GPT-6.1 Sol 對比 Laguna S 2.1：為沒有人並排衡量過的工作，付出五十倍的輸出價格

五十倍。這就是GPT-6.1 Sol每百萬輸出 token 的收費與Laguna S 2.1收費之間的比率——10.00 美元對上 0.20 美元——而這是這整個比較系列中最大的價格差距。GPT-6.1 Sol 是 OpenAI 於 2026-09-29 發布的模型，一個擁有 1,050,000 token 的通用型模型，並有已公開的獨立評分。Laguna S 2.1 是 Poolside 於 2026-07-21 發布的模型，一個 1,180 億參數的開放權重混合專家代理式編碼器，每個 token 約有 80 億參數處於啟用狀態，在 Hugging Face 上的權重為近似 Apache 授權，以及一套由 Poolside 自行製作的基準測試集。這個價格差距真實且巨大。它是否值得跨越，取決於一個兩家廠商都未回答的問題：有人在同一項任務上測量過這兩者嗎？

廠商回報的數據在全文均會如此標示。來自 Artificial Analysis 的數據是獨立量測結果，並列載於我們的模型紀錄中。我們自家的服務數據則標明為我們所有。若某個儲存格是空的，它就會保持空白。

每一邊是什麼

Poolside 的 Laguna S 2.1 是一款專門型模型，而其設計也說明了這一點。它是一個 1,180 億參數的混合專家模型，在處理任一個給定 token 時約有 80 億個參數處於啟用狀態，並具備思考／不思考切換開關，以及可達 1,000,000 個 token 的上下文視窗。較小的同系列模型 Laguna XS 2.1 為 330 億參數，其中約 30 億個處於啟用狀態，價格為每百萬 token 輸入 $0.06、輸出 $0.12。S 變體的權重已發佈在 Hugging Face，網址為 poolside/Laguna-S-2.1。

80億活躍參數這個數字，既解釋了價格，同時也制約了產品。推論成本取決於活躍參數，而非總參數；一個每次處理一個 token 只動用 80 億參數的 118B MoE，其服務成本之低，是同等總規模的稠密模型所做不到的。但80億的活躍參數預算，同時也是單次前向傳遞所能達成之事的硬性上限，而正因為這道上限，獨立評測機構的通用型指標對它來說，會比程式設計專用的評分更有參考價值。

GPT-6.1 Sol 是另一種截然不同的物件。一個快照識別碼，gpt-6.1-sol，沒有帶日期的變體，1,050,000 個 token 的上下文視窗，最大輸出為 128,000，支援文字、圖片與檔案輸入，推理一律開啟，分為五個投入程度等級，預設為中等，知識截止日期為 2026 年 4 月 30 日。它不接受 temperature 或 top_p；投入程度旋鈕取代了它們。它是封閉的，按 token 計價，且無法微調。

它們實際上有差異的維度：

• 輸入價格 — Laguna S 2.1 每百萬 $0.10，相較於 GPT-6.1 Sol 的 $2.00。二十倍。

• 輸出價格 — 0.20 美元對比 10.00 美元。五十倍。

• 推理控制 — 在 Laguna S 2.1 上為二元「思考／不思考」切換，對比 GPT-6.1 Sol 的五級分級努力程度。

• 權重 — 可下載且可自行託管，適用於 Laguna S 2.1；GPT-6.1 Sol 則為封閉。

• 上下文視窗——Laguna S 2.1 最高可達 1,000,000 個 token，而 GPT-6.1 Sol 則為 1,050,000 個。實際上勢均力敵。

基準列，並附有兩組標籤

Poolside 針對 Laguna S 2.1 公布的數據，全都是由廠商自行報告，而就我們所能找到的資料來看，沒有任何第三方重現過：

• SWE-Bench Multilingual — 78.5%.

