GPT-6.1 Sol首个独立评分出炉：落后Astra 0.84分，任务成本不到其四分之一

在GPT-6.1 Sol于 Open​AI 2026 年 9 月 29 日 DevDay 发布后数日内出现的每一篇报道——包括本博客的这篇——都带着同样的警告：那些能力数字出自厂商，没有任何第三方对该模型进行过评分。如今这一警告已经过时。Artificial Analysis 的智能指数上已经有了 GPT-6.1 Sol 的一行数据，以最高推理强度运行，这是该模型短暂生命周期中第一个并非由 Open​AI 产出的数字。它显示为 51.8，而GPT-6 Astra为 52.7，GPT-6 Sol为 47.5——与那款 10 美元/50 美元的旗舰机型差距不到一个百分点，相比 GPT-6.1 Sol 所取代的模型则提升了 4.3 个百分点。让这一行数据真正有意思的，是它旁边的那个数字：该榜单为每个分数背后的评测运行标出了价格，GPT-6.1 Sol 的指数运行每项任务花费 0.72 美元，而 Astra 的花费为 3.26 美元。多花四倍半的钱换取 0.84 分，这一句话就是整个对比，而如今它是一条实测出来的话，而非厂商对它的某种说法。

这一行本身，以及它运行所基于的内容

Artificial Analysis 发布的 Intelligence Index 是十项评估的综合体，而在 2026 年 9 月 30 日运行的版本是 v4.3.2——AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 和 AA-LCR v1.1。本文中的三款 OpenAI 模型都基于同一版本，因此下文的比较是同类对同类的，而厂商自己的发布表格从来做不到这一点。该榜单还记录了它为该模型掌握的发布日期——2026-09-29，即 DevDay 当天——并以 max-effort 配置对其进行评估，这也是该页面在自己的标题中列出的设置。

• 智能指数 — GPT-6.1 Sol（max）为 51.8，GPT-6 Astra（max）为 52.7，GPT-6 Sol（max）为 47.5。
• 每个索引任务的成本 — GPT-6.1 Sol 为 0.72 美元，Astra 为 3.26 美元，GPT-6 Sol 为 1.05 美元。这是榜单自己给出的数字，即运行一次完整索引评估的花费，而非价目表。
• 本次运行消耗的输出 token — GPT-6.1 Sol 为 6720 万，Astra 为 6000 万，GPT-6 Sol 为 7680 万。AA 自己的评论称，相较于榜单中位数 8200 万，6700 万“相当简洁”，这是它对其所取代的模型取得的第二项、也更低调的胜利。
• 输出速度 — GPT-6.1 Sol 为每秒 66.8 个 token，Astra 为 57.0，GPT-6 Sol 为 76.2。
• 榜单列出的价格 — GPT-6.1 Sol 每百万 token 输入 2.00 美元、输出 10.00 美元，缓存输入为 0.10 美元，缓存写入为 2.50 美元。这四个数字与厂商定价页面完全一致，而这正是这一行最不引人注目、也最有价值之处：一份为我们此前已引用过的费率提供的独立清单。

先说一个框架性说明，免得这些数字被当作弹药。AA 的指数由十项评估构成，而 OpenAI 在自家发布公告开头重点主打的评估——DeepSWE v1.1、OSWorld 2.0、Terminal-Bench Science 0.1——并不在其列。AA 运行的是其自有版本的 AutomationBench，这与厂商所引用的那个 AutomationBench 版本并非同一套测试框架。因此，这份独立记录既没有证实、也没有推翻发布帖中的四项头条主张；它衡量的是一组在很大程度上不同的任务，更应被当作关于该模型总体形态的另一种参考意见，而不是对那些具体语句的定论。

Astra 仍然胜出，领先不到一分，但花的钱是四倍半。

两个模型都提供了一条努力等级阶梯，而榜单现已公布两者每一级的得分和运行成本。把它们并排放在一起，这些阶梯揭示出单一头条式比较无法说明的事情：GPT-6.1 Sol 的最佳配置并没有在与 Astra 的最佳配置竞争。它是在与 Astra 的第二佳配置竞争。

