在 GPT-6.1 Sol 上，Terminal X 与其资深投资者的判断一致率高达 88.6%——同时还节省了 30%

OpenAI 于 2026 年 10 月 20 日发布的关于 Terminal X 的文章中最有趣的数字，并不是模型的名字。而是 88.6%——在 500 项已评分的投资判断中，运行于 GPT-6.1 Sol 上的评估智能体与公司资深人类评审员得出相同结论的比例。同一测试框架中次优的模型达到 86.4%。两者相差 220 个基点，而它们的每次查询成本相差约 30%。Terminal X 还运行 GPT-6 Luna 来处理高吞吐量步骤，而这两个层级之间的分工才是这里真正的工程故事：在需要判断的地方进行判断，在其他所有地方追求吞吐量。 像此次发布这类发布背后的有记录 AI 故障与智能体事件，均收录于 the OrcaRouter AI Incident Archive，其中每条记录都带有自己的来源、严重性、置信等级和争议标记。

在数字被拿到办公桌旁四处引用之前，有一件事要先说清楚：这是一篇由模型供应商发布的客户案例，由客户按照自己的评分标准衡量。从评测框架确实存在并在生产环境中运行这个意义上说，它是一个真实结果；但在任何意义上都不是独立基准测试。Terminal X 之外没有人复现过 88.6%。应把它视为迄今为止关于 GPT-6.1 级别模型在专业判断工作中表现如何的最详细公开证据——而不是排行榜条目。

实际测量了什么

Terminal X 销售其所谓的 Capital Memory：这是一个公司自有的系统，会索引数据室、模型、备忘录、申报文件、电子邮件和投资委员会历史记录，然后把特定交易台如何做出决策编码为公司自有的智能体，部署在本地或公司自己的云中。工程人员由前金融和投资专业人士组成，他们会与每位客户共处数周，逆向分析那些从未被写下来的推理——信贷交易台如何筛选借款人，共同投资团队在撰写备忘录前会调取哪些来源。

评估层是一个独立的智能体。按照这个设定，它会对照一份包含 54 项标准的评分细则来审读每一份生产输出，并针对每项标准返回通过或未通过的结果，同时为每个未通过项附上一行原因和修正后的源文本。这些未通过项会成为新的工作流指令和新的测试用例，因此随着公司不断修正系统，这份细则也会越来越厚。

核心对比来自 500 条已评分的判定，这些判定此前已由资深人工审核员作出裁定。按模型划分，该智能体的一致率如下：

• GPT-6.1 Sol — 在 500 次判断中一致率为 88.6%

• 次优模型——在相同的 500 个样本上一致率为 86.4%

• 差距——220个基点，即大约每 45 份判决中多出 1 份一致

Terminal X 指出了一个差距集中的错误类别：风格漂移。一只任务授权为收购以低于净资产价值折价交易的私有化候选标的的收购基金，不应在情景模型转向时推荐困境信贷头寸或救助融资。GPT-6.1 Sol 上的评估代理发现的此类偏离授权的情况，比次优模型多约 25%。这比“准确率 88.6%”是更窄的断言，也更有用：该模型更擅长注意到某项建议已经偏离核心论点，而这正是资深审核人每天实际花时间捕捉的失败模式。

为什么对基金的评估是一种不同类型的基准

公共基准测试向每个模型提出相同的问题。Terminal X 则针对一家公司的一套评分标准、以该公司自家的行文风格，向每个模型提出这家公司的问题。这使结果对买方更相关，但在不同买方之间的可比性更低——同一套评估框架用在另一家基金时，会赋予不同标准不同的权重，220 分的差距很容易缩小或扩大。

这也使得核查结果的成本很高。复现它需要 54 项标准的评分细则和 500 条判断，而这两者都不公开。公开的是这一主张的形态及其周边的生产背景，据此来看结果是自洽的：大约构建了 1,700 个企业 Memories，运行了超过一百万个自定义工作流，周活跃用户数相当于月活跃用户数的 81%——这一粘性比率表明，这些智能体是在工作周内被使用的，而不是经过试用后被弃用。文中引用了一家私募股权公司，称其通过自动化的尽职调查和备忘录工作流实现了 240 万美元的年化节省。所有这些都是客户自己的说法。

成本线比准确率线更重要

据这个故事所述，GPT-6.1 Sol 在运行相同工作流时，每次查询的成本比次优模型低约 30%，速度相近。Terminal X 将此归因于长上下文任务中的 token 效率：该模型可以在同一预算内，先依据基金的投资授权检验一个论点，再对照其近期交易进行检验，然后重新运行不确定的判定并进行核对。正是这种更深入的审查，标出了单次处理曾放行的交易。

按每次查询计算，成本降低30%这一事实在商业上的分量，远比一致率达到220个基点重要得多，因为评估与审核智能体是持续运行的，其账单会随用量规模同步增长。而且，这类说法也正是厂商叙事中容易含糊带过的那一种——“速度相近”并不是一个具体数字——因此它应归入与前文所述的同类：方向上可信，但未经核实。

