Terminal X 在 GPT-6.1 Sol 上與其資深投資人有 88.6% 的時間看法一致——並藉此節省 30%

OpenAI 於 2026 年 10 月 20 日關於 Terminal X 的評述中，最有趣的數字並不是模型名稱，而是 88.6%——在 500 項已評分的投資判斷中，由 GPT-6.1 Sol 運行的評測代理與該公司資深人工審查員得出相同結論的比例。同一評測框架中次佳的模型達到 86.4%。兩者相差 220 個基點，而每次查詢成本則相差約 30%。Terminal X 也在高頻步驟中使用 GPT-6 Luna，而這兩個層級之間的分工才是這裡真正的工程重點：在需要判斷的地方進行判斷，其餘一切則追求吞吐量。 像這次發布這樣的版本，其背後有記錄的 AI 失誤與代理事件，都收錄在 OrcaRouter AI Incident Archive 中；每筆條目都附有自己的來源、嚴重程度、可信度評級與爭議標記。

在這些數字被拿到會議桌上引用之前，有一點必須先說清楚：這是一篇由模型供應商發布的客戶案例，由客戶自行衡量，並採用客戶自己的評分標準。就測試框架確實存在並在生產環境中運行這一點而言，它是真實結果；但無論從哪個意義來說，它都不是獨立基準測試。Terminal X 之外沒有人重現過 88.6%。請把它視為目前為止，關於 GPT-6.1 等級模型在專業判斷工作上表現如何的最詳細公開證據——而不是排行榜上的一筆成績。

實際測量的是什麼

Terminal X 銷售其稱為 Capital Memory 的產品：這是一套公司自有系統，會將資料室、模型、備忘錄、申報文件、電子郵件與投資委員會歷史紀錄建立索引，接著把特定交易台做出決策的方式編碼成公司擁有的代理程式，部署於地端或自家雲端。其工程團隊成員曾任金融與投資專業人士，他們會與每位客戶共處數週，逆向拆解那些從未被寫下的推理邏輯——例如信用交易台如何篩選借款人，以及共同投資團隊在撰寫備忘錄前會調閱哪些來源。

評估層是一個獨立的代理程式。根據該故事的描述，它會拿 54 項標準的評分規準來審閱每一份生產環境的輸出，並針對每項標準回傳通過或不通過，且對每個不通過的項目附上一行理由與修正後的來源。這些不通過的項目會成為新的工作流程指令與新的測試案例，因此隨著公司修正系統，這套規準也會日益增厚。

這項主要比較來自 500 個已評分的判定，而資深人工審查員已作出裁決。代理的同意率，依模型如下：

• GPT-6.1 Sol — 在 500 項判斷中，一致率達 88.6%

• 次佳模型 — 在相同的 500 個樣本上，一致率為 86.4%

• 差距 — 220 個基點，或大約每 45 個判斷多一項一致

Terminal X 指出了一個誤差類別，而差距正是集中於此：風格漂移。一檔收購基金的授權範圍是投資於以低於資產淨值折價交易的私有化候選標的，當情境模型翻轉時，它不該推薦不良債權部位或救助融資。GPT-6.1 Sol 上的評測代理所捕捉到的這類偏離授權情形，比次佳模型多出約 25%。這是一個比「準確率 88.6%」更狹窄、卻也更有用的說法：模型更擅長察覺某項建議已經偏離了投資論點，而這正是資深審查人員每天花時間抓的失效模式。

為什麼基金的評估是一種不同類型的基準

公開基準測試對每個模型提出相同的問題。Terminal X 則是針對單一機構，以同一套評分標準、依該機構自身的行文風格，向每個模型提出問題。這讓結果對買家更具相關性，但跨買家之間的可比性就降低了——同一套測試框架若換到另一檔基金，權重的判準會不同，那 220 分的差距很可能輕易就縮小或擴大。

這也讓結果的查核成本很高。要重現它，需要 54 項準則的評分規準與 500 項判斷，而這兩者都不公開。公開的是這項主張的輪廓，以及圍繞它的生產情境；以此為基礎，這個結果是自洽的：大約建置了 1,700 個 firm Memories、執行了超過一百萬個自訂工作流程，且每週活躍使用者等於每月活躍使用者的 81%——這個黏著度比例顯示，這些代理是在工作週內被使用，而非試用後就被棄用。文中引用一家私募股權公司，稱其每年從自動化盡職調查與備忘錄工作流程節省 240 萬美元。所有這些都是客戶自己的說法。

成本那一行比準確率那一行更重要

根據這個故事，GPT-6.1 Sol 執行相同工作流程時，每次查詢的成本比次佳模型低約 30%，速度則相近。Terminal X 將此歸因於長上下文工作的 token 效率：該模型能在同一預算內，先以基金的授權範圍檢驗某個投資論點，再對照其近期交易，然後重新執行不確定的判定並加以調和。正是這種更深入的審查，標出了單次處理曾放行的交易。

以每次查詢計算、成本降低 30%，是比 220 個基點的一致率大得多的商業事實，因為評估與審查代理會持續運行，而其帳單會隨用量規模增長。這也是廠商說法可能隨口提出的那種主張——「速度相近」不是數字——所以它與其餘各項同屬一類：方向上可信，但未經核實。

