Câu chuyện về GPT-6.1 Sol của DevRev thực chất là câu chuyện về nơi GPT-6 Astra không hiện diện

OpenAI đã công bố một câu chuyện khách hàng trong tuần này với tiêu đề "DevRev mang đến khả năng tự phục vụ tự động với GPT-6.1 Sol", và câu giàu thông tin nhất trong đó hoàn toàn không nói về GPT-6.1 Sol. Đó là câu nói rằng các kỹ sư bán hàng của DevRev được cho là dùng GPT-6 Astra để tạo bản demo cho các gian hàng hội nghị. Giám đốc công nghệ của DevRev, Ahmed Bashir, mô tả một công ty đã chia danh mục mô hình của mình làm hai: mô hình tầm trung đảm nhận tuyến hỗ trợ vận hành, còn mô hình tiên phong đảm nhận thứ mà khách hàng tiềm năng nhìn vào trong chín mươi giây. Đó là bằng chứng hữu ích hơn bất kỳ điểm chuẩn nào trong bài viết, vì đó là quyết định triển khai do một người thực sự phải trả hóa đơn đưa ra.

Thời điểm rất quan trọng. GPT-6.1 Sol đã ra mắt vào ngày 29 tháng 9 năm 2026 tại DevDay, một tuần sau GPT-6 Sol, với giá 2,00 USD mỗi triệu token đầu vào và 10,00 USD mỗi triệu token đầu ra. Bài viết của chính DevRev về quan hệ đối tác với OpenAI mang nhãn cập nhật ngày 2 tháng 11 năm 2026, và câu chuyện khách hàng này là lần đầu tiên một dịch vụ sản xuất được nêu tên đưa mô hình tầm trung, thay vì mô hình hàng đầu, vào lộ trình phục vụ khách hàng. Đây không phải là một buổi ra mắt. Đây là tham chiếu công việc đầu tiên.

DevRev thực sự vận hành những gì

DevRev xây dựng hai sản phẩm trên cùng một nền tảng. Computer là đồng đội AI trả lời và hành động trên khắp dữ liệu doanh nghiệp; Operator là tác nhân thực hiện một hành động đã được phê duyệt hoặc định tuyến yêu cầu đến đúng người. Cả hai đều cần cùng ba thứ trước khi một mô hình được phép tiếp cận khách hàng: ngữ cảnh công ty, các quyền tương ứng với vai trò của một người và các hành động có thể hoàn tác. Mô hình cung cấp khả năng suy luận, lập kế hoạch và lựa chọn công cụ. Bộ khung của DevRev cung cấp phần còn lại, và Agent Studio là nơi khách hàng mô tả qua hội thoại cách một công cụ nên hoạt động, sau đó cố định những phần không được thay đổi bằng các quy tắc cố định.

Hai thuộc tính trong câu chuyện đáng giá hơn những lời ca ngợi. Hành động có thể đảo ngược. Câu trả lời có trích dẫn nguồn. Đó là hai kiểu lỗi khiến các doanh nghiệp không dám để một agent đóng ticket, và DevRev đang tuyên bố cả hai là hành vi của sản phẩm chứ không phải hành vi của mô hình. Nếu bạn đang đánh giá bất kỳ agent tự phục vụ nào, đó là những câu hỏi cần đặt ra, và không bảng xếp hạng nào trả lời được chúng.

Con số sẽ được gắn với câu chuyện này là từ tháng Bảy, và nó không phải về Sol.

Tìm kiếm các bài viết về DevRev và OpenAI, bạn sẽ thấy một cặp con số gây ấn tượng mạnh: chính xác hơn 48%, và ít hơn 4,4 lần số token cho mỗi phản hồi đúng. Chúng là thật, chúng đã được công bố, và chúng chẳng liên quan gì đến GPT-6.1 Sol.

Những con số đó đến từ một bản công bố ngày 9 tháng 7 năm 2026 giới thiệu Enterprise-Bench, một bộ đánh giá chuẩn tác nhân doanh nghiệp mở do DevRev xây dựng cùng Laude Institute và công bố trên Harbor harness. Trong so sánh đó, Computer của DevRev đạt 94,3% so với 63,6% trên bộ dữ liệu XL, và dùng khoảng 5.598 token cho mỗi phản hồi đúng so với 24.461. Cuộc so sánh rõ ràng là harness với harness, với cả hai hệ thống chạy cùng một mô hình nền tảng. DevRev quy khoảng cách này cho kiến trúc truy xuất và bộ nhớ chia sẻ của mình, chứ không phải mô hình bên dưới. Nó cũng được đánh giá chuẩn so với Claude Code, chứ không so với bất kỳ thứ gì OpenAI phát hành vào tháng 9.

