Đánh giá GPT-6.2 Sol: bản dùng hằng ngày gần đuổi kịp bản flagship, nhưng không phải nâng cấp toàn diện
Trên biểu đồ FrontierCode 2.0 do OpenAI công bố, Sol đạt 43.8%, Astra đạt 44.2%, chỉ cách nhau 0.4 điểm. Cùng ngày, trong chỉ số agent lập trình của Artificial Analysis (AA), Sol lại thấp hơn thế hệ trước GPT-6.1 Sol 3 điểm.
Cả hai câu đều đúng. GPT-6.2 Sol được OpenAI định vị cho "công việc hằng ngày và agent quy mô lớn": ở khá nhiều nhiệm vụ nó áp sát Astra, nhưng ở một số hướng cụ thể nó đi lùi. Gọi nó là "flagship phiên bản nhẹ" hay "bản cắt giảm" đều không chính xác.
Bài tổng hợp từ tài liệu công khai, không phải kết quả đo kiểm của Guishu Intelligence. Các con số được liệt kê riêng theo nguồn và điều kiện, không trộn lẫn.
Định vị và thông số chính thức
Theo bài phát hành của OpenAI, Sol nhắm tới công việc hằng ngày và triển khai agent quy mô lớn; OpenAI cho biết nhiều người trong nội bộ dùng Sol làm mô hình mặc định. Thông số trong tài liệu Sol:
- ID API:
gpt-6.2-sol. - Đầu vào văn bản và hình ảnh, đầu ra văn bản; không hỗ trợ âm thanh, video.
- Cửa sổ ngữ cảnh 1,050,000 token, đầu vào tối đa 922,000, đầu ra tối đa 128,000.
- Hỗ trợ suy luận, API từ chối
reasoning effort = none. - Hỗ trợ Chat Completions, Responses, Batch; không hỗ trợ Realtime, Assistants, tinh chỉnh, tạo ảnh và video. Gọi công cụ phải đi qua Responses API.
- Ngày cắt kiến thức 2026-06-01, muộn hơn Astra (2026-05-18).
Ngữ cảnh và phương thức đầu vào giống hệt Astra. Khác nhau ở định vị, ngày cắt kiến thức và phân bố năng lực.
Về khả năng sử dụng, theo ChatGPT Learn: ChatGPT Work, Codex và API. Trong ChatGPT phải bật Work trước. Enterprise và Edu cần quản trị viên bật. Ultrafast là tên một mức tốc độ; một số gói Pro cấp cao hơn, cũng như không gian doanh nghiệp hoặc giáo dục do quản trị viên bật, có thể dùng.
Phần gần Astra
Các số dưới đây lấy từ tài liệu phát hành của OpenAI (do VentureBeat tổng hợp); biểu đồ chính thức có thể lấy "điểm tốt nhất", mức suy luận tương ứng có thể khác nhau.
| Benchmark (biểu đồ chính thức của OpenAI) | Sol so với GPT-6.1 Sol |
|---|---|
| FrontierCode 2.0 | 43.8% so với 39.0% |
| LifeVal | 83.8% so với 79.5% |
| BenchCAD 2.1 Core | 73.1% so với 52.6% |
| Terminal-Bench-Science | 68.0% so với 57.0% |
| AutomationBench (biểu đồ chính thức) | 41.2% so với 36.1% |
| Harvey LAB-AA | 11.1% so với 6.9% |
| Agents' Last Exam | 73.0% so với 72.5% |
Hai dòng đáng nói riêng:
- FrontierCode 2.0. Sol 43.8%, Astra 44.2%. OpenAI cũng nói ở mức max, Sol kém Astra khoảng 0.5 điểm.
- LifeVal. Sol đạt 83.8%, không chỉ cao hơn thế hệ trước mà còn cao hơn GPT-6 Astra (79.8%).
Trong đánh giá độc lập cũng có bằng chứng ủng hộ "gần". Ở điều kiện chuẩn của AA cho FrontierCode 2.0, theo Handy AI tổng hợp, Sol 44.4%, Astra 45.4%, Claude Fable 5.2 48.8%. Trong chỉ số trí tuệ AA v5.0 (mức max), Sol đạt 57.3, xấp xỉ GPT-6 Astra (56.9), còn Astra là 62.1. Nghĩa là Sol tương đương flagship đời trước chứ không phải flagship đời này.