根據正式紀錄，GPT-6.1 Sol 是什麼

GPT-6.1 Sol 是 O​penAI 於 2026 年 9 月 29 日發布、用於複雜程式設計與專業工作的模型。它是 O​penAI 模型清單上唯一一個 GPT-6.1 等級的模型——並沒有另外一個單獨的「GPT-6.1」識別碼，而若請求指名它，將無法解析。廠商目前公布的最新規格如下：

• 價格 — 每百萬個輸入 token 為 $2.00，每百萬個輸出 token 為 $10.00

• 快取輸入 — 每百萬 $0.10；快取寫入每百萬 $2.50

• 長提示 — 輸入超過 272,000 個 token 時，輸入與快取成本為 2 倍，輸出為 1.5 倍

• 上下文視窗 — 1,050,000 個詞元，最大輸入 922,000，最大輸出 128,000

• 模態 — 輸入文字與圖像，輸出文字

• 推理強度 — 低、中、高、xhigh 與 max；none 和 minimal 會被拒絕

• 知識截止日期 — 2026年4月30日

• 服務層級 — Fast 為標準的 2 倍，Batch 與 Flex 低 50%，Ultrafast 為 6 倍，並提供美國與歐盟資料駐留

在 2026 年 10 月 21 日讀取的 Artificial Analysis 獨立概況為：在最大努力設定下，單一 Intelligence Index 為 52（index v4.3.2，共十項評測），價格為每項 index 任務 $0.72、混合計價為每百萬個 token $1.47，輸出速度為每秒 55.2 個 token。該看板亦記錄到，在該努力設定下首個 token 的時間為 248 秒，而比較基準的中位數為 3.69 秒——這點在任何人把同步 UI 指向最大努力層級之前，都值得先了解。

那兩組數字描述的是不同的事，而兩者之間的落差，正是對這個模型最誠實的總結：一個具備 1M 上下文的推理層級，定價卻像中階模型；其成本效益適合批次評估與長時間的代理式執行，卻不適合任何需要人在最大努力下互動等待的用途。

88.6% 沒告訴你的事

• 這不是通用的能力衡量指標。單一評分標準、單一資產類別組合、單一公司的標準。

• 這是與人類評審的一致程度，而非正確性。若評審有固定偏誤，而模型也有相同偏誤，就會得到高分。

• 比較集合未具名。「次佳模型」可能是前沿競爭對手，也可能是便宜許多的層級；沒有名稱，就無法為這 220 個基點定價。

• 每次查詢的成本並未定義。這是否包含該模型所促成的額外審查輪次，正是那種會改變結論的細節。

• 這裡沒有任何內容是可與公開基準結果直接類比對照的。在目前唯一存在的獨立指數上，GPT-6.1 Sol 比 GPT-6 Astra 低一分，並比它所取代的 GPT-6 Sol 層級高四分。

在自己的資料上驗證這樣的說法

唯一能得知「授權漂移」結果是否適用的方法，就是將你自己的 200 到 500 個判斷交由兩個模型處理，並以你自己的審查者為基準來評分。

現在這是個成本很低的實驗：GPT-6.1 Sol 已上架 OrcaRouter 的路由，採用供應商自家的定價表價格，未加收任何加成，因此針對 GPT-6 Astra、GPT-6 Sol 或 GPT-6 Luna 進行可比較的執行，只需支付價目表費用，別無其他。由於四個層級都位於同一把金鑰之後，這項比較只是更改模型字串，而不是再簽一份合約。

Terminal X 自身的架構正是值得複製的模式：把判斷密集的階段——投資論點綜整、授權範圍契合度、對帳環節——導向你能合理論證的最強層級，並把擷取、分類與高流量的步驟導向像 GPT-6 Luna 這樣每百萬個 token 收費 0.10 美元與 0.50 美元的服務。而路由 DSL的存在，正是為了讓這樣的分流能存在於設定檔中，而不是應用程式碼裡；而自動容錯移轉意味著一次評估執行不會因為某個上游服務出了狀況就中途夭折。

看什麼

有兩件事能讓這件事從廠商的一家之言變成實質結果。第一，由另一家公司在不同評分標準上公布自家的一致率——如果 {{1}}88.6%{{/1}} 是模型本身的屬性，而非 Terminal X 測試框架的屬性，那麼信用交易台和基礎設施基金應該會落在相近的水準。第二，具名比較。一個 {{2}}86.4%「次佳模型」{{/2}} 是大家都會想追問的數字，而在它有了名字之前，這 220 個基點只是對某個類別的主張，而不是兩個產品之間的比較。

在這之前，站得住腳的解讀範圍有限，但仍有用：在某個生產環境的投資工作流程中，一個 GPT-6.1 等級的模型與資深審查員的看法一致到足以自動化第一輪審查，比其所對照的基準多捕捉了約四分之一的授權漂移，而且每次查詢的成本低約 30%。這確實是值得自行測試的好理由，但還不是跳過測試的理由。