• Terminal-Bench 2.1 — 70.2%。

• DeepSWE v1.1 — 40.4%，相較於 DeepSeek-V4-Pro-Max 的 9.0%；Poolside 將其形容為約六分之一的活躍參數，卻能締造超過四倍的分數。

GPT-6.1 Sol 的獨立紀錄，全部來自 Artificial Analysis：

• AA Intelligence Index — 51.8，147 個中排名第 10，第 93.2 百分位。

• Humanity's Last Exam — 52.9%.

• 長上下文召回 — 83%。

• SciCode — 54.2%。

• Terminal-Bench 4.0 — 56.06%。

這兩份清單看似只有一個交會之處，而那是個陷阱。Laguna S 2.1 在 Terminal-Bench 2.1 上回報 70.2%。在我們的紀錄中，GPT-6.1 Sol 完全沒有 Terminal-Bench 2.1 的分數——它的終端機數據是出自 4.0 版，也就是該測試框架較晚且更難的修訂版。把 70.2% 和 56.06% 並列，並稱之為 Laguna 領先十二個百分點，會是在比較兩個不同的測試，而這正是本部落格存在的目的所要避免的錯誤。這兩個模型沒有共用的基準測試列，這意味著這項比較的效能部分目前尚未被測量。

還有兩個缺口值得點名。Laguna S 2.1 沒有 Artificial Analysis Intelligence Index 分數，也沒有獨立的 SWE-bench Verified 結果。對一個七月發布的模型來說，這麼久都沒有任何外部量測，而這也是 Poolside 針對它所發布的一切內容中，最重大的一項疏漏。

思考切換開關實際上能換來什麼

Poolside 自家的數據為這個切換開關給出了一個具體數字，而這是此次發布中最有趣的事情。開啟 thinking 後，DeepSWE v1.1 從 16.5% 提升到 40.4%——大約是 2.4 倍——而 Terminal-Bench 2.1 則從 60.4% 提升到 70.2%。這兩項數字都出自廠商，未經重現。

對照價格來看，這一點的重要性是標題式價目表無法捕捉的。思考模式會消耗輸出 token，而輸出 token 正是你付費購買的東西。開啟思考模式執行 Laguna S 2.1 的工作負載，會比關閉思考模式的同一工作負載耗掉顯著更多的輸出——這正是你在一個困難的代理式基準測試上看到 2.4 倍增益時會預期的事。所以，與 GPT-6.1 Sol 的誠實比較，並不是在原始輸出上 $0.20 對 $10.00。而是啟用思考模式下每完成任務的成本，對上以工作量計價的每完成任務成本。

那個比較依然極度偏向 Laguna S 2.1，而且值得實際算一算，而不是只憑斷言。以一個每月產生十億個輸出 token、對上三十億個輸入 token 的工作負載為例：

• GPT-6.1 Sol — 30 億輸入以每百萬 2.00 美元計算為 6,000 美元；10 億輸出以每百萬 10.00 美元計算為 10,000 美元。每月一萬六千美元。

• Laguna S 2.1，思考關閉 — 輸入 300 美元，輸出 200 美元。每月五百美元。

• Laguna S 2.1，開啟思考時輸出約為 2.4 倍 — 輸入 $300，輸出約 $。每月低於八百美元。

即使把思考懲罰算進去，在這個用量下，每月仍相差大約 15,000 美元。如果你的工作負載是一台 Laguna S 2.1 真的能勝任的，價格問題根本沒得比，再怎麼合理的重試開銷也補不平。這就把整個決策推到了能力上——而在這項比較中，能力正是沒有共同衡量標準的那一半。