Trong chỉ số tổng hợp của Vals (OfficeChai hoặc The Decoder thuật lại Vals, bài này chưa trực tiếp đối chiếu bảng tổng hợp của Vals), Sol đứng thứ chín với 66.06%, kém Astra (hạng bảy, 67.66%) 1.6 điểm.
Phần đi lùi
Agent lập trình
Trang agent lập trình của AA dùng harness Codex, mức max:
- Chỉ số agent lập trình: Sol 49, GPT-6.1 Sol 52, giảm 3 điểm; Astra là 53.
- SWE-Atlas-QnA-AA: Sol 46, GPT-6.1 Sol 60. Bài của AA quy mức giảm 14 điểm này là nguyên nhân chính: Sol hay bỏ sót dữ kiện then chốt hơn.
- Terminal-Bench 4.1: Sol 58, Astra 64.
- Thời gian trung bình mỗi nhiệm vụ: Sol khoảng 17.5 phút, Astra khoảng 25.1 phút.
Ở đây FrontierCode-AA 2.0 của Sol là 42, bằng Astra. Cùng một benchmark là 42 ở harness Codex, 44.4% ở điều kiện chuẩn của AA, 43.8% trên biểu đồ chính thức. Ba số thuộc ba điều kiện, không thay thế nhau được.
Khoa học
Trong chỉ số khoa học của Vals (cập nhật 16/11), GPT-6.2 Sol xếp thứ bảy với 57.76%, thấp hơn GPT-6.1 Sol (59.63%). Tài liệu phát hành của OpenAI ghi 58.5% so với 59.6%, lệch đôi chút với trang Vals; bài này lấy trang Vals làm chuẩn. Kết luận như nhau: giảm nhẹ.
Nhiệm vụ nghề nghiệp
Bộ nhiệm vụ nghề nghiệp của Surge (11 nhiệm vụ do bác sĩ, kế toán, luật sư và kỹ sư cao cấp thiết kế) cho bức tranh có tốt có xấu:
- Tốt lên: lập trình, biểu đồ và làm theo chỉ dẫn của agent. Ở Chartography, Sol đạt 87.7%, cao hơn GPT-6 Astra (71.0%), thấp hơn Astra một chút (90.7%).
- Kém đi: y tế, PDF, tài chính. DAYJOB Healthcare: Sol 17.2%, GPT-6.1 Sol 25.2%, giảm 8 điểm, là mức giảm lớn nhất Surge đo được hôm đó. Cùng bài này, Astra đạt 34.4%.
- Ở sudo L7, Sol 36.1%, Astra 38.3%, cả hai đều thấp hơn Fable (52.2%).
Ảo giác và trở ngại
Ở AA-Omniscience mức max, tỷ lệ ảo giác của Sol là 55%, của Astra là 59% (càng thấp càng tốt). Bộ đề rất khó, không đại diện cho tỷ lệ ảo giác hằng ngày, cũng không chứng minh Sol đáng tin hơn.
System card chỉ ra cả hai mô hình dễ bỏ sót trở ngại đã biết khi báo cáo công việc. Với Sol, mức giảm SWE-Atlas mà AA quan sát (hay bỏ sót dữ kiện then chốt) là một chỉ số khác, nhưng đặt cạnh nhau, chúng nhắc rằng trước khi bàn giao cần có người kiểm tra.
Thử nghiệm cá nhân: rà soát mã của Kazike
Kazike và AIZ小朱 trong bài WeChat dùng bộ rà soát mã tự dựng, ở mức xhigh so sánh ba mô hình: GPT-6.1 Sol tìm ra 65% vấn đề, GPT-6.2 Sol 84%, GPT-6.2 Astra 96%. Đây là bộ đánh giá đơn giản do tác giả tự dựng, đề bài và cỡ mẫu không công bố. Bài còn nói Astra chậm hơn Sol khoảng hai lần, tìm thêm được hơn chục lỗi. Dựa vào đó, tác giả định dùng Sol xhigh làm mô hình rà soát mặc định. Đó là quyết định của tác giả, không phải khuyến nghị chung.
Điều này không mâu thuẫn với kết luận của AA: rà soát mã là "đọc mã và chỉ ra vấn đề", còn chỉ số agent lập trình đo khả năng hoàn thành nhiệm vụ dài trong Codex, hai loại công việc khác nhau.
Tách "gần" ra: chênh lệch nằm ở đâu
"Sol gần Astra" có ý nghĩa rất khác nhau tùy benchmark. Theo các biểu đồ chính thức được dẫn trong bài, khoảng cách chia làm ba nhóm.
