GPT-6.1实测对比Sonnet 5.5与Luna：谁的生成质量更强？

新模型扎堆发布，一场横向对比测试

近期大模型圈又热闹起来，有传闻称 GPT-6.1 已经可以被搜索到并上手体验。为了验证它的真实水平，一位 B 站 UP 主对包括 GPT-6.1、Sonnet 5.5、Luna 在内的多款模型进行了横向对比测试，并引入了此前表现亮眼的 Astra 作为参照标准。

从测试的整体结论看，这一轮新模型在生成质量上的进步相当明显，尤其是在三维建模与视觉呈现这类对细节要求较高的任务上，各家模型的差距正在被重新洗牌。

GPT-6.1 的表现：接近 Astra，但成本优势明显

UP 主给出的核心评价是：GPT-6.1 的生成质量「确实非常接近 Astra 的水平」。Astra 作为上一周刚刚完成测试的标杆模型，一直是本次对比中的参照基准。

值得关注的是价格因素。根据测试者的说法，Astra 的价格比 GPT-6.1 贵了约 5 倍，但如今能力已经被新模型追了上来。这意味着在同等质量区间内，GPT-6.1 具备更高的性价比——这往往比单纯的能力领先更能影响实际落地选择。

对于普通用户和开发者而言，「用更低的价格拿到接近顶级模型的效果」才是真正有意义的进步点。UP 主还提到，相关提示词网站已放在简介中，观众可以自行上传和查看作品，这也为复现测试提供了便利。

在大模型商业化竞争中，「性价比」是比「能力绝对值」更能影响市场渗透的指标。API 定价通常以每百万 token 为单位计算，5 倍的价格差意味着相同预算下，GPT-6.1 可以处理的任务量远超 Astra。对于需要大批量调用的企业级应用（如内容生成流水线、自动化代码审查），成本直接决定了方案的可行性边界。这也解释了为什么业界普遍认为「追平顶级模型」的时间节点，往往是一个新的商业临界点，而非仅仅是技术里程碑。

Sonnet 5.5：配色一般，但建模能力大幅跃升

在 Sonnet 系列的对比中，测试者的评价颇具辩证意味。Sonnet 5.5 的「配色不好看」，在视觉观感上存在短板；但在核心的建模能力上，它「已经比 Sonnet 5 好太多了」。

这种「观感与能力分离」的现象，在模型迭代中并不少见。配色、风格属于表层审美偏好，而建模精度、结构合理性才是模型底层能力的体现。从 Sonnet 5 到 Sonnet 5.5 的进步，说明厂商在模型的几何理解与空间构建上做了实质性优化。

如果把配色短板看作可以通过后处理或提示词调整的问题，那么 Sonnet 5.5 在建模层面的提升反而是更难得、更有价值的进步。

这里的「建模」与「三维建模」特指 AI 生成 3D 结构或几何体的能力，而非统计学意义上的「模型训练」。在三维内容生成任务中，模型需要理解物体的拓扑结构、比例关系和空间遮挡逻辑，这对底层的空间推理能力要求极高。「配色」属于材质与渲染层的输出偏好，可通过提示词中的风格描述加以干预；而几何结构的正确性一旦出错，往往会造成模型变形、面片穿插等根本性缺陷，很难靠后处理修复。两者在技术难度和可修正成本上存在本质差异。

Luna：中规中矩，建模错误较多

相比之下，Luna 的表现被评价为「中规中矩」。测试者直言其模型存在不少错误，整体稳定性和准确度不及前两款。

对于看重生成结果可用性的场景，建模错误意味着需要更多的人工修正成本，这会直接削弱模型在实际工作流中的价值。UP 主也提示，Luna 的更详细表现可以参考上一期视频的内容。

几点观察与思考

这轮对比虽然是基于单一创作者的主观测试，但透露出几个行业层面的信号。

第一，顶级能力正在快速平民化。 Astra 作为标杆，仅一周后就被价格便宜 5 倍的 GPT-6.1 追平，说明模型能力的领先窗口正在缩短，价格战与性能战同步展开。

第二，评价维度需要分层看待。 Sonnet 5.5 的案例提醒我们，不能简单用「好看与否」去判断模型优劣，建模精度、结构正确性这些硬指标更能反映真实能力。

第三，稳定性是分水岭。 Luna 的建模错误说明，生成质量的下限同样重要。对实际应用而言，少犯错的模型往往比偶尔惊艳的模型更可靠。

需要说明的是，以上测试来自单一 B 站创作者的体验分享，样本有限且带有主观性，具体数据和结论仅供参考。想要更严谨的评估，仍需结合更大规模、更标准化的基准测试。