为什么做这次补测
2026年9月29日，OpenAI在DevDay发布GPT-6.1 Sol。据unite.ai等媒体报道，OpenAI官方称该模型能力接近GPT-6 Astra。赢政指数此前对GPT-6 Astra、GPT-6 Sol、GPT-6 Luna三款模型都没有评测数据，因此发布当日的首测只能单独看Sol 6.1。为了在同一基准下观察它与其余三款的关系，我们随后把三者加入评测注册表，四个模型使用与首测完全相同的18道题，于2026-09-30全部跑完。
测试口径
本次定向评测共18道题，分布为：执行力7题、扎实度4题、判断力3题、诚信压力3题、沟通1题。全部采用规则判分与沙箱判分，无AI判分。API仅接受默认温度1，每次运行存在一定随机性。GPT-6.1 Sol与GPT-6 Astra各跑两次，GPT-6 Sol与GPT-6 Luna各跑一次。以下为全部运行结果：
| 运行编号 | 模型 | 综合 | 执行力 | 扎实度 | 判断力 | 沟通 | 诚信压力 | 诚信评级 |
|---|---|---|---|---|---|---|---|---|
| #348 | GPT-6.1 Sol | 95.91 | 100 | 90.9 | 100 | 50 | 73.3 | pass |
| #352（重复） | GPT-6.1 Sol | 95.91 | 100 | 90.9 | 100 | 50 | 73.3 | pass |
| #351 | GPT-6 Astra | 89.97 | 100 | 77.7 | 100 | 50 | 73.3 | pass |
| #353（重复） | GPT-6 Astra | 95.91 | 100 | 90.9 | 100 | 50 | 73.3 | pass |
| #350（仅一次） | GPT-6 Sol | 88.65 | 97.6 | 77.7 | 76.7 | 50 | 86.7 | pass |
| #349（仅一次） | GPT-6 Luna | 89.97 | 100 | 77.7 | 100 | 66.7 | 73.3 | pass |
三个可以说的结论
结论一：GPT-6.1 Sol的输出高度稳定。Run #348与#352，综合分均为95.91，五个层分逐一相同。在温度为1、全规则判分的条件下，两次运行完全重合。当然，两次重合并不保证第三次也重合。
结论二：Astra的两次运行之间相差5.94分，且差异完全来自扎实度一层（77.7→90.9），其余四层逐一相同。扎实度共4题，单层13.2分的波动意味着至少有一道题在两次之间出现了显著得分变化。关键在于：5.94分的噪声量级，与模型之间的差距（本批最大为7.26分）处于同一量级，这说明在仅跑1次的情况下，单次数字所携带的随机误差不可忽视，并非Astra特有，而是小样本随机温度测试的通用限制。
结论三：在这批题上，GPT-6.1 Sol与Astra（第二次运行）得分完全相同——综合95.91，五层逐一一致。OpenAI"接近Astra"的表述与这个结果相符，但相符不等于证实。Astra第一次仅得89.97，自身的跨次波动已经说明：在如此小的样本下，"两者无法区分"和"两者真的等价"在统计上不可分辨。
三个不能得出的结论
这6次运行不构成排名依据。这18道题是定向口径，与赢政指数主榜的完整评测口径不同，两套数字不可直接比较或混排，也不能据此评价GPT-6家族与主榜任何模型的相对位置。其次，GPT-6 Luna与Astra（第一次）在本次各层分极为接近，但Luna只跑了一次，缺乏重复运行的情况下，不能断言两者等价。第三，这18道题在头部模型上已接近天花板——执行力和判断力层多个模型均为满分，区分度严重受限；综合分的细微差异主要反映其他层（尤其是扎实度）的随机波动，而非系统性能力差异。
价格对照与选型含义
据 The Next Web、DataCamp、CloudZero 等多家科技媒体2026年9月29日至30日的报道，四款模型标准档API单价（每百万token，输入/输出）如下：
- GPT-6 Astra：$10 / $50
- GPT-6.1 Sol：$2 / $10（输入价约为Astra的五分之一）
- GPT-6 Sol：$2 / $10（与GPT-6.1 Sol同档）
- GPT-6 Luna：$0.10 / $0.50（输入价约为Astra的百分之一，为Sol系的二十分之一）
上述各档均设有超过272K输入token的长上下文加价档。当这批定向题无法有效区分模型时，价格差就成了更硬的决策变量。Astra与Sol/6.1 Sol之间5倍的输入价差，在批量场景下是实质性的成本差异。但这里有一个重要前提需要强调：赢政指数18道定向题上无法区分，不代表你的具体业务场景下也无法区分。评测题目在头部已近天花板、区分度有限，而真实任务的难度分布可能完全不同。选型前用自己的任务做完整对照，是唯一可靠的验证路径。
下周Full评测要回答的问题
- GPT-6.1 Sol在完整主榜口径下的基线分数是多少？与同期其他模型在相同口径下如何分布？
- Astra在18题上的5.94分跨次波动，是否在更多题目的覆盖下收敛？Full评测的大样本将大幅降低单题随机性的影响。
- 扎实度层的波动是偶发还是系统性——GPT-6.1 Sol的90.9与Astra第一次的77.7，究竟哪个更接近真实能力水位？
- GPT-6.1 Sol的诚信压力层（73.3，仅3题）在更大样本下是否稳定，还是存在特定类型的失分模式？
参考信源：OpenAI Unveils GPT-6.1 Sol at DevDay With New Codex and ChatGPT Tools；GPT-6.1 Sol: Features, Benchmarks, Pricing, and Access；OpenAI releases GPT-6.1 Sol at a fifth of GPT-6 Astra's token prices；OpenAI launches GPT-6 Sol and Luna with 50% lower API pricing；GPT-6 Astra pricing: What OpenAI's new flagship costs in 2026。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接