當五十倍的差距不再是重點時

有三件事會把這個比率拉回現實，而每一件都值得直白說明，因為上面那個數字具有一種誘惑力，而這種誘惑力曾讓一些團隊付出真實的金錢代價。

第一點是，一個擁有 80 億活躍參數的程式碼模型與一個前沿通用模型並非替代品。Laguna S 2.1 是為代理式軟體工程而打造——涵蓋儲存庫編輯、終端機任務、多語言程式碼——而 Poolside 也正是如此行銷它。它並非定位於文件繁重的專業工作、電腦操作，或長脈絡回憶任務；在這些任務上，GPT-6.1 Sol 擁有 83% 的獨立長脈絡回憶分數，以及 1,050,000 個詞元（token）的視窗。在那些任務上，誠實的比較不是「便宜模型勝出」，而是「便宜模型並非為此而打造」。範例中每月 15,000 美元只有在較便宜模型的輸出可用的情況下才算是節省，而對於某一類工作負載，沒有人證明過它確實可用。

第二個是吞吐量和營運層面。GPT-6.1 Sol 在我們自家 playground 七天的流量中，報告 p50 延遲為 2,442 毫秒，每秒輸出 95.57 個 token，錯誤率為 6.36%。我們沒有 Laguna S 2.1 的可比服務面板——它沒有在 OrcaRouter 上路由——所以沒有數字可以放在旁邊，而自架路徑的延遲取決於你購買的硬體。在八張 H100 上，你無法在相同併發數下匹配託管前沿端點的吞吐量；你將以延遲換取單位成本，而這個取捨的結果取決於你的工作負載是否對延遲敏感。

第三點是，自架路徑唯有在達到一定規模時才便宜。讓上述計算看起來像一面倒勝利的同樣 $0.10 與 $0.20 費率，也是一家以接近成本收費的推論供應商會報出的價格——而這正是支持租用開放模型、而非為它購買硬體的理由，在任何尚未達到足以證明購置 GPU 有其必要的規模下皆是如此。

如何真正撥打電話

這是罕見的組合，其中正確的下一步並非路由變更，因為這兩個模型是以完全不同的方式觸及的。

GPT-6.1 Sol 已在 OrcaRouter 上線，型號為openai/gpt-6.1-sol 以 Open​AI 的定價提供，0% 加成——輸入 $2.00、輸出 $10.00，快取輸入 $0.10，而超過 272,000 個 token 的級距也完全依照 Open​AI 的設定套用。由於路由層是直接將供應商的價格原樣傳遞，而非從中加成，因此 Open​AI 一方調整價格時，這裡會在生效當天同步反映。在路由已啟用的情況下，底下還有自動容錯移轉機制——這是驗證較便宜的模型能否撐起正式環境路徑的省錢做法，因為只要一條路由規則，就能隨時切回昂貴的模型。

Laguna S 2.1 不在 OrcaRouter 上，我們也不代管它。可以透過 Poolside 自家的 API 存取，而且因為權重已公開，你也可以自行部署服務——對這個模型來說，這是更有意思的選項，因為一個 118B MoE、啟用參數 8B 的模型，確實小到足以跑在中型團隊能擁有的硬體上。因此，採用這個組合時，正確的第一步根本不是比價：拿二十個你真實的程式設計任務，先跑過你現有的 GPT-6.1 Sol 路徑，再用同樣二十個任務跑 Laguna S 2.1，並分別開啟與關閉 thinking。你現在就有了兩家供應商都沒發布的共用基準列，而且是在唯一重要的任務集上；五十倍的價差也就變成一個你要嘛收下、要嘛有憑有據地拒絕的數字。

依目前現有的證據，這組搭配所得到的評斷是：Laguna S 2.1 是當前代理式編碼中最有意思的每單位能力成本提案，其廠商公布的數字若能獲得獨立確認，將使它成為預設選擇，而這些數字沒有任何一項獲得獨立確認。GPT-6.1 Sol 在輸出上的成本是它的五十倍，而且是兩者之中唯一有公司外部人士在共用儀器上測量過其能力的模型。買下那個便宜模型的權重並加以測試，因為與大多數開放釋出的模型不同，這個模型小到足以妥善測試——並把那個五十倍的數字當成執行這項測試的理由，而不是當成這項測試的答案。