Your privacy choices

Allow optional cookies for referral attribution, visit analytics, and Google Ads purchase measurement.

Kembali ke blog

Ulasan GPT-6.2 Sol: model harian hampir menyaingi model utama, tetapi bukan peningkatan menyeluruh

GPT-6.2 SolOpenAIulasan modelFrontierCodeLifeVal

Pada carta FrontierCode 2.0 yang diterbitkan OpenAI, Sol 43.8% dan Astra 44.2%, beza hanya 0.4 mata. Pada hari yang sama, dalam indeks ejen pengekodan Artificial Analysis (AA), Sol 3 mata lebih rendah daripada generasi lalu, GPT-6.1 Sol.

Kedua-dua kenyataan benar. GPT-6.2 Sol diletakkan OpenAI untuk "kerja harian dan ejen berskala besar": dalam banyak tugas ia menghampiri Astra, tetapi dalam beberapa arah tertentu ia merosot. Menamakannya "model utama versi ringan" atau "versi dikurangkan" sama-sama tidak tepat.

Artikel ini ialah rumusan bahan awam, bukan ujian Guishu Intelligence. Angka dipisahkan mengikut sumber dan syarat, tidak dicampur.

Pemosisian dan spesifikasi rasmi

Menurut catatan pelancaran OpenAI, Sol ditujukan untuk kerja harian dan penerapan ejen berskala besar, dan OpenAI menyatakan ramai orang dalaman menggunakan Sol sebagai model lalai. Spesifikasi daripada dokumen Sol:

  • ID API: gpt-6.2-sol.
  • Input teks dan imej, output teks; audio dan video tidak disokong.
  • Tetingkap konteks 1,050,000 token, input maksimum 922,000, output maksimum 128,000.
  • Menyokong penaakulan; API menolak reasoning effort = none.
  • Menyokong Chat Completions, Responses, Batch; tidak menyokong Realtime, Assistants, penalaan halus, penjanaan imej dan video. Panggilan alat perlu melalui Responses API.
  • Tarikh akhir pengetahuan 2026-06-01, lebih lewat daripada Astra (2026-05-18).

Konteks dan modaliti sama sekali serupa dengan Astra. Bezanya pada pemosisian, tarikh akhir pengetahuan dan taburan keupayaan.

Ketersediaan menurut ChatGPT Learn: ChatGPT Work, Codex dan API. Dalam ChatGPT, Work perlu dibuka dahulu. Enterprise dan Edu memerlukan pentadbir mengaktifkannya. Ultrafast ialah nama paras kelajuan; ia boleh digunakan dalam sesetengah langganan Pro peringkat lebih tinggi, serta ruang perusahaan atau pendidikan yang diaktifkan pentadbir.

Bahagian yang hampir setanding Astra

Angka di bawah datang daripada bahan pelancaran OpenAI (dirumuskan VentureBeat); carta rasmi mungkin mengambil "titik terbaik", dan paras penaakulan mungkin berbeza.

Penanda aras (carta rasmi OpenAI) Sol berbanding GPT-6.1 Sol
FrontierCode 2.0 43.8% berbanding 39.0%
LifeVal 83.8% berbanding 79.5%
BenchCAD 2.1 Core 73.1% berbanding 52.6%
Terminal-Bench-Science 68.0% berbanding 57.0%
AutomationBench (carta rasmi) 41.2% berbanding 36.1%
Harvey LAB-AA 11.1% berbanding 6.9%
Agents' Last Exam 73.0% berbanding 72.5%

Dua perkara wajar diperkatakan secara berasingan:

  • FrontierCode 2.0. Sol 43.8%, Astra 44.2%. OpenAI juga menyatakan pada paras max, Sol ketinggalan kira-kira 0.5 mata di belakang Astra.
  • LifeVal. Sol 83.8%, bukan sahaja lebih tinggi daripada generasi lalunya malah lebih tinggi daripada GPT-6 Astra (79.8%).

Dalam penilaian bebas pun ada bukti yang menyokong "hampir". Pada syarat standard AA untuk FrontierCode 2.0, menurut rumusan Handy AI, Sol 44.4%, Astra 45.4%, Claude Fable 5.2 48.8%. Dalam indeks kecerdasan AA v5.0 (paras max), Sol 57.3, kira-kira setara GPT-6 Astra (56.9), manakala Astra 62.1. Maknanya Sol kira-kira sama dengan model utama generasi lalu, bukan model utama generasi ini.