• GPT-6.1 Sol，max — 51.8，每个索引任务 $0.72。GPT-6 Astra，max — 52.7，$3.26。
• GPT-6.1 Sol，xhigh — 51.0，$0.39。GPT-6 Astra，xhigh — 52.4，$2.31。
• GPT-6.1 Sol，high — 50.2，$0.32。GPT-6 Astra，high — 50.9，$1.73。
• GPT-6.1 Sol，medium — 47.8，$0.21。GPT-6 Astra，medium — 49.6，$1.54。
• GPT-6.1 Sol，low — 42.1，$0.13。GPT-6 Astra，low — 45.8，$0.82。

Astra 在每一档都领先，这是对这场对决的诚实总结，也是最没意思的部分。有意思的部分在于兑换率。如果你想要能击败 GPT-6.1 Sol 最佳表现的最便宜 Astra 配置，那就是 xhigh 档的 Astra：52.4 对 51.8，成本为 $2.31 对 $0.72。也就是说，每次评估运行多花 $1.59，换来 0.56 个指数点——大约是以 3.2 倍的成本，换取不到百分之一的分数。反过来，把 GPT-6.1 Sol 降到 xhigh，你会放弃 0.8 分，而账单降到 $0.39；这比 Astra 的 xhigh 便宜 5.9 倍，是 Astra 最大努力运行的九分之一。

同一阶梯还有第二种解读，反对以最大投入购买 Astra。Astra 的四个较低档位都比其 max 更便宜，而它的 xhigh 比 max 低 0.29 分——分数只少略高于半个百分点，运行成本却降低 29%。任何关于这对组合的采购讨论，如果从“Astra 用 max”开始，到“Astra 贵 4.5 倍”结束，就把 Astra 自己更便宜的档位排除在比较之外了。

六项评估归Astra，两项归GPT-6.1 Sol，两项打平

综合评分掩盖了分化。在最大努力下逐项评估打分后，GPT-6 并不是一个在所有方面都略优于 Astra 的模型——它在两项上更好，在六项上更差。

• GDPval-AA — GPT-6.1 Sol 的 Elo 为 1575.1，Astra 为 1541.9，在专业工作任务上领先 33 分。这是较便宜模型取得的最大单项独立胜利。
• AA-LCR v1.1，长上下文推理 — 0.830 对 0.807。GPT-6.1 Sol 领先。
• AA-Briefcase v1.1 — Elo 1564.2 对 1568.9。Astra 领先 4.7。
• AutomationBench-AA — 0.649 对 0.685。Astra 领先 3.6 分。
• Terminal-Bench 4.0 — 0.561 对 0.591。Astra 领先 3.0 分。
• SciCode — 0.542 对 0.565。Astra 领先 2.3 分。
• Humanity's Last Exam — 0.529 对 0.547。Astra 领先 1.8 分。
• AA-Omniscience — 41.5 对 43.4。Astra 领先 1.9 分。
• GDP.pdf 和 CritPt — 在两个模型上分别以 0.310 和 0.317 完全持平。

这些行中有两行的价值超过了它们在列表中的排位。GDPval-AA 上的差距是唯一一处，较便宜模型的优势大到足以在更换评测框架后依然成立，而且它恰好落在厂商定位话术所宣称的工作负载上——专业的、文档密集型工作。而两处完全打平出现在差距最窄的评测上，这提醒人们：0.84 分的综合差距，是由各单项从 33 分的胜出到 3.6 分的落败不等的若干行拼合而成的。

与它所取代的型号相比，这一提升是真实存在的，但并不均衡。

对任何已经在生产路径上运行 GPT-6 Sol 的人来说，真正重要的比较，是 6.1 Sol 与其自身前代之间的那项比较，而独立记录在这一点上比厂商的发布文章更犀利。十项评估中有八项有所提升。两项出现退步。

• SciCode — GPT-6.1 Sol 得分为 0.542，而 GPT-6 Sol 得分为 0.576。较新的模型在科学代码方面差了 3.5 分。
• AA-LCR v1.1 — 6.1 Sol 为 0.830，而 GPT-6 Sol 为 0.837。在长上下文评估上，差距微乎其微，但方向不对。
• AA-Omniscience — 41.5 对 27.1。这是该行中最大的变动：知识评估上跃升 14.4 分，该集合上的准确率从 0.545 升至 0.621。
• 同一集合上的幻觉率 — GPT-6.1 Sol 为 0.543，低于 GPT-6 Sol 的 0.601，仍高于 GPT-6 Astra 的 0.513。AA-Omniscience 将其分数拆分为“答对了”和“自信地答错”，而这一拆分正是 6.1 更新版体现价值之处：它明显没有 Sol 那么不诚实，但仍是三者中最不诚实的。
• Terminal-Bench 4.0 — 0.561 对 0.439，提升 12.2 分。 AA-Briefcase — 1482.8 到 1564.2 Elo。 GDP.pdf — 0.248 到 0.310。