正式记录中 GPT-6.1 Sol 是什么

GPT-6.1 Sol 是 O​penAI 于 2026 年 9 月 29 日发布的模型，面向复杂编码和专业工作。它是 O​penAI 模型列表中唯一一款 GPT-6.1 层级的模型——并不存在单独的无后缀“GPT-6.1”标识符，以该名称发起的请求将无法解析。以下是供应商已发布的当前规格：

• 价格 — 每百万输入 token 2.00 美元，每百万输出 token 10.00 美元

• 缓存输入 — 每百万 $0.10；缓存写入每百万 $2.50

• 长提示词 — 当输入超过 272,000 个 token 时，输入和缓存费用为 2 倍，输出费用为 1.5 倍

• 上下文窗口 — 1,050,000 个 token，最大输入 922,000，最大输出 128,000

• 模态——文本和图像输入，文本输出

• 推理强度 — 低、中、高、xhigh 和 max；none 和 minimal 会被拒绝

• 知识截止日期 — 2026年4月30日

• 服务层级 — Fast 为标准速度的 2 倍，Batch 和 Flex 低 50%，Ultrafast 为 6 倍，并提供美国和欧盟数据驻留

Artificial Analysis 上于 2026 年 10 月 21 日查阅到的独立数据显示：在最大努力档位下，Intelligence Index 为 52（index v4.3.2，十项评估），每项指数任务价格为 0.72 美元，混合价格为每百万 token 1.47 美元，输出速度为每秒 55.2 个 token。该榜单还记录到，在该努力设置下，首 token 时间为 248 秒，而对照中位数为 3.69 秒——在任何人将同步 UI 指向最大努力层级之前，这一点值得了解。

这两组数字描述的是不同的事物，而它们之间的差距正是对这个模型的诚实概括：一个拥有 100 万上下文的推理层级，却按中端模型定价；其成本效益适用于批量评估和长时间智能体运行，却不适用于任何需要人们以最大努力交互等待的场景。

88.6% 所没有告诉你的事

• 这不是一项通用的能力衡量指标。一套评分标准、一种资产类别组合、一家公司的标准。

• 这是与人类评审者达成一致，而不是正确性。带有固定偏见的评审者与共享该偏见的模型会获得高分。

• 对比集未具名。"次优模型"可能是前沿竞品，也可能是便宜得多的档位；没有名称，这220个基点就无法定价。

• 每次查询的成本没有定义。这是否包括该模型所启用的额外复核轮次，正是那种会改变结论的细节。

• 这里的任何内容都不是可同类比较的公开基准测试结果。在唯一一个确实存在的独立指数上，GPT-6.1 Sol 比 GPT-6 Astra 低一分，比它所取代的 GPT-6 Sol 层级高四分。

用自己的数据检验这样的说法

要知道指令漂移的结果是否能够迁移，唯一的方法就是把你自己的 200 到 500 条判断分别跑过两个模型，并由你自己的评审员对它们打分。

现在这是一次低成本实验：GPT-6.1 Sol 已接入 OrcaRouter 的路由，按供应商自己的目录价提供，不额外加价，因此与 GPT-6 Astra、GPT-6 Sol 或 GPT-6 Luna 进行可比运行只需支付价目表费用，别无其他。由于这四个层级都通过同一个密钥访问，比较只是更改模型字符串，而不是再签一份合同。

Terminal X 自身的架构就是值得效仿的模式：把判断密集的阶段——论点综合、授权契合度、对账复核——交给你能合理论证的最强层级，而把抽取、分类和高吞吐步骤交给类似 GPT-6 Luna、每百万 token 收费 $0.10 和 $0.50 的方案。路由 DSL 的存在正是为了让这种拆分能放在配置里，而不是放在应用代码中；自动故障转移意味着一次评估运行不会因为某个上游服务当天状态不佳而中途夭折。

看什么

有两件事会让这件事从厂商轶闻变成一项结果。第一，另一家公司用不同的评估标准公布其自身的一致率——如果 88.6% 是模型本身的属性，而不是 Terminal X 测试框架的属性，那么信贷交易台和基础设施基金应当落在相近区间。第二，具名对比。86.4% 的“次优模型”是所有人都会想追问的数字，而在它有名有姓之前，220 个基点只是关于某一类别的说法，而非两个产品之间的比较。

在此之前，站得住脚的解读是狭窄但仍然有用的：在某个生产环境中的投资工作流程里，一个 GPT-6.1 级别的模型与资深审核者达成一致的频率足够高，足以将第一轮审核自动化；它比其所对照的基准多捕捉到约四分之一的授权偏离（mandate drift）；而且每次查询的成本还低了约 30%。这足以成为你自己跑一次测试的好理由，但还不足以成为跳过测试的理由。