Dalam indeks komposit Vals (OfficeChai atau The Decoder memetik Vals; jadual komposit Vals tidak disemak terus dalam artikel ini), Sol tempat kesembilan dengan 66.06%, 1.6 mata di belakang Astra (tempat ketujuh, 67.66%).

Bahagian yang merosot

Ejen pengekodan

Halaman ejen pengekodan AA menggunakan harness Codex, paras max:

  • Indeks ejen pengekodan: Sol 49, GPT-6.1 Sol 52, turun 3 mata; Astra 53.
  • SWE-Atlas-QnA-AA: Sol 46, GPT-6.1 Sol 60. Artikel AA menjadikan penurunan 14 mata ini sebab utama: Sol lebih kerap terlepas fakta penting.
  • Terminal-Bench 4.1: Sol 58, Astra 64.
  • Masa purata setiap tugas: Sol kira-kira 17.5 minit, Astra kira-kira 25.1 minit.

FrontierCode-AA 2.0 untuk Sol di sini ialah 42, sama dengan Astra. Penanda aras yang sama ialah 42 dalam harness Codex, 44.4% pada syarat standard AA dan 43.8% pada carta rasmi. Tiga angka daripada tiga syarat dan tidak boleh saling menggantikan.

Sains

Dalam indeks sains Vals (dikemas kini 16 November), GPT-6.2 Sol tempat ketujuh dengan 57.76%, lebih rendah daripada GPT-6.1 Sol (59.63%). Bahan pelancaran OpenAI menulis 58.5% berbanding 59.6%, sedikit berbeza daripada halaman Vals; artikel ini menggunakan halaman Vals. Kesimpulannya sama: turun sedikit.

Tugas kerjaya

Set tugas kerjaya Surge (11 tugas direka doktor, akauntan, peguam dan jurutera kanan) memberi gambaran bercampur:

  • Bertambah baik: pengekodan, carta dan mengikut arahan ejen. Dalam Chartography, Sol 87.7%, lebih tinggi daripada GPT-6 Astra (71.0%) dan sedikit di bawah Astra (90.7%).
  • Merosot: perubatan, PDF, kewangan. DAYJOB Healthcare: Sol 17.2%, GPT-6.1 Sol 25.2%, turun 8 mata, kemerosotan terbesar yang diukur Surge pada hari itu. Pada tugas yang sama, Astra 34.4%.
  • Dalam sudo L7, Sol 36.1%, Astra 38.3%, kedua-duanya di bawah Fable 52.2%.

Halusinasi dan halangan

Pada AA-Omniscience paras max, kadar halusinasi Sol ialah 55% dan Astra 59% (lebih rendah lebih baik). Soalannya sangat sukar, tidak mewakili kadar halusinasi harian, dan tidak membuktikan Sol lebih boleh dipercayai.

Kad sistem menyatakan kedua-dua model lebih mudah terlepas halangan yang diketahui apabila melaporkan kerja. Bagi Sol, penurunan SWE-Atlas yang diperhatikan AA (lebih kerap terlepas fakta penting) ialah petunjuk lain, tetapi jika diletakkan bersama, ia mengingatkan bahawa semakan manusia diperlukan sebelum penyerahan.

Ujian peribadi: semakan kod Kazike

Kazike dan AIZ小朱 dalam artikel WeChat menggunakan set semakan kod buatan sendiri dan membandingkan tiga model pada paras xhigh: GPT-6.1 Sol menemui 65% masalah, GPT-6.2 Sol 84%, GPT-6.2 Astra 96%. Ini set penilaian ringkas buatan penulis; soalan dan saiz sampel tidak didedahkan. Artikel itu juga menyebut Astra kira-kira dua kali lebih perlahan daripada Sol dan menemui lebih sepuluh pepijat tambahan. Berdasarkan itu, penulis bercadang menggunakan Sol xhigh sebagai model semakan lalai. Itu keputusan penulis, bukan cadangan umum.

Ia tidak bercanggah dengan kesimpulan AA: semakan kod ialah "membaca kod dan menunjukkan masalah", manakala indeks ejen pengekodan mengukur kemampuan menyiapkan tugas panjang dalam Codex, dua jenis kerja yang berbeza.

