DevRev 的 GPT-6.1 Sol 故事，实则是关于 GPT-6 Astra 缺席之处的故事

OpenAI 本周发布了一篇客户案例，标题为“DevRev 借助 GPT-6.1 Sol 交付自主自助服务”，而文中信息量最大的一句话根本不是关于 GPT-6.1 Sol 的。那句话说的是，DevRev 的销售工程师使用 GPT-6 Astra 为会议展位搭建演示。DevRev 首席技术官艾哈迈德·巴希尔描述了一家公司将其模型资产一分为二：中端模型承载生产支持路径，前沿模型承载潜在客户会盯着看九十秒的那个东西。这是比文中任何基准测试都更有用的证据，因为这是由一个需要买单的人做出的部署决策。

时机很重要。GPT-6.1 Sol 于 2026 年 9 月 29 日在 DevDay 上线，距离 GPT-6 Sol 发布仅一周，价格为每百万输入 token 2.00 美元、每百万输出 token 10.00 美元。DevRev 自己关于 OpenAI 合作的文章带有 2026 年 11 月 2 日的更新标记，而这个客户案例首次显示，一家具名生产服务将中端模型而非旗舰模型部署在面向客户的路径上。这不是一次发布。这是第一份工作参考。

DevRev 实际运行的是什么

DevRev 在同一套底层基础上构建了两款产品。Computer 是 AI 队友，能够跨业务数据回答问题并采取行动；Operator 是智能体，负责执行已获批准的操作，或将请求转交给合适的人。在允许模型接触客户之前，两者都需要同样的三样东西：公司上下文、与人员角色相匹配的权限，以及可撤销的操作。模型提供推理、规划和工具选择。DevRev 的执行框架提供其余部分，而 Agent Studio 是客户通过对话描述工具应如何行为、然后用固定规则锁定那些不得变化的部分的地方。

故事中的两个特性比赞誉更有价值。操作可逆。回答会引用来源。这正是阻止企业让智能体关闭工单的两种失败模式，而 DevRev 将这两者都声称为产品行为，而非模型行为。如果你在评估任何自助服务智能体，这些就是该问的问题，而没有任何排行榜能回答它们。

将于这篇报道关联的数字来自七月，而且与Sol无关。

搜索关于 DevRev 和 OpenAI 的报道，你会发现一对引人注目的数字：准确率高出 48%，每次正确响应所需的 token 数减少 4.4 倍。这些数字是真实的，已经公开发表，而且与 GPT-6.1 Sol 毫无关系。

这些数字来自 2026 年 7 月 9 日发布的一份公告，该公告宣布了 Enterprise-Bench——一个由 DevRev 与 Laude Institute 共同构建、发布在 Harbor harness 上的开放企业级智能体基准。在该对比中，DevRev 的 Computer 在 XL 数据集上得分为 94.3%，而对比对象为 63.6%；并且每个正确响应约使用 5,598 个 token，而对比对象为 24,461 个。该对比明确是 harness 对 harness，两个系统运行相同的底层模型。DevRev 将差距归因于其检索与共享内存架构，而非底层模型。它还与 Claude Code 进行了基准对比，而不是与 OpenAI 在九月发布的任何东西对比。

OpenAI 的客户案例提到了 Enterprise-Bench，Bashir 说 GPT-6.1 Sol 在其上表现良好。那是一个定性说法。没有给出分数，没有数据集切片，也没有比较。任何把 7 月的数字硬套到 11 月故事上的人，都是在不同季度、对不同模型衡量不同的东西。诚实的解读范围更窄，但仍有趣：DevRev 有一个正是为这一决策而打造的基准，却拒绝在其上公布 Sol 的一行结果。

故事没有说的事

OpenAI 的那篇文章里没有解决率、没有工单量、没有延迟百分位、没有 token 数量，也没有价格。对于一篇讲述自主自助服务的客户案例来说，这等于整块记分牌都缺失了。

最接近的已公布数据是 DevRev 的 BILL 概念验证：BILL 使用自己的评估方法，报告其在真实客户查询上达到 70% 的 AI 解决率。DevRev 的材料还提到，token 数量减少了 77%，并且在多步骤问题上从约九分钟降至约 1.5 分钟，这些数据是相对于其自身早期方法衡量的。这些都是供应商报告且未经复现的数据，而且没有一项与当前生产中的模型代际相关。应把它们视为这一主张的大致轮廓，而不是其实际规模。

Bashir 自己的那条约束才是值得牢牢把握的：“这些东西必须能在几秒内运行并自行完成，而不是几分钟。”一次需要二十分钟推理的客服交互，无论得分多高，都算不上自助服务。这句话比任何基准测试表都更能解释模型选择。

