GPT-6.2 Sol 評測:日常款幾乎追上旗艦,但不是全面升級
在 OpenAI 公布的 FrontierCode 2.0 圖表上,Sol 是 43.8%,Astra 是 44.2%,只差 0.4 分。同一天,Artificial Analysis(AA)的程式 Agent 指數裡,Sol 卻比上一代 GPT-6.1 Sol 低了 3 分。
兩句話都是真的。GPT-6.2 Sol 是 OpenAI 定位給「日常工作與大規模 Agent」的模型,它在不少任務上逼近 Astra,也在幾個具體方向上退步。把它寫成「平價旗艦」或寫成「縮水版」,都不準確。
本文整理公開資料,不是貴數智能的實測。數字依來源與條件分開列出,不混用。
官方定位與規格
據 OpenAI 發布文章,Sol 面向日常工作與大規模 Agent 部署,OpenAI 稱內部不少人把 Sol 當作預設模型。Sol 模型文件列出的規格:
- API ID:
gpt-6.2-sol。 - 輸入文字與圖像,輸出文字;不支援音訊、影片。
- 上下文視窗 1,050,000 token,最大輸入 922,000,最大輸出 128,000。
- 支援推理,API 拒絕
reasoning effort = none。 - 支援 Chat Completions、Responses、Batch;不支援 Realtime、Assistants、微調、圖像與影片生成。工具呼叫要走 Responses API。
- 知識截止日期 2026 年 6 月 1 日,比 Astra 的 5 月 18 日晚。
上下文與模態和 Astra 完全相同。差別在定位、截止日期與能力分布。
可用性依 ChatGPT Learn:ChatGPT Work、Codex 與 API。在 ChatGPT 裡要先開啟 Work。Enterprise 與 Edu 需管理員啟用。Ultrafast 是速度檔名稱,部分較高檔的 Pro 訂閱,以及經管理員開啟的企業或教育空間可以使用。
接近 Astra 的部分
以下數字來自 OpenAI 發布資料(經 VentureBeat 整理),官方圖可能取最佳描點,對應的推理檔可能不同。
| 基準(OpenAI 官方圖) | Sol 對 GPT-6.1 Sol |
|---|---|
| FrontierCode 2.0 | 43.8% 對 39.0% |
| LifeVal | 83.8% 對 79.5% |
| BenchCAD 2.1 Core | 73.1% 對 52.6% |
| Terminal-Bench-Science | 68.0% 對 57.0% |
| AutomationBench(官方圖) | 41.2% 對 36.1% |
| Harvey LAB-AA | 11.1% 對 6.9% |
| Agents' Last Exam | 73.0% 對 72.5% |
其中兩條值得單獨說明:
- FrontierCode 2.0。 Sol 43.8%,Astra 44.2%。官方還稱 Sol 在 max 檔落後 Astra 約 0.5 分。
- LifeVal。 Sol 83.8%,不僅高於自己的上一代,也高於 GPT-6 Astra 的 79.8%。
獨立評測裡,也有支持「接近」的證據。在 AA 的 FrontierCode 2.0 標準條件下,據 Handy AI 整理,Sol 為 44.4%,Astra 為 45.4%,Claude Fable 5.2 為 48.8%。AA 智慧指數 v5.0(max 檔)中,Sol 為 57.3,與 GPT-6 Astra 的 56.9 大致持平,Astra 則是 62.1。也就是說,Sol 大約相當於上一代旗艦,而不是本代旗艦。
Vals 綜合指數(OfficeChai 或 The Decoder 轉述 Vals,本文未直接核對 Vals 綜合榜)中,Sol 第九,66.06%,與排第七的 Astra(67.66%)相差 1.6 分。
退步的部分
程式 Agent
AA 程式 Agent 頁面使用 Codex harness、max 檔:
- 程式 Agent 指數:Sol 49,GPT-6.1 Sol 52,下降 3 分;Astra 為 53。
- SWE-Atlas-QnA-AA:Sol 46,GPT-6.1 Sol 60。AA 的文章把這 14 分的下降視為主因:Sol 更常漏掉關鍵事實。
- Terminal-Bench 4.1:Sol 58,Astra 64。