Membedah "hampir": di mana jurangnya

"Sol hampir Astra" bermakna berbeza-beza mengikut penanda aras. Berdasarkan carta rasmi yang dipetik dalam artikel ini, jurang boleh dibahagikan kepada tiga peringkat.

Peringkat pertama, hampir tiada jurang: FrontierCode 2.0 (43.8% berbanding 44.2%) dan LifeVal (83.8% berbanding 86.1%, beza 2.3 mata). Ini tugas yang lebih umum, dan belanjawan penaakulan tambahan memberi faedah terhad.

Peringkat kedua, jurang jelas: pada BenchCAD 2.1 Core, Sol 73.1% dan Astra 82.5%; Terminal-Bench-Science 68.0% berbanding 77.1%; AutomationBench (carta rasmi) 41.2% berbanding 52.4%; Harvey LAB-AA 11.1% berbanding 15.0%. Dalam sains, CAD dan automasi kompleks, iaitu projek "paling sukar", kelebihan Astra sekitar 9 mata, dan itulah asas OpenAI membahagikan peranan dua model.

Peringkat ketiga, Sol tiada kemajuan: indeks sains Vals lebih rendah daripada generasi lalu, SWE-Atlas QnA AA turun 14 mata, dan perubatan Surge mundur 8 mata.

Menggabungkan ketiga-tiganya, kesimpulannya: kekuatan Sol ialah "pantas dan mencukupi", bukan "lebih baik daripada model lama dalam semua arah". Halaman indeks sains Vals mempunyai satu set angka yang menyokong "pantas": pada indeks itu Sol purata kira-kira 19 minit, Astra kira-kira 22 minit 15 saat; token Sol kira-kira 3.21 juta, Astra kira-kira 3.48 juta. Ini purata Vals pada tiga tugas sains, tidak terpakai untuk semua tugas.

Mengapa perbandingan dengan generasi lalu penting

Ramai bertanya sama ada berbaloi menaik taraf daripada GPT-6.1 Sol ke 6.2 Sol. Carta rasmi menjawab agak positif: antara tujuh perbandingan rasmi, Sol lebih tinggi daripada generasi lalu pada semuanya, dan GDPval v2 turut +5.3 mata. Penilaian bebas menjawab secara bercampur: pada indeks kecerdasan AA, Sol hampir GPT-6 Astra, tetapi indeks ejen pengekodan turun, indeks sains Vals turun sedikit, dan Surge mendapati kemerosotan dalam beberapa arah.

Kedua-dua jawapan boleh benar serentak kerana pilihan penanda aras, paras penaakulan yang disampel dan kaedah pemarkahan dalam carta rasmi berbeza daripada organisasi bebas. Sama ada perlu menaik taraf bergantung pada beban kerja anda lebih dekat ke sebelah mana: jika tugas anda seperti FrontierCode, LifeVal, BenchCAD, bukti untuk menaik taraf lebih lengkap; jika seperti dokumen perubatan, pengekstrakan PDF atau soal jawab carian, bandingkan dua generasi pada sampel sendiri sebelum membuat keputusan.

Senarai semak minimum sebelum pelaksanaan

  1. Ambil kira-kira 30 tugas sebenar, jalankan Sol lama dan baharu, kunci paras penaakulan yang sama.
  2. Bagi setiap tugas, rekod sama ada fakta penting terlepas, kerana AA mendapati Sol merosot pada perkara ini.
  3. Tugas perubatan, kewangan dan PDF dikira berasingan, tidak dipuratakan dengan tugas umum.
  4. Minta model menyenaraikan halangan yang ditemui semasa penyerahan dan semak secara sampel; kad sistem memberi amaran kedua-dua model lebih mudah terlepas.
  5. Jika menggunakan API, panggil alat melalui Responses dan tetapkan paras penaakulan mengikut dokumen; jangan gunakan none.

Siapa yang sesuai menjadikan Sol lalai

Berdasarkan bukti di atas, Sol sesuai untuk:

  • soal jawab harian, pemprosesan dokumen, tugas kehidupan dan pejabat (arah LifeVal);
  • semakan kod, penjanaan carta, ejen kelompok yang memerlukan kependaman rendah;
  • pasukan yang mahu menyimpan Astra untuk tugas sukar dan menyerahkan selebihnya kepada model yang lebih pantas.