服务台可以核验的算术

以一个常规工单为例：20,000 个输入 token 的检索上下文，2,000 个输出 token（含推理过程）。按 GPT-6.1 Sol 的标价，输入费用为 $0.04，输出费用为 $0.02，合计约六美分。同样的请求放在 GPT-6 Astra 上，输入 $10.00、输出 $50.00，即 $0.20 加 $0.10，约三十美分。同样的任务，账单却是五倍。

六美分是下限，而不是预测。推理 token 按输出计费，重试按两次计费，而任何工具循环都会把这两者放大。但比例才是关键，而且它经受住了这三个限制条件。OpenAI 自己供应商报告的成本数据也指向同一结论：在 Terminal-Bench Science 0.1 上，OpenAI 将 GPT-6.1 Sol 定为每任务 5.47 美元，而 GPT-6 Astra 为 23.80 美元，Claude Opus 5.5 为 23.21 美元，其中 Sol 在最大努力下得分 57.02%，Astra 为 68.1%。你用四倍的钱买十一个点的能力，而在支持队列中，第十一个点通常只是更好的转述，而不是已解决的工单。

这就是 OrcaRouter 定价模型所围绕的计算方式：提供商标价原样传递，不加任何加价，因此像 $2.00 和 $10.00 这样的费率就是您实际支付的价格，供应商价格变动会在当天生效，而不是等到下一次合同续约。两个模型都位于同一个密钥之后，这意味着 DevRev 在其架构中做出的拆分——在批量路径上使用便宜模型，在答案本身就是产品的环节使用昂贵模型——是一种路由决策，而不是第二次采购。对于错误工具调用代价高昂的步骤，按请求故障转移到更强模型，正是糟糕的一个下午与糟糕的一周之间的区别。

为什么中端模型会获得生产路径

直觉上会把它读成一个成本故事。它部分上也是一个延迟故事。GPT-6.1 Sol 在从 low 到 max 的五个努力等级上始终开启推理运行，默认使用 medium，并且完全不接受 temperature 或 top_p。这移除了大多数团队在智能体感觉变慢时会去调的调节旋钮，只留下努力等级作为节流阀。在 low 与 max 之间，首个回答 token 的时间差以分钟计，而不是毫秒。

对于这一档位的模型来说，这些独立数据处于你预期会看到的位置。在 Artificial Analysis Intelligence Index v5.0.1 上，GPT-6.1 Sol 在最高强度下得分 55，速度为每秒 56 个 token，每完成一项索引任务花费 1.27 美元，整次运行共输出 6370 万个 token。在我们自己为期七天的遥测数据中，它的首 token 时间中位数为 937 毫秒，错误率为 5.7%，输出速度为每秒 39.5 个 token。这正是可以支撑一套支持流程的那类性能画像：它不是现有最快的模型，但足够可预测，可以据此规划队列容量。

上下文窗口是这一选择的另一半。在 1,050,000 个 token、128,000 个 token 的输出上限下，一个案件文件、其历史记录以及检索到的知识都能容纳在单个请求中。正是这一点，使得一个能够“跨实时数据”进行推理的智能体无需复杂的分块层即可实现——而这也是规格表中 70% 解决率真正依赖的部分。

什么会让这变成一项案例研究？

三件事能让它从页面上的一个标志，变成你可以据以规划的实证。Operator 在一个具名数据集上的已公布解决率，并在旁边附上人工升级率。延迟分布而非平均值，因为 p95 正是自助服务失效之处。以及在 Enterprise-Bench 上的 Sol 对 Astra 消融实验，因为 DevRev 已经拥有该评测框架，并且已经表明，当结果有利于其架构时，它会公布结果。

巴希尔指出他接下来想要的两样东西：Decisions API，用于那些编码成规则成本高昂、但又不需要深度推理的小型判断调用；以及 Ultrafast，即 OpenAI 的 6 倍速度层级，每百万 token 输入 12.00 美元、输出 60.00 美元，自 10 月 8 日起可购买。两者都试图只买低延迟、不买智能，这对支持队列来说是正确的直觉，也与大多数智能体路线图所追逐的方向相反。

要留意的模式并非特指 DevRev。关键在于，GPT-6.1 Sol 首个具名的生产部署，把便宜模型放在客户所在之处，把昂贵模型放在潜在客户所在之处。如果这成为企业级智能体技术栈的常态形态——高吞吐路径上用主力模型，演示场合用旗舰模型——那么对每个厂商而言，有意思的问题就不再是哪个模型最聪明，而是你能多干净利落地在两者之间迁移请求。