- 平均每項任務耗時:Sol 約 17.5 分鐘,Astra 約 25.1 分鐘。
這裡 Sol 的 FrontierCode-AA 2.0 為 42,與 Astra 相同。同名基準在 Codex harness 下是 42,在 AA 標準條件下是 44.4%,在官方圖上是 43.8%。三個數字來自三種條件,不可互相替換。
科學
Vals 科學指數(11 月 16 日更新)中,GPT-6.2 Sol 排第七,57.76%,低於 GPT-6.1 Sol 的 59.63%。OpenAI 發布資料寫的是 58.5% 對 59.6%,與 Vals 頁面略有出入,本文以 Vals 頁面為準。結論一致:略降。
職業任務
Surge 的職業任務套件(11 項,由醫師、會計師、律師、資深工程師設計)給出的是「有喜有憂」:
- 變好:程式、圖表與 Agent 指令遵循。Chartography 上 Sol 為 87.7%,高於 GPT-6 Astra 的 71.0%,略低於 Astra 的 90.7%。
- 變差:醫療、PDF、金融。DAYJOB Healthcare:Sol 17.2%,GPT-6.1 Sol 25.2%,下降 8 分,是 Surge 當天測到的最大退步。同一項 Astra 為 34.4%。
- 在 sudo L7 上,Sol 36.1%,Astra 38.3%,兩者都低於 Fable 的 52.2%。
幻覺與障礙
AA-Omniscience 在 max 檔下,Sol 的幻覺率為 55%,Astra 為 59%(越低越好)。這套題目很難,不代表日常幻覺率,也不能說明 Sol 更可靠。
系統卡指出,兩款模型在回報工作時都更容易漏報已知障礙。對 Sol 而言,AA 觀察到的 SWE-Atlas 下降(更常漏掉關鍵事實)與此是兩個不同的指標,但讀者可以把它們放在一起,當作「交付前需要人工查核」的提示。
個人測試:卡茲克的程式碼審查
卡茲克與 AIZ小朱在微信公眾號實測中,用自建的程式碼審查集,在 xhigh 檔比較了三個模型:GPT-6.1 Sol 找到 65% 的問題,GPT-6.2 Sol 84%,GPT-6.2 Astra 96%。**這是作者自建的簡易評測集,題目與樣本數未公開。**文中還提到 Astra 比 Sol 慢約兩倍,多找出十幾個 bug。作者據此打算把 Sol xhigh 當作預設審查模型。這是作者的使用決定,不是通用建議。
它與 AA 的結論並不衝突:程式碼審查是「讀程式碼並指出問題」,程式 Agent 指數衡量的是在 Codex 裡長程完成任務,這是兩類不同的工作。
把「接近」拆開看:差距落在哪裡
「Sol 接近 Astra」在不同基準上的意思差很多。依本文引用的官方圖對照,差距可以分成三檔。
第一檔,幾乎沒有差距:FrontierCode 2.0(43.8% 對 44.2%)與 LifeVal(83.8% 對 86.1%,差 2.3 分)。這類任務偏通用,模型再強,額外推理預算帶來的收益也有限。
第二檔,有明顯差距:BenchCAD 2.1 Core 上 Sol 為 73.1%,Astra 為 82.5%;Terminal-Bench-Science 上 68.0% 對 77.1%;AutomationBench(官方圖)41.2% 對 52.4%;Harvey LAB-AA 11.1% 對 15.0%。凡是科學、CAD、複雜自動化這類「最困難專案」,Astra 的優勢都在 9 分上下,這也正是官方替兩款模型分工的依據。
第三檔,Sol 反而沒有進步:Vals 科學指數低於上一代,AA 的 SWE-Atlas 問答下降 14 分,Surge 醫療退步 8 分。
三檔放在一起,結論是:Sol 的優勢在「快、夠用」,並不在「每個方向都比舊模型強」。Vals 科學指數頁面提供了一組可佐證「快」的數字:該指數下 Sol 平均耗時約 19 分鐘,Astra 約 22 分 15 秒,Sol 用掉約 321 萬 token,Astra 約 348 萬。這是 Vals 在其三項科學任務上的平均,不適用於所有任務。
與上一代比較為何重要
不少讀者會問「從 GPT-6.1 Sol 升級到 6.2 Sol 值不值得」。官方圖表對此的答覆偏正面:七項官方對照中,Sol 每一項都高於上一代,GDPval v2 還有 +5.3 分。獨立評測的答覆偏混合:AA 智慧指數上 Sol 與 GPT-6 Astra 接近,但程式 Agent 指數下降,Vals 科學指數略降,Surge 在多個方向有退步。