Câu chuyện khách hàng của OpenAI có nhắc đến Enterprise-Bench, và Bashir nói rằng GPT-6.1 Sol hoạt động tốt trên đó. Đó là một phát biểu định tính. Không có điểm số nào được đưa ra, không có lát cắt tập dữ liệu, không có so sánh. Bất kỳ ai ghép số liệu tháng 7 vào câu chuyện tháng 11 đều đang đo một thứ khác trên một mô hình khác trong một quý khác. Cách đọc trung thực thì hẹp hơn và vẫn thú vị: DevRev có một benchmark do chính mình xây dựng cho đúng quyết định này, và họ đã từ chối công bố một dòng Sol trên đó.

Điều mà câu chuyện không nói ra

Không có tỷ lệ giải quyết, không có số lượng ticket, không có phân vị độ trễ, không có số lượng token và không có giá trong bài đăng của OpenAI. Đối với một câu chuyện khách hàng về tự phục vụ tự động, đó là toàn bộ bảng điểm bị thiếu.

Con số gần nhất được công bố là bản thử nghiệm chứng minh khái niệm BILL của DevRev, trong đó BILL báo cáo tỷ lệ giải quyết bằng AI là 70% trên các truy vấn khách hàng thực tế theo đánh giá của chính mình. Tài liệu của DevRev cũng dẫn mức giảm 77% token và mức giảm từ khoảng chín phút xuống còn khoảng 1,5 phút đối với các câu hỏi nhiều bước, được đo so với cách tiếp cận trước đó của chính họ. Đây là những số liệu do nhà cung cấp báo cáo và chưa được tái lập, và không có số nào trong đó gắn với thế hệ mô hình hiện đang được đưa vào vận hành. Hãy coi chúng là hình dạng của tuyên bố, không phải quy mô của tuyên bố đó.

Ràng buộc của chính Bashir là điều cần bám chặt: “Những thứ này phải có khả năng chạy và tự hoàn thành trong vài giây, chứ không phải vài phút.” Một tương tác hỗ trợ mất hai mươi phút suy luận thì không phải là tự phục vụ, bất kể nó đạt điểm bao nhiêu. Câu đó giải thích lựa chọn mô hình tốt hơn bất kỳ bảng điểm chuẩn nào.

Phép tính mà bàn hỗ trợ có thể kiểm tra

Lấy một ticket thông thường: 20.000 token đầu vào của ngữ cảnh được truy xuất, 2.000 token đầu ra bao gồm cả phần suy luận. Theo giá niêm yết của GPT-6.1 Sol, con số đó là $0,04 cho đầu vào và $0,02 cho đầu ra, tức khoảng sáu xu. Cùng yêu cầu đó trên GPT-6 Astra, với $10,00 cho đầu vào và $50,00 cho đầu ra, là $0,20 cộng $0,10, tức khoảng ba mươi xu. Cùng một tác vụ, hóa đơn gấp năm lần.

Sáu xu là mức sàn chứ không phải dự báo. Token suy luận được tính như output, các lần thử lại bị tính hai lần, và bất kỳ vòng lặp công cụ nào cũng nhân cả hai lên. Nhưng tỷ lệ mới là điểm mấu chốt, và nó vẫn đúng bất chấp cả ba lưu ý. Số liệu chi phí do nhà cung cấp báo cáo của chính OpenAI cũng cho thấy điều tương tự: trên Terminal-Bench Science 0.1, OpenAI đặt GPT-6.1 Sol ở mức 5,47 đô-la mỗi tác vụ, so với 23,80 đô-la cho GPT-6 Astra và 23,21 đô-la cho Claude Opus 5.5, trong khi Sol đạt 57,02% ở mức nỗ lực tối đa so với 68,1% của Astra. Bạn đang mua thêm mười một điểm năng lực với chi phí gấp bốn lần, và trên một hàng đợi hỗ trợ, điểm thứ mười một thường chỉ là một cách diễn đạt tốt hơn, chứ không phải một ticket được giải quyết.

Đây là phép tính mà mô hình định giá của OrcaRouter được xây dựng xoay quanh: giá niêm yết của nhà cung cấp được chuyển thẳng qua mà không cộng thêm lợi nhuận, vì vậy một mức giá như $2.00 và $10.00 chính là con số bạn phải trả, và thay đổi giá từ nhà cung cấp được áp dụng ngay trong cùng ngày thay vì vào lần gia hạn hợp đồng tiếp theo. Cả hai mô hình nằm sau một khóa duy nhất, nghĩa là sự phân tách mà DevRev đã thực hiện trong kiến trúc của mình — mô hình rẻ trên đường xử lý khối lượng lớn, mô hình đắt tiền ở nơi câu trả lời chính là sản phẩm — là một quyết định định tuyến chứ không phải một lần mua sắm thứ hai. Với những bước mà một lệnh gọi công cụ sai gây tốn kém, chuyển đổi dự phòng sang một mô hình mạnh hơn theo từng yêu cầu chính là sự khác biệt giữa một buổi chiều tồi tệ và một tuần tồi tệ.