Nhóm một, gần như không chênh: FrontierCode 2.0 (43.8% so với 44.2%) và LifeVal (83.8% so với 86.1%, chênh 2.3 điểm). Đây là nhiệm vụ mang tính tổng quát, ngân sách suy luận thêm mang lại lợi ích hạn chế.
Nhóm hai, chênh rõ: ở BenchCAD 2.1 Core, Sol 73.1%, Astra 82.5%; Terminal-Bench-Science 68.0% so với 77.1%; AutomationBench (biểu đồ chính thức) 41.2% so với 52.4%; Harvey LAB-AA 11.1% so với 15.0%. Ở khoa học, CAD, tự động hóa phức tạp, tức các dự án "khó nhất", ưu thế của Astra quanh mức 9 điểm, và đó cũng là căn cứ để OpenAI phân vai hai mô hình.
Nhóm ba, Sol không tiến bộ: chỉ số khoa học của Vals thấp hơn thế hệ trước, SWE-Atlas QnA của AA giảm 14 điểm, y tế của Surge lùi 8 điểm.
Ghép ba nhóm lại, kết luận là: thế mạnh của Sol là nhanh và đủ dùng, không phải hướng nào cũng hơn mô hình cũ. Trang chỉ số khoa học của Vals có một bộ số làm chứng cho "nhanh": trên chỉ số này Sol trung bình khoảng 19 phút, Astra khoảng 22 phút 15 giây; token của Sol khoảng 3.21 triệu, Astra khoảng 3.48 triệu. Đây là trung bình của Vals trên ba bài khoa học, không áp dụng cho mọi nhiệm vụ.
Vì sao so với thế hệ trước lại quan trọng
Nhiều bạn hỏi "nâng từ GPT-6.1 Sol lên 6.2 Sol có đáng không". Biểu đồ chính thức trả lời thiên về tích cực: trong bảy hạng mục đối chiếu chính thức, Sol cao hơn thế hệ trước ở cả bảy, GDPval v2 còn +5.3 điểm. Đánh giá độc lập thì lẫn lộn: chỉ số trí tuệ AA cho Sol gần GPT-6 Astra, nhưng chỉ số agent lập trình giảm, chỉ số khoa học Vals giảm nhẹ, Surge ghi nhận đi lùi ở vài hướng.
Hai câu trả lời có thể cùng đúng vì benchmark được chọn, mức suy luận lấy mẫu và cách tính điểm trong biểu đồ chính thức khác với các tổ chức độc lập. Có nâng cấp hay không tùy khối lượng công việc của bạn gần phía nào: nếu nhiệm vụ giống FrontierCode, LifeVal, BenchCAD thì bằng chứng nâng cấp đầy đủ hơn; nếu giống tài liệu y tế, trích xuất PDF hay hỏi đáp tra cứu thì hãy so hai thế hệ trên mẫu của chính mình trước khi quyết định.
Danh sách kiểm tra tối thiểu trước khi triển khai
- Lấy khoảng 30 nhiệm vụ thật, chạy Sol cũ và mới, cố định cùng một mức suy luận.
- Với mỗi nhiệm vụ, ghi lại có bỏ sót dữ kiện then chốt hay không, vì AA thấy Sol đi lùi ở điểm này.
- Nhiệm vụ y tế, tài chính, PDF thống kê riêng, không lấy trung bình với nhiệm vụ chung.
- Yêu cầu mô hình liệt kê trở ngại gặp phải khi bàn giao và lấy mẫu kiểm tra; system card cảnh báo hai mô hình dễ bỏ sót hơn.
- Nếu dùng API, gọi công cụ qua Responses và đặt mức suy luận theo tài liệu, không dùng none.
Ai nên dùng Sol làm mặc định
Theo bằng chứng ở trên, Sol phù hợp với:
- hỏi đáp hằng ngày, xử lý tài liệu, việc đời sống và văn phòng (hướng của LifeVal);
- rà soát mã, tạo biểu đồ, agent hàng loạt cần độ trễ thấp;
- nhóm muốn để Astra cho việc khó, còn lại giao cho mô hình nhanh hơn.
Cần thận trọng với:
- quy trình y tế, tài chính, nặng PDF, nơi Surge cho thấy Sol lùi so với thế hệ trước;
- hỏi đáp tra cứu đòi hỏi "không được sót dữ kiện", mức giảm SWE-Atlas của AA là lời cảnh báo;
- benchmark khoa học: ở chỉ số khoa học của Vals, Sol thấp hơn thế hệ trước một chút.
