DevRev 的 GPT-6.1 Sol 故事，其實是在講 GPT-6 Astra 不在哪裡

OpenAI 本週發表了一篇名為「DevRev 以 GPT-6.1 Sol 提供自主自助服務」的客戶案例，而其中最具資訊量的一句話根本不是在講 GPT-6.1 Sol。那句話說的是 DevRev 的業務工程師使用 GPT-6 Astra 為會議攤位製作展示。DevRev 技術長 Ahmed Bashir 描述了一家公司將其模型資產拆成兩部分：中階模型承擔生產支援路徑，而前沿模型承擔潛在客戶看九十秒鐘的那個東西。這比文中任何基準測試都更有用的證據，因為這是一位得付帳的人所做的部署決策。

時機很重要。GPT-6.1 Sol 於 2026 年 9 月 29 日在 DevDay 推出，比 GPT-6 Sol 晚一週，價格為每百萬個輸入 token 2.00 美元、每百萬個輸出 token 10.00 美元。DevRev 自己關於與 OpenAI 合作的文章帶有 2026 年 11 月 2 日的更新標記，而這篇客戶案例是首次有具名的正式生產服務將中階模型、而非旗艦模型，置於面向客戶的流程中。這不是產品發表。這是第一個工作參考案例。

DevRev 實際執行什麼

DevRev 在同一套底層架構上打造兩款產品。Computer 是能在各類業務資料之間回答問題並採取行動的 AI 隊友；Operator 則是負責執行已核准動作，或將請求轉交給正確對象的代理。兩者在模型得以接觸客戶之前，都需要同樣的三件事：公司情境、與個人角色相符的權限，以及可復原的動作。模型負責提供推理、規劃與工具選擇。其餘部分由 DevRev 的 harness 提供，而 Agent Studio 則是讓客戶透過對話描述工具應如何運作，再以固定規則鎖定那些絕不能變動的部分。

這則報導中有兩項特性，比那些讚美更有價值。操作是可復原的。答案會引用來源。這正是讓企業不敢讓代理程式關閉工單的兩種失效模式，而 DevRev 聲稱這兩者屬於產品行為，而非模型行為。如果你正在評估任何自助式代理程式，這些就是該問的問題，而沒有任何排行榜能回答它們。

將附在這則報導上的數字來自七月，而且與 Sol 無關

搜尋關於 DevRev 與 OpenAI 的報導，你會發現一對引人注目的數字：準確率提高 48%，而每個正確回應所用的 token 數少了 4.4 倍。這些數字是真的、已公開發表，且與 GPT-6.1 Sol 毫無關係。

那些數字來自 2026 年 7 月 9 日的一份發布公告；該公告宣布了 Enterprise-Bench，這是由 DevRev 與 Laude Institute 共同打造、並發布於 Harbor 測試框架上的開放式企業代理基準測試。在該比較中，DevRev 的 Computer 在 XL 資料集上得分 94.3%，而對照組為 63.6%；每個正確回應約使用 5,598 個 token，而對照組為 24,461 個。該比較明確是測試框架對測試框架，兩套系統都執行相同的底層模型。DevRev 將差距歸因於其檢索與共享記憶體架構，而非底層模型。它也是與 Claude Code 進行基準比較，而不是與 OpenAI 在九月推出的任何產品比較。

OpenAI 客戶案例提到 {{1}}Enterprise-Bench{{/1}}，而巴希爾表示 {{2}}GPT-6.1 Sol{{/2}} 在其上表現良好。那是質性陳述。沒有給出分數，沒有資料集切片，也沒有比較。任何人把七月的數字硬套到十一月的案例上，都是在不同季度、用不同模型衡量不同的東西。誠實的解讀範圍更窄，但依然有趣：DevRev 有一個正是為這項決策而打造的基準，卻拒絕在其上公布 {{3}}Sol{{/3}} 那一列。

故事沒有說的事

OpenAI 的文章裡沒有解決率、沒有工單量、沒有延遲百分位數、沒有 Token 數量，也沒有價格。對於一篇關於自主式自助服務的客戶案例來說，這等於整塊計分板都缺失了。

目前最接近的已公開數據，是 DevRev 的 BILL 概念驗證；其中 BILL 依自家評估回報，在真實客戶查詢上達到 70% 的 AI 解決率。DevRev 的資料也引用 token 縮減 77%，以及在多步驟問題上從約九分鐘降到約 1.5 分鐘，這些都是對照其先前的做法測得。這些數字皆由廠商自行回報且未經重現，且沒有一項與目前正式上線的模型世代相關。請把它們視為這項宣稱的輪廓，而不是其規模。

Bashir 自己的限制條件才是應該牢牢記住的：「這些東西必須能在幾秒內自行執行並完成，而不是幾分鐘。」一次需要二十分鐘推理的客服互動，無論得分多高，都算不上自助服務。這句話比任何基準測試表更能說明模型選擇。

