมือนโมเดลระดับกลาง ซึ่งความคุ้มค่าทางเศรษฐศาสตร์ของมันใช้ได้กับการประเมินแบบแบตช์และงานเอเจนต์ที่รันยาว และใช้ไม่ได้กับสิ่งใดก็ตามที่คนต้องรอแบบโต้ตอบด้วยความพยายามสูงสุด

สิ่งที่ 88.6% ไม่ได้บอกคุณ

• ไม่ใช่มาตรวัดความสามารถโดยทั่วไป เกณฑ์เดียว ส่วนผสมประเภทสินทรัพย์เดียว มาตรฐานของบริษัทเดียว

• นี่คือความสอดคล้องกับมนุษย์ ไม่ใช่ความถูกต้อง ผู้ตรวจทานที่มีอคติคงเส้นคงวาและโมเดลที่แบ่งปันอคติเดียวกันนั้นจะได้คะแนนดี

• ชุดการเปรียบเทียบไม่ได้ระบุชื่อ "โมเดลที่ดีที่สุดรองลงมา" อาจเป็นคู่แข่งระดับแนวหน้าหรือระดับราคาที่ถูกกว่ามากก็ได้; หากไม่มีชื่อ ก็ไม่สามารถกำหนดราคาให้ 220 เบซิสพอยต์ได้

• ยังไม่มีการนิยามต้นทุนต่อหนึ่งคำถาม ว่าตัวเลขนั้นรวมถึงรอบการตรวจทานเพิ่มเติมที่โมเดลเปิดใช้หรือไม่ รายละเอียดแบบนี้แหละที่เปลี่ยนข้อสรุปได้

• ไม่มีข้อมูลใดในนี้ที่เป็นผลเบนช์มาร์กสาธารณะแบบเทียบกันได้โดยตรง บนดัชนีอิสระเพียงหนึ่งเดียวที่มีอยู่ GPT-6.1 Sol มีคะแนนต่ำกว่า GPT-6 Astra หนึ่งคะแนน และสูงกว่าระดับ GPT-6 Sol ที่ถูกแทนที่อยู่สี่คะแนน

การทดสอบข้อกล่าวอ้างแบบนี้กับข้อมูลของคุณเอง

วิธีเดียวที่จะรู้ว่าผลลัพธ์เรื่อง mandate-drift ถ่ายโอนได้หรือไม่ คือการนำคำตัดสินของคุณเองจำนวน 200 ถึง 500 รายการไปรันผ่านโมเดลสองตัว แล้วให้คะแนนโดยเทียบกับผู้ตรวจทานของคุณเอง

ตอนนี้การทดลองนั้นมีต้นทุนต่ำแล้ว: GPT-6.1 Sol อยู่บนเส้นทางของ OrcaRouter ในราคาตามรายการของผู้จำหน่ายเอง โดยไม่มีการบวกเพิ่ม ดังนั้นการรันเปรียบเทียบกับ GPT-6 Astra, GPT-6 Sol หรือ GPT-6 Luna จึงคิดตามอัตราที่กำหนดไว้เท่านั้นและไม่มีค่าใช้จ่ายอื่นใดอีก เพราะทั้งสี่ระดับอยู่ภายใต้คีย์เดียว การเปรียบเทียบจึงเป็นเพียงการเปลี่ยนสตริงโมเดล ไม่ใช่การทำสัญญาฉบับที่สอง

สถาปัตยกรรมของ Terminal X เองคือรูปแบบที่ควรค่าแก่การลอกเลียน: กำหนดเส้นทางขั้นตอนที่ต้องใช้การตัดสินใจหนัก ๆ — การสังเคราะห์ thesis, ความสอดคล้องกับ mandate, รอบการกระทบยอด — ไปยังระดับที่แข็งแกร่งที่สุดที่คุณให้เหตุผลรองรับได้ และกำหนดเส้นทางงานสกัดข้อมูล การจำแนกประเภท และขั้นตอนที่มีปริมาณสูงไปยังบางอย่างเช่น GPT-6 Luna ในราคา $0.10 และ $0.50 ต่อล้านโทเค็น routing DSLมีอยู่ก็เพื่อให้การแยกส่วนนั้นอยู่ในคอนฟิกแทนที่จะอยู่ในโค้ดแอปพลิเคชัน และการ failover อัตโนมัติหมายความว่าการรันประเมินผลจะไม่หยุดชะงักกลางทางเพราะ upstream รายหนึ่งมีช่วงเวลาที่แย่

ดูอะไรดี

สองสิ่งจะเปลี่ยนเรื่องนี้จากเกร็ดเล่าจากผู้ขายให้กลายเป็นผลลัพธ์ที่ยืนยันได้ ประการแรก บริษัทอีกรายที่เผยแพร่อัตราความสอดคล้องของตนเองบนเกณฑ์การให้คะแนนที่แตกต่างออกไป — หาก 88.6% เป็นคุณสมบัติของโมเดลมากกว่าของฮาร์เนสของ Terminal X โต๊ะซื้อขายเครดิตและกองทุนโครงสร้างพื้นฐานก็ควรได้ผลออกมาใกล้เคียงกัน ประการที่สอง การเปรียบเทียบที่ระบุชื่อ "โมเดลที่ดีรองลงมา" ที่ 86.4% คือตัวเลขที่ทุกคนจะต้องการตั้งคำถามตรวจสอบ และจนกว่าตัวเลขนั้นจะมีชื่อ attached 220 เบซิสพอยต์ก็เป็นเพียงคำกล่าวอ้างเกี่ยวกับหมวดหมู่หนึ่ง ไม่ใช่การเปรียบเทียบระหว่างผลิตภัณฑ์สองตัว

จนถึงตอนนั้น การตีความที่พอจะป้องกันได้ก็ยังแคบและยังมีประโยชน์: ในเวิร์กโฟลว์การลงทุนจริงหนึ่งแห่ง โมเดลระดับ GPT-6.1 เห็นพ้องกับผู้ตรวจสอบอาวุโสบ่อยครั้งพอที่จะทำให้การตรวจรอบแรกเป็นอัตโนมัติได้ จับการเบี่ยงเบนของ mandate ได้มากกว่าสิ่งที่ใช้เปรียบเทียบอยู่ราวหนึ่งในสี่ และทำได้ในต้นทุนต่อคิวรีต่ำลงราว 30% นั่นเป็นเหตุผลดีที่จะทดสอบด้วยตัวเอง ยังไม่ใช่เหตุผลที่จะข้ามการทดสอบนั้นไป