Hai điểm dễ hiểu sai
Thứ nhất, đừng mang kết luận ở mức xhigh sang mức mặc định. So sánh rà soát mã của Kazike là xhigh, agent lập trình của AA là max, biểu đồ chính thức là "điểm tốt nhất". Mức bạn dùng trong Work hay Codex có thể thấp hơn. Mức càng thấp, chênh lệch giữa Sol và Astra ở bài khó thường càng dễ lộ, điều này cần tự đo.
Thứ hai, đừng dùng một bảng để khái quát cả mô hình. Sol áp sát Astra ở FrontierCode không ảnh hưởng đến mức 17.2% của nó ở nhiệm vụ y tế Surge; Sol thấp hơn thế hệ trước một chút ở chỉ số khoa học Vals cũng không ngăn nó vượt GPT-6 Astra ở LifeVal. Mỗi con số chỉ trả lời một câu hỏi.
Phản hồi ngày đầu về Sol
Thảo luận công khai ngày đầu chủ yếu nhắm vào Astra. Đánh giá trực tiếp về Sol ít hơn: Kazike xem nó là ứng viên rà soát hằng ngày; OpenAI nói nội bộ nhiều người dùng làm mặc định; kết luận của Surge là "có tốt có xấu". Cần nhấn mạnh các loại phát biểu này khác bản chất: lời OpenAI là lập trường nhà sản xuất, Kazike là bộ tự dựng cá nhân, Surge là bộ độc lập. Chúng tôi chưa thấy đủ nhiều báo cáo dùng Sol đường dài kèm tình huống cụ thể, nên bài không đưa ra tổng đánh giá "Sol có dễ dùng không", chỉ nói nó mạnh ở đâu và yếu ở đâu trong các bằng chứng công khai.
Một cách phân vai khả dĩ
Nếu nhóm có thể dùng cả hai mô hình, bằng chứng công khai ủng hộ cách phân vai thận trọng: yêu cầu hằng ngày, rà soát hàng loạt, biểu đồ và công việc văn phòng chung giao Sol; khi nhiệm vụ thuộc tính toán khoa học, CAD, tự động hóa phức tạp, hoặc khi kiểm tra mẫu thấy Sol thường bỏ sót, thì chuyển lên Astra. Có ba lý do: định vị chính thức của hai mô hình vốn chia như vậy; ở FrontierCode và LifeVal chênh lệch rất nhỏ; còn ở BenchCAD và Terminal-Bench-Science chênh lệch tập trung quanh 9 điểm.
Ngược lại, không nên vì Sol "đuổi kịp flagship" ở một benchmark mà mặc định giao luôn y tế, tài chính hay hỏi đáp tra cứu. Đó chính là những nơi Surge và AA ghi nhận đi lùi, cần kiểm chứng bằng mẫu của bạn trước. Cách phân vai này chỉ là một cách đọc dữ liệu công khai, không phải kết luận đã được Guishu Intelligence kiểm chứng.
Hạn chế
Mô hình mới ra một ngày. Một số nhiệm vụ của Surge hôm đó vẫn đang chạy, nhiều bảng của Epoch và Vals còn cập nhật. Mọi thứ ở đây là dữ liệu bên thứ ba và thử nghiệm cá nhân, không phải kết quả đo kiểm của Guishu Intelligence. Cách chọn giữa Sol và Astra, xem thêm bài hướng dẫn chọn.
Tóm gọn trong một câu
Sol là bản hiệu quả OpenAI chuẩn bị cho công việc hằng ngày và agent quy mô lớn. Ở FrontierCode và LifeVal, nó áp sát hoặc vượt flagship đời trước; ở agent lập trình, chỉ số khoa học của Vals và y tế của Surge, nó đi lùi. Nên coi nó là "bản mặc định đủ dùng cho đa số nhiệm vụ", chứ không phải "bản mới nâng cấp ở mọi hướng".
Nguồn
- OpenAI: bài phát hành, tài liệu mô hình Sol, ChatGPT Learn.
- Đánh giá độc lập: Artificial Analysis, trang agent lập trình của AA, Vals AI, Surge.
- Truyền thông tổng hợp: VentureBeat, The Decoder, Handy AI, OfficeChai.
Số liệu tính đến 2026-11-18.