GPT-6.1 Sol

OpenAI · 2026-09-29 · 通用模型

GPT-6.1 Sol

GPT-6 Sol 的升级版，定位是在智能体编程、计算机使用和专业工作上更接近 GPT-6 Astra，而标准价格仅为 Astra 的五分之一。收录的 7 项评测中 5 项为图表行（数值未读出），正文明示的事实错误率为 4.1%。

输入模态: 官方资料未说明
上下文: 官方资料未说明
参数: 官方资料未说明
价格（每百万 tokens）: USD 输入 2 / 输出 10 · 缓存输入 $0.10/百万 token

本变体的评测证据

deepswe 图表尚无可读数值 模型 gpt-6-1-sol · 版本 DeepSWE v1.1 · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-03 · 距快照 1 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: 各项任务上能力更强的 Sol · row: DeepSWE v1.1 · figure: 得分对单任务成本图（DeepSWE）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

图中数值未读出。正文称：GPT-6.1 Sol 以约五分之一成本达到与 GPT-6 Astra 相当水平，以更低推理强度和成本，比 GPT-6 Sol 最高得分高 6.4 个百分点。

打开官方来源

gdp-pdf 图表尚无可读数值 模型 gpt-6-1-sol · 版本 GDP.pdf · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-03 · 距快照 1 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: 各项任务上能力更强的 Sol · row: GDP.pdf · figure: 得分对单任务成本图（GDP.pdf）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: GDP.pdf 衡量模型根据复杂 PDF 文档回答金融、医疗、法律等专业问题的准确度。图中数值未读出。正文称：各推理档得分均高于带回退机制的 Opus 5.5，单任务成本不到其一半；以约五分之一成本接近 GPT-6 Astra。

打开官方来源

automationbench 图表尚无可读数值 模型 gpt-6-1-sol · 版本 AutomationBench 1.0.6, medium reasoning · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-03 · 距快照 1 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: 各项任务上能力更强的 Sol · row: AutomationBench 1.0.6, medium reasoning · figure: 得分对单任务成本图（AutomationBench）

{
  "harness": null,
  "tools": [
    "47 tools"
  ],
  "shots": null,
  "reasoning_effort": "medium",
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

图中数值未读出。正文称：中等推理强度下比 Opus 5.5 高 2.2 个百分点、成本约三分之一，比同设置 GPT-6 Sol 高 4.8 个百分点。Claude Fable 5.1 数据点未计入回退成本（约 40% 任务发生回退）。

打开官方来源

osworld 图表尚无可读数值 模型 gpt-6-1-sol · 版本 OSWorld 2.0 offline set (v2026.08.08), partial reward, max reasoning · 指标 partial reward · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-03 · 距快照 1 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: 各项任务上能力更强的 Sol · row: OSWorld 2.0 offline set (v2026.08.08), partial reward, max reasoning · figure: 得分对单任务成本图（OSWorld）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": "max",
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

图中数值未读出。正文称：最高推理强度下比 GPT-6 Sol 高 7 个百分点、成本不到其一半；与 Astra 差距缩小至 2.1 个百分点以内，单任务成本约为其七分之一。

打开官方来源

terminal-bench-science 图表尚无可读数值 模型 gpt-6-1-sol · 版本 Terminal-Bench Science 0.1, max reasoning · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-03 · 距快照 1 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: 各项任务上能力更强的 Sol · row: Terminal-Bench Science 0.1, max reasoning · figure: 得分对单任务成本图（Terminal-Bench Science）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": "max",
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

图中数值未读出。正文称：最高推理强度下得分超过 GPT-6 Sol 的两倍，单任务成本不到其一半；GPT-6.1 Sol 平均单任务成本 $5.47，Opus 5.5 为 $23.21，Astra 为 $23.80；GPT-6 Astra 以 68.1% 在受测模型中排名第一（同族模型数值，不是本模型得分）。

打开官方来源

chatgpt-factual-error-rate 4.1% 模型 gpt-6-1-sol · 版本 Factual error rate on hard de-identified ChatGPT conversations, xhigh reasoning · 指标 lower is better · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-03 · 距快照 1 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: 事实准确性 · row: Factual error rate on hard de-identified ChatGPT conversations, xhigh reasoning · quote_snippet: 事实错误率为 4.1%，低于 GPT‑6 Sol 的 4.5%，更接近相同设置下 Astra 的 4.0%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": "xhigh",
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: 用去标识化的 ChatGPT 对话（用户曾指出早期模型的事实错误）衡量回答含至少一处事实错误的比例，数值越低越好；提示为刻意挑选的高难度提示，不代表典型使用。GPT-6 Sol 4.5%，GPT-6 Astra 4.0%。

打开官方来源

search-tool-failure-disclosure 2.1% 模型 gpt-6-1-sol · 版本 Search tool failure non-disclosure rate, max reasoning · 指标 lower is better · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-03 · 距快照 1 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: 安全部署 GPT-6.1 Sol · row: Search tool failure non-disclosure rate, max reasoning · quote_snippet: GPT‑6.1 Sol 在 2.1% 的测试案例中未披露这一问题

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": "max",
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: 测试智能体在搜索工具故障时是否如实告知用户，而不是给出自己认为最可能的答案，比例越低越好；测试任务刻意诱发失误，不代表典型使用。GPT-6 Sol 4.9%，GPT-6 Astra 1.5%，GPT-6 Luna 28.7%。

打开官方来源