Vì sao mô hình tầm trung lại được giao cho lộ trình sản xuất

Bản năng là đọc điều này như một câu chuyện về chi phí. Nó một phần là câu chuyện về độ trễ. GPT-6.1 Sol chạy với reasoning luôn bật trên năm mức effort, từ low đến max, mặc định là medium, và hoàn toàn không chấp nhận temperature hay top_p. Điều đó loại bỏ nút tinh chỉnh mà hầu hết các nhóm với tay tới khi một agent có cảm giác chậm, và để lại mức effort như van tiết lưu. Giữa low và max, chênh lệch về thời gian đến token trả lời đầu tiên được tính bằng phút, chứ không phải mili giây.

Các con số độc lập nằm đúng chỗ bạn kỳ vọng ở một mô hình trong phân khúc này. Trên Artificial Analysis Intelligence Index v5.0.1, GPT-6.1 Sol đạt 55 điểm ở mức nỗ lực tối đa, với 56 token mỗi giây, 1,27 USD cho mỗi tác vụ chỉ số hoàn thành và 63,7 triệu token đầu ra trong toàn bộ lần chạy. Trên dữ liệu đo từ xa bảy ngày của riêng chúng tôi, mô hình cho thấy thời gian trung vị đến token đầu tiên là 937 ms, tỷ lệ lỗi 5,7% và tốc độ đầu ra 39,5 token mỗi giây — một hồ sơ mà một luồng hỗ trợ có thể được xây dựng dựa trên đó: không phải mô hình nhanh nhất hiện có, nhưng đủ dự đoán được để có thể định cỡ hàng đợi xoay quanh nó.

Cửa sổ ngữ cảnh là nửa còn lại của lựa chọn. Với 1.050.000 token cùng giới hạn đầu ra 128.000 token, một hồ sơ vụ việc, lịch sử của nó và kiến thức được truy xuất đều vừa trong một yêu cầu. Đó là điều khiến một tác nhân có thể suy luận "xuyên suốt dữ liệu trực tiếp" mà không cần một lớp chia nhỏ phức tạp — và đó chính là phần trong bảng thông số mà tỷ lệ giải quyết 70% thực sự phụ thuộc vào.

Điều gì sẽ biến điều này thành một nghiên cứu điển hình?

Ba điều sẽ biến điều này từ một logo trên trang thành bằng chứng mà bạn có thể lập kế hoạch dựa vào. Tỷ lệ giải quyết được công bố cho {{1}}Operator{{/1}}, trên một bộ dữ liệu có tên, cùng với tỷ lệ chuyển lên con người bên cạnh. Một phân phối độ trễ thay vì một giá trị trung bình, vì p95 là nơi tự phục vụ bị vỡ. Và một phép ablation {{2}}Sol{{/2}} so với {{3}}Astra{{/3}} trên {{4}}Enterprise-Bench{{/4}}, vì {{5}}DevRev{{/5}} đã sở hữu harness và đã cho thấy họ sẽ công bố kết quả khi chúng có lợi cho kiến trúc của họ.

Bashir chỉ ra hai thứ anh ấy muốn có tiếp theo: Decisions API, dành cho những phán đoán nhỏ vốn tốn kém khi mã hóa thành quy tắc nhưng không cần suy luận sâu, và Ultrafast, gói tốc độ 6× của OpenAI với giá $12.00 cho đầu vào và $60.00 cho đầu ra trên mỗi triệu token, có thể mua từ ngày 8 tháng 10. Cả hai đều là những nỗ lực mua độ trễ thấp hơn mà không mua thêm trí thông minh, đây là bản năng đúng đắn cho một hàng đợi hỗ trợ và ngược lại với điều mà hầu hết lộ trình phát triển agent theo đuổi.

Mô hình đáng để quan sát không phải là DevRev cụ thể. Mà là việc triển khai production được nêu tên đầu tiên của GPT-6.1 Sol đã đặt mô hình rẻ ở nơi có khách hàng và mô hình đắt ở nơi có khách hàng tiềm năng. Nếu điều đó trở thành hình dạng thông thường của một ngăn xếp tác nhân doanh nghiệp — một chú ngựa thồ trên tuyến lưu lượng lớn, một mẫu chủ lực cho phần demo — thì câu hỏi thú vị với mọi nhà cung cấp sẽ không còn là mô hình nào thông minh nhất, mà bắt đầu là bạn có thể chuyển một yêu cầu giữa chúng sạch sẽ đến mức nào.