這兩種說法可以同時成立,因為官方圖挑選的基準、取樣的推理檔位、評分口徑,都和獨立機構不同。是否升級,要看你的工作負載比較接近哪一邊:如果你的任務像 FrontierCode、LifeVal、BenchCAD,升級的證據比較充分;如果像醫療文件、PDF 擷取或檢索問答,應該先在自己的樣本上對比新舊兩代,再做決定。
上線前最小驗證清單
- 取 30 筆左右的真實任務,新舊 Sol 各跑一遍,固定同一推理檔位。
- 對每筆任務記錄「是否漏掉關鍵事實」,因為 AA 觀察到 Sol 在這一點上退步。
- 醫療、金融、PDF 類任務單獨統計,不與通用任務平均。
- 要求模型在交付時列出遇到的障礙,並抽樣核對,系統卡提示兩款模型更容易漏報。
- 如果走 API,工具呼叫請用 Responses 介面,並依文件設定推理檔位,不要使用 none。
誰適合把 Sol 當預設
依上面的證據,Sol 適合:
- 日常問答、文件整理、生活與辦公類任務(LifeVal 的方向)。
- 程式碼審查、圖表生成、需要較低延遲的批次 Agent。
- 想把 Astra 留給難題、其餘交給更快模型的團隊。
需要謹慎:
- 醫療、金融、PDF 密集的工作流程,Surge 顯示 Sol 相較上一代退步。
- 對「答案不能漏掉事實」要求高的檢索問答,AA 的 SWE-Atlas 下降是警訊。
- 科學類基準。Vals 科學指數上 Sol 略低於上一代。
不要誤讀的兩點
**第一,別把 xhigh 檔的結論搬到預設檔。**卡茲克的程式碼審查對比是 xhigh,AA 程式 Agent 是 max,官方圖是「最佳描點」。你在 Work 或 Codex 裡使用的檔位,可能比這些低。檔位越低,Sol 與 Astra 在難題上的差距通常越容易顯現,這需要自己測試。
**第二,別用單一榜單概括整個模型。**Sol 在 FrontierCode 上追近 Astra,不影響它在 Surge 醫療任務上的 17.2%;它在 Vals 科學指數上略低於上一代,也不影響 LifeVal 超過 GPT-6 Astra。每一個數字只回答一個問題。
首日回饋裡關於 Sol 的聲音
首日的公開討論主要針對 Astra。對 Sol 的直接評價較少:卡茲克把它當作日常審查的候選;OpenAI 自己稱內部很多人把它當預設;Surge 的結論是「有喜有憂」。需要強調,這幾類說法性質不同:官方說法是廠商立場,卡茲克是個人自建集,Surge 是獨立套件。目前還沒看到足夠多、帶具體情境的 Sol 長程使用報告,所以本文不對「Sol 好不好用」下總評,只回答它在哪些公開證據裡強、在哪裡弱。
一種可行的分工思路
如果團隊同時能用兩款模型,公開證據支持一種保守的分工:日常請求、批次審查、圖表與一般辦公任務交給 Sol;當任務屬於科學計算、CAD、複雜自動化,或 Sol 的結果在抽檢中頻繁漏項時,再升級到 Astra。這樣做的理由有三條:兩款模型的官方定位本來就是這樣分的;FrontierCode 與 LifeVal 上兩者差距很小;而在 BenchCAD 與 Terminal-Bench-Science 上,差距集中在 9 分左右。
反過來,不建議因為 Sol 在某個基準上「追上旗艦」,就把醫療、金融或檢索問答也預設交給它。這幾類正是 Surge 與 AA 觀察到退步的地方,需要先用自己的樣本驗證。這個分工只是對現有公開資料的一種讀法,不是經過貴數智能驗證的結論。
局限
發布只有一天。Surge 的部分任務當天仍在執行,Epoch 與 Vals 的更多榜單還會更新。這裡的一切都是第三方資料與個人測試,不是貴數智能的實測。Sol 與 Astra 如何取捨,另見選型篇。
一句話版本
Sol 是 OpenAI 為日常工作與大規模 Agent 準備的高效款。FrontierCode 與 LifeVal 上它逼近甚至超過上一代旗艦,程式 Agent、Vals 科學與 Surge 醫療上它退步了。該把它當成「多數任務夠用的預設款」,而不是「所有方向都升級的新款」。
來源說明
- OpenAI:發布文章、Sol 模型文件、ChatGPT Learn。
- 獨立評測:Artificial Analysis、AA 程式 Agent 頁、Vals AI、Surge。
- 媒體整理:VentureBeat、The Decoder、Handy AI、OfficeChai。