GPT-6 Sol发布：价格腰斩，实测95分追平顶级旗舰

OpenAI在凌晨突然端出全新的GPT-6 Sol，把顶级旗舰的前沿能力下放到主力模型档位，同时把接口价格直接砍掉一半。对每天要处理繁重任务、更看重性价比的开发者和团队而言，这或许比号称达成AGI的GPT-6 Extra更有实际意义。B站UP主「进化中的阿诚」用一套9道大题的硬核基准对它做了全方位摸底，最终加权总分稳落在95分。

价格腰斩：把调用成本打进实用区间

成本才是这次发布真正的主角。上一代GPT-5.6 Sol的促销价，输入端每百万Token为4美元、输出端20美元；而GPT-6 Sol把输入砍到2美元、输出直接腰斩到10美元，折合人民币约67元。这个价格不仅低于每百万Token 15美元的Kimi K3，输出端相比后者更是便宜了约三分之一。

同台发布的轻量款GPT-6 Luna降幅更夸张：输入端从0.20美元降到0.10美元，输出端从1.20美元跳水到0.50美元，折合人民币只要3块多钱。当顶尖交付水准与低廉调用开销同时成立，生产力普及才真正有了底气——这也是OpenAI这次「量大管饱」路线的核心逻辑。

官方博文提到，两款新模型沿用了类似GPT-6 Astra的训练手段。在跨软件业务流程测试Automation Bench上，高档的Sol得分超过最高档的Cloud Ops 5，每道题开销却只有对手的9%；在真实代码库评测Deep SW1里，Sol最高档跑出68.8%，紧贴顶尖模型Cloud Fable 5的69.9%，成本却低了约八成。

Token是大语言模型计量文本的基本单位，大致上英文每个单词约等于1-1.5个Token，中文每个汉字约等于1.5-2个Token。「每百万Token」是API定价的标准计量方式，对于实际业务而言，一次包含上下文的复杂对话或一份中等长度的代码审查任务，通常会消耗数千至数万个Token。以输出端10美元/百万Token换算，生成一千个汉字的报告大约花费不到0.1元人民币，这使得高频次、大批量的自动化工作流在经济上变得可行。Automation Bench和Deep SW1是业界用于评估模型在真实工程场景下表现的基准测试，前者模拟跨软件的多步骤业务自动化，后者则在真实代码库上考察代码理解与修改能力，两者都比纯粹的问答题更接近生产环境的实际需求。

实测九道大题：游戏、建模、前端全覆盖

光看官方指标不够，真正的考验在实际任务。这套测试每题满分100分，由70分正确性加30分质量分构成，不同题目带有权重。有意思的是，同场挂上来的Cloud Ops 5.5因为思考时间过长，全套跑下来慢得多，测试早已开始它还在后台没跑完。

第一题照着光环做网页3D射击游戏（权重三倍），整体风格与GPT-6 Astra相似，霓虹竞技场配了能量护盾、动态雷达、开场提示和背景音效，人手雷在地上滚动的物理轨迹相当真实，最终拿到96分。第二题回合制战棋（权重三倍），等轴网格、行动点数与掩体机制到位，但存在角色穿透掩体、贴身命中率仅66%等逻辑破绽，得94分。

第三题设计神秘博士蓝色警察亭造型的手机支架（权重高达四倍），要求参数化、水密、无需支撑即可3D打印。导入拓竹切片软件检查，尺寸约12×21×23厘米，门窗、门把手、手机凹槽与充电位全部考虑到位，正确性68分、质量满分30分，总分98分。第四题运维助手LumenOps的销售落地页（权重两倍），深绿配色与Astra前端风格如出一辙，还做了可拖动滑块、实时计算工时与成本的交互式回本计算器，总分冲到99分。

高难任务与自动判分：短板与亮点并存

第五题照着暗黑破坏神做斜视角地牢动作游戏（权重三倍），技能、闪避、怒气都搭起来，但氛围平淡、移速偏慢，得93分。第六题让无人机沿纽约第五大道从42街飞到中央公园，是整套题难度最高的一关——纽约公共图书馆、圣帕特里克大教堂、广场饭店按序建出，特朗普大厦金色外墙反光细腻，但问题不少：溜冰场方向搞反、金色雕像杵在冰场中央、所有建筑无碰撞体积导致无人机穿楼而过、街上汽车全静止，得92分。

第七题12秒的定格小动画（权重一倍）是全场最低分：企鹅舌头从鼻子里伸出来、冰淇淋掉落卡顿、掉落后原地发呆而背景白云仍在飘动、哭脸线条划到轮廓外，最终只拿到86分。

最后两题由程序全自动判分。Q3Close要求把杂乱的季度结账凭证整理成对账与异常报告，Sol直接拿下100分满分；专门考察代码审查的Skepticism Audit中，15分报告里布满假警报，模型只准修正真漏洞、不能瞎改，Sol拿下90分，全场只判错第二份报告——而这道题几乎所有大模型都会在第二份上翻车。

Q3Close和Skepticism Audit代表了两类截然不同的自动化判分场景。Q3Close属于结构化数据处理任务，考察模型能否从格式混乱的财务凭证中准确提取、分类并生成对账报告，判分标准客观明确，因此满分有较高说服力。Skepticism Audit则更具挑战性——它要求模型在阅读代码审查报告时，既能识别出真实漏洞，又不被刻意植入的假警报（False Positive）所迷惑而做出多余修改。这类任务考验的是模型的「批判性克制」能力：过度保守会漏掉真漏洞，过度激进则会引入新问题。几乎所有主流大模型都会在第二份报告上判断失误，说明区分真实安全威胁与误报仍是当前模型的普遍弱点，Sol在此题拿到90分属于第一梯队水准。

95分的意义：差距全在价格上

九道大题全部考完，GPT-6 Sol加权总分稳稳落在95分，整套测试花费2.49美元、约人民币17元，平均每项任务只要1.9元。在收录了34个模型的实测榜单上，这个成绩直接追平Cloud Ops 5和Grok 4.6，比上一代GPT-5.6 Sol的94分抬高一分，也高出前一天测得的小米MiMo旗舰款V2.6 Pro的93分。

必须承认，95分和94分两代模型咬得非常紧，实际体验差距并不悬殊。真正拉开身位的是价格：输出端每百万Token只要10美元，相比上一代直接打五折，相比Kimi K3便宜约三分之一。模型不仅要能干活，更要让大家用得起——当实用智能被打进清晰的性价比区间，这次发布的价值就不只是榜单上那一分。

文中提到的34模型榜单采用加权评分机制，不同难度与类型的任务被赋予不同权重（如3D打印题权重四倍、游戏类题目权重三倍），这意味着在高权重题目上的表现对最终总分影响更大。这种设计旨在更真实地反映模型在高价值生产任务上的实际能力，而非单纯平均各题得分。Cloud Ops 5和Grok 4.6是当前该榜单上的头部竞争对手，分别代表Anthropic和xAI在旗舰级别的最强输出，GPT-6 Sol以更低价格追平二者，意味着OpenAI在「能力/价格比」这一维度上取得了显著领先。对于需要大规模调用API的企业用户而言，同等效果下成本减半直接影响产品经济模型的可行性。