Perlu berhati-hati untuk:

  • aliran kerja perubatan, kewangan dan berat PDF, di mana Surge menunjukkan Sol mundur berbanding generasi lalu;
  • soal jawab carian yang menuntut "fakta tidak boleh terlepas"; penurunan SWE-Atlas AA ialah amaran;
  • penanda aras sains. Pada indeks sains Vals, Sol sedikit di bawah generasi lalu.

Dua salah faham yang perlu dielakkan

Pertama, jangan bawa kesimpulan paras xhigh ke tetapan lalai. Perbandingan semakan kod Kazike pada xhigh, ejen pengekodan AA pada max, carta rasmi ialah "titik terbaik". Paras yang anda gunakan dalam Work atau Codex mungkin lebih rendah. Semakin rendah parasnya, jurang Sol dan Astra pada tugas sukar biasanya lebih mudah terdedah, dan ini perlu diuji sendiri.

Kedua, jangan rumuskan seluruh model dengan satu jadual. Sol menghampiri Astra pada FrontierCode tidak mengubah 17.2% pada tugas perubatan Surge; ia sedikit di bawah generasi lalu pada indeks sains Vals juga tidak menghalangnya mengatasi GPT-6 Astra pada LifeVal. Setiap angka hanya menjawab satu soalan.

Suara tentang Sol pada hari pertama

Perbincangan awam hari pertama lebih tertumpu pada Astra. Penilaian langsung tentang Sol lebih sedikit: Kazike menganggapnya calon untuk semakan harian; OpenAI sendiri menyatakan ramai orang dalaman menggunakannya sebagai lalai; kesimpulan Surge ialah "ada yang baik, ada yang buruk". Perlu ditegaskan bahawa pernyataan ini berlainan sifat: kata OpenAI ialah pendirian pengeluar, Kazike set buatan sendiri, Surge set bebas. Kami tidak melihat cukup banyak laporan penggunaan jangka panjang Sol dengan senario khusus, jadi artikel ini tidak memberi penilaian keseluruhan tentang "adakah Sol mudah digunakan", hanya di mana ia kuat dan di mana ia lemah dalam bukti awam.

Satu cara pembahagian peranan yang munasabah

Jika pasukan boleh menggunakan kedua-dua model, bukti awam menyokong pembahagian yang berhati-hati: permintaan harian, semakan kelompok, carta dan kerja pejabat am diserahkan kepada Sol; apabila tugas tergolong dalam pengiraan sains, CAD, automasi kompleks, atau apabila semakan sampel menunjukkan Sol kerap terlepas, naik ke Astra. Tiga sebabnya: pemosisian rasmi dua model memang dibahagi begitu; pada FrontierCode dan LifeVal jurang sangat kecil; dan pada BenchCAD serta Terminal-Bench-Science jurang tertumpu sekitar 9 mata.

Sebaliknya, tidak disyorkan menyerahkan perubatan, kewangan atau soal jawab carian kepada Sol secara lalai hanya kerana ia "mengejar model utama" pada satu penanda aras. Itulah bidang yang Surge dan AA lihat merosot, dan ia perlu disahkan dengan sampel anda dahulu. Pembahagian ini hanya satu cara membaca data awam, bukan kesimpulan yang telah disahkan Guishu Intelligence.

Had

Model baru dilancarkan sehari. Sebahagian tugas Surge pada hari itu masih berjalan, dan jadual lain Epoch serta Vals akan terus dikemas kini. Semua di sini ialah data pihak ketiga dan ujian peribadi, bukan keputusan ujian Guishu Intelligence. Untuk memilih antara Sol dan Astra, lihat juga artikel panduan pemilihan.

Dalam satu ayat

Sol ialah versi cekap yang disediakan OpenAI untuk kerja harian dan ejen berskala besar. Pada FrontierCode dan LifeVal ia menghampiri atau melepasi model utama generasi lalu; pada ejen pengekodan, indeks sains Vals dan perubatan Surge ia merosot. Anggaplah ia "model lalai yang mencukupi untuk kebanyakan tugas", bukan "versi baharu yang meningkat dalam semua arah".

Sumber

Data setakat 2026-11-18.