支援服務台可以核對的算術

拿一張例行工單來說：20,000 個輸入 token 的檢索上下文，以及 2,000 個輸出 token（包含推理）。以 GPT-6.1 Sol 的定價計算，輸入費用是 $0.04，輸出費用是 $0.02，所以大約六美分。同樣的請求在 GPT-6 Astra 上，以輸入 $10.00、輸出 $50.00 計算，則是 $0.20 加 $0.10，也就是大約三十美分。同樣的任務，帳單卻是五倍。

六美分是下限，而非預測。推理 token 會按輸出計費，重試會收兩次費，而任何工具迴圈都會把這兩者放大。但比例才是重點，而且它經得起這三項但書。OpenAI 自家供應商回報的成本數字也指向同一方向：在 Terminal-Bench Science 0.1 上，OpenAI 將 GPT-6.1 Sol 列為每項任務 5.47 美元，對比 GPT-6 Astra 的 23.80 美元與 Claude Opus 5.5 的 23.21 美元，而 Sol 在最大努力下得分 57.02%，Astra 則為 68.1%。你花四倍價錢買十一點能力，而在客服佇列中，第十一點通常是更好的改述，而不是已解決的工單。

這正是 OrcaRouter 定價模型所依據的計算邏輯：供應商定價原樣轉嫁、不加價，因此像 $2.00 和 $10.00 這樣的費率，就是你實際支付的數字，而供應商價格變動當天就會反映，而不是等到下一次合約續約。兩個模型都透過同一把金鑰存取，這表示 DevRev 在其架構中做出的拆分——高流量路徑用便宜模型，答案本身就是產品的環節用昂貴模型——是一項路由決策，而不是第二次採購。對於錯誤的工具呼叫代價高昂的步驟，以逐次請求為單位故障轉移到更強大的模型，正是糟糕一下午與糟糕一週之間的差別。

為何中階模型能獲選進入生產環境

直覺會把這件事解讀成成本問題。但它有一部分也是延遲問題。GPT-6.1 Sol 的推理始終開啟，涵蓋五個努力等級，從低到最高，預設為中等，而且完全不接受 temperature 或 top_p。這移除了多數團隊在代理感覺遲緩時會動用的調校旋鈕，只留下努力等級作為節流閥。從低到最高，取得第一個回答 token 的時間差距是以分鐘計，而非毫秒。

這些獨立數據落在這個定位的模型應有的水準。在 Artificial Analysis Intelligence Index v5.0.1 上，GPT-6.1 Sol 於最高強度下得分 55，速度為每秒 56 個詞元，每完成一項索引任務花費 1.27 美元，整次執行共輸出 6,370 萬個詞元。在我們自家的七日遙測中，它的首字延遲中位數為 937 毫秒、錯誤率 5.7%、輸出速度為每秒 39.5 個詞元；這樣的表現概況足以作為支援流程的基礎：它不是可用模型中最快的，但可預測性夠高，足以據此規劃佇列規模。

上下文視窗是這個選擇的另一半。在 1,050,000 個 token、128,000 個 token 的輸出上限下，一份案件檔案、其歷程記錄以及檢索到的知識，全都能放進同一個請求中。這正是讓一個能「跨即時資料」推理的代理得以成立、而不需要精巧分塊層的原因——而這也是規格表中 70% 解決率真正所依賴的部分。

什麼情況下會讓這成為一個案例研究？

有三件事能讓它從頁面上的一個標誌，變成可供你據以規劃的證據。公布 Operator 在具名資料集上的解決率，並在旁附上轉人工率。要的是延遲分佈，而不是平均值，因為 p95 正是自助服務失效的地方。以及在 Enterprise-Bench 上做 Sol 對 Astra 的消融實驗，因為 DevRev 已經擁有這套測試框架，也已表明當結果對其架構有利時，它會發布結果。

Bashir 指出他接下來想要的兩樣東西：Decisions API，用於那些難以編碼成規則、但又不需要深度推理的小型判斷；以及 Ultrafast，這是 OpenAI 的 6 倍速度層級，每百萬 token 輸入 $12.00、輸出 $60.00，自 10 月 8 日起可購買。兩者都是試圖換取更低延遲，而不換取更高智能，這對支援佇列而言是正確的直覺，卻與大多數代理路線圖所追求的方向相反。

值得注意的模式並非 DevRev 本身，而是 GPT-6.1 Sol 首個具名的正式部署，把便宜模型放在有客戶的地方，把昂貴模型放在有潛在客戶的地方。如果這成為企業代理堆疊的常態形狀——大量請求路徑上用耐操的工作馬，示範時用旗艦模型——那麼對每個供應商而言，有趣的問題就不再是哪個模型最聰明，而是你能多乾淨俐落地在兩者之間轉移一個請求。