GPT-6.1 Sol性能接近Astra且定价仅为其五分之一

OpenAI在2026年9月29日的DevDay活动上正式推出GPT-6.1 Sol，作为GPT-6 Sol的重大升级版，该模型将旗舰级GPT-6 Astra的能力进一步下沉到日常主力工作负载中，主打智能体编程、计算机使用和专业工作场景[S2][S7]。官方将其定位为开发者和智能体的日常主力模型，目标是在保持接近Astra性能的前提下，以更低成本支撑复杂重构、深度代码库调查、多步骤业务工作流和专业文档处理等高频任务[S1][S5][S6]。

发布背景与产品定位 GPT-6系列采用分层布局策略，旗舰级GPT-6 Astra承担最高能力上限，面向最困难的科研与高要求任务；而Sol系列则承接更大规模的实际工作，在能力与成本之间寻找平衡[S4][S5][S6]。GPT-6.1 Sol延续了这一定位，且通过训练方法的优化，把Astra在专业工作、事实准确性、编码和计算机使用等方面的技术进展进一步下放到中端价位段，使同等性能下的调用成本显著下降[S2][S3]。

从产品节奏看，GPT-6 Astra于2026年9月率先发布，随后GPT-6 Sol与Luna相继推出，形成覆盖旗舰、中端和轻量场景的完整矩阵[S3][S12]。GPT-6.1 Sol的出现则进一步强化了中端产品线的竞争力，使企业和开发者无需为高频任务持续支付旗舰模型价格，即可获得接近上限的性能表现[S6][S9]。

核心性能表现 GPT-6.1 Sol在智能体编码、计算机操作和复杂专业任务中的表现相较上一代Sol有明显提升，并向旗舰Astra靠拢，“性能接近Astra”的结论主要基于OpenAI官方评估，第三方独立基准测试尚未发布[S2][S7]。在DeepSWE 1.1软件工程评测中，该模型以约五分之一的成本达到接近Astra的水平，且比GPT-6 Sol的最高得分高出6.4个百分点[S5]。在OSWorld 2.0计算机操作评测中，最高推理强度下的成绩较上一代Sol提升约7个百分点，与Astra的差距约为2个百分点[S11]。

事实准确性方面，GPT-6.1 Sol的事实错误率从GPT-6 Sol的11.4%降至7.7%，对齐与安全表现同样向Astra看齐[S11]。在专业文档处理和业务自动化场景中，它也展现出更高的稳定性，例如在衡量复杂PDF理解能力的GDP.pdf测试中，各档推理设置下的得分均超过带回退机制的Opus 5.5，而单任务成本不到后者的一半[S5]。面向多步骤业务流程的AutomationBench测试中，中等推理强度下领先Opus 5.5两个百分点以上，成本约为其三分之一[S5]。

定价与成本优势 GPT-6.1 Sol的API定价为每百万输入Token 2美元、输出Token 10美元，而GPT-6 Astra对应价格为输入10美元、输出50美元，标准价格约为旗舰模型的五分之一[S2][S9][S11]。对于需要反复复用上下文的智能体和长对话场景，缓存输入价格进一步降至每百万Token 0.1美元，较标准输入价低95%，也比GPT-6 Sol的缓存价低50%[S2][S9][S10]。

缓存折扣的优化对长周期智能体任务尤为重要。在代码库调查、持续监控、多轮业务流程等场景中，系统提示词、项目文档和历史上下文往往会被重复调用，使用缓存后可显著降低重复计算成本，并缩短响应延迟[S6][S10]。对企业而言，这意味着原本只能在关键节点调用旗舰模型的应用，现在可以将更多常规请求迁移到GPT-6.1 Sol，在保持任务成功率的同时大幅压缩整体账单[S11]。

可用性与调用方式 自2026年9月29日起，GPT-6.1 Sol向ChatGPT Work与Codex的Plus、Pro、Business、Enterprise和Edu用户开放，开发者则可通过API以gpt-6.1-sol模型名直接调用[S4][S11]。该模型支持多档推理强度调节，用户可根据任务难度和成本预算灵活选择，适合从快速代码补全到深度重构的不同需求[S5][S12]。

官方同时预告了Astra Ultrafast等更高速度档位，但GPT-6.1 Sol极速版的具体上线时间和定价尚未公布[S7][S11]。企业级客户的批量调用折扣、SLA保障细节等信息也有待后续披露。对于已经在Amazon Bedrock等平台使用OpenAI模型的用户，后续可关注该模型在主流云平台的上架进度，以统一纳入现有企业安全与合规治理体系。

行业影响与应用趋势 GPT-6.1 Sol的发布标志着大模型性价比格局正在被重塑。过去，接近旗舰水平的能力往往对应高昂的调用成本，限制了智能体和编码辅助类应用的规模化部署；现在，中端模型以五分之一价格承接大部分日常专业工作，将推动企业把更多重复性、长流程任务交给AI执行[S6][S9]。

对开发者和智能体创业团队来说，成本下降意味着可以更激进地使用多轮推理、长上下文和工具调用，而不必过度压缩Token预算。对企业IT部门而言，将代码重构、文档分析、业务流程自动化等任务迁移到高性价比模型，能够在不显著增加支出的前提下提升整体研发与运营效率。当然，第三方独立基准测试和真实业务场景的长期表现仍需时间验证，企业在切换主力模型前仍应结合自身任务类型做充分的灰度测试与成本核算。