解读是，这更像是一次知识与工具层面的更新，而非推理能力的更新。提升最明显的评测，是那些奖励知道事情、而非编造事情的评测；下降的那个评测则是一个狭窄的技术性评测。任何为了节省缓存而迁移到 6.1 Sol 的人，都会把知识提升当作额外收获，并且不应假设这种提升会延伸到他们运行的每一个评测框架中。

它在榜单上的排名，以及排在它上方的是什么

在排行榜默认的 Intelligence Index 排序中，以 maximum effort 运行的 GPT-6 Astra 位列第 7，以 maximum effort 运行的 GPT-6.1 Sol 位列第 10，而以 maximum effort 运行的 GPT-6 Sol 则位列第 20。排在 GPT-6.1 Sol 之上的九行分别是两个 Astra 配置、三个 Claude Opus 5.5 配置、一个 Claude Sonnet 5.5 配置和两个 Claude Fable 5.1 配置——因此，GPT-6.1 Sol 最接近的模型是其自身家族中的旗舰，而它在该排序中实际取代的模型正是其自身的前代，后者低了十三个名次。

去掉 effort 设置后，排序的压缩方式对成本规划很重要：GPT-6.1 Sol 在 xhigh 下排第 13，在 high 下排第 15，在 medium 下排第 19，在 low 下排第 35；而 Astra 在 high 下排第 14，在 medium 下排第 16，在 low 下排第 26。换句话说，GPT-6.1 Sol 在 xhigh 下的排名高于 Astra 在 high 下的排名，而 GPT-6.1 Sol 在 medium 下的排名高于 Astra 在 low 下的排名。在这里，effort 是比模型选择更大的杠杆，至少在这两者之间是如此。

说实话，这个数字该怎么处理呢

本行所检验的厂商说法是，GPT-6.1 Sol 以大约五分之一的价格几乎媲美旗舰产品。对这句话的独立表述是：它与旗舰产品的差距在 0.84 个指数点以内，而支撑其得分的评估运行成本仅为旗舰产品的 22%。这与该说法足够接近，没有人应因此感到被误导；而且在对买家重要的每一个维度上，这都比“未经验证”更有力。

这行数据不做的，是为你的工作负载定价。一次索引运行是一组特定的任务组合，而真正决定实际账单的那个数字，是费率表对照你自己的 token 结构——这正是缓存那一行仍然是最值得拿来建模的一行的原因：GPT-6.1 Sol 的 $0.10 缓存输入价对比 Astra 的 $1.00，是十倍差距，任何索引评分都碰不到。在我们这边，同样的透传逻辑也适用：OrcaRouter 以 OpenAI 自身的标价提供 GPT-6 Astra、GPT-6 Sol 和 GPT-6 Luna，不额外加价，因此供应商费率一变，我们这边的费率也随之变化，而不必等待另一份合同。GPT-6.1 Sol 不在我们的路由中——公开目录返回“未找到模型”，针对的是openai/gpt-6.1-sol，截至目前，对于一个我们无法提供服务的模型，也不存在任何诚实的描述方式。而眼下，一把 API 密钥确实能为你买到的，正是这份基准测试真正在争论的那一对组合——用 Astra 干最难的活，用 Sol 扛量——各提供商的标价原样透传、不附加任何加价，并且当其中某家提供商报错时，可自动在提供商之间故障转移。

还有两点会进一步说明问题。针对同一模型再做一个独立的测试框架，会告诉我们 GDPval-AA 的领先究竟是模型本身的特性，还是那次评测的特性——而这是这一行里最有用却缺失的一个数据点。此外，对 272,000 token 长上下文层级做一次独立测量，其意义会超过再增加一个综合得分点，因为正是在这里，这一系列产品的定价不再便宜。