GPT-6.1 Sol"接近 Astra"：官方声明的独立核查

2026年9月29日，OpenAI 在 DevDay 上发布 GPT-6.1 Sol，面向 Plus、Pro、Business、Enterprise 及 Edu 用户，在 ChatGPT Work、Codex 和 API 中可用，并称其能力接近 GPT-6 Astra。需要先厘清一个容易混淆的背景：据 Engadget、9to5Google 等报道，OpenAI 此前取消了原定 10 月发布的 GPT-6.1 Astra（另一款尚未发布的模型），报道称原因是其内部安全测试出现回归。它与已在 API 上线的 GPT-6 Astra 不是同一个模型——本文讨论的"接近"，比较对象是后者。

「接近」在各基准上的量化差距

据 Vellum、DataCamp 引述的官方数据：在软件工程评测 DeepSWE v1.1 上，Sol 与 Astra 的峰值准确率（约 74.8%）基本持平，每任务成本约低 80%；在计算机操控评测 OSWorld 2.0 上，Sol 与 Astra 的 73.5% 相差 2.1 个百分点，每任务成本约为其七分之一。TechCrunch 援引 OpenAI 称，跨所有推理强度综合后 Sol 的错误率"在 Astra 的 1.9% 以内"，官方未单独说明该指标的计算口径。

另据DataCamp整理的数据（单一信源，供参考），在专业故障排查类测评TroubleshootingBench上，Sol为47.96%、Astra为63.46%，差距扩至15.5个百分点；在网络安全类测评ExploitBench Internal Port上，Sol为21.5%、Astra为31.5%，差10个百分点。"接近"在不同基准上的量级并不一致：从持平到 15.5 个百分点（后者为单一信源）。

我们的18题首测：可核实的部分

赢政指数于2026年9月30日（发布后约数小时内）以18题定向口径完成首次评测（Run #348），全部判分均为规则/沙箱方式（单元测试、精确匹配、结构化JSON校验、数值容差），无AI判分介入：

响应速度方面，18题中位数耗时约3.9秒，均值约6.2秒，最长一题（一道高难度代码题）耗时24.9秒，18题全部成功返回，无API失败。（首跑曾因 API 参数兼容问题全部失败，被记为"数据缺失"而非 0 分，修复后重跑的数据才是本文所用数据。）

同一批 18 题的补测：Sol 6.1 对 Astra

首测发布后，我们把 GPT-6 Astra 加入评测注册表，用与 Run #348 完全相同的 18 题各跑了一次，并对 GPT-6.1 Sol 与 Astra 各重复一次（判分同为规则/沙箱）。结果：GPT-6.1 Sol 两次均为 95.91（Run #348、#352）；GPT-6 Astra 两次分别为 89.97 与 95.91（Run #351、#353），两次之间的差异只出现在扎实度一层（77.7 对 90.9），其余各层完全相同。也就是说，Astra 自身两次运行的差距（5.94 分）与它和 Sol 6.1 单次相比的差距一样大——在这批题上，二者无法区分。

这与官方的"接近"并不矛盾，但不构成证实：每个模型只跑了 1-2 次，18 题在头部已近天花板，扎实度层的一道题就能改变分数。完整的四模型对照与噪声分析见本站另文。

三条需要说明的边界

• "接近 Astra"我们只能做到"未被推翻"，还不能说"被证实"。同题补测显示二者在 18 题上无法区分，但样本小、有天花板效应；能回答这个问题的是下一次周度 Full 评测。
• 18题口径不等于完整周榜口径。本次18题为日常Smoke规模的2倍，非完整题库。GPT-6.1 Sol的完整基线须等下一次周度Full评测后确认，届时才可与主榜现有模型并排，且须标注口径，不可直接排名或混排。
• 推理强度是必须核对的变量。据 OpenAI 开发者文档，GPT-6.1 Sol 支持 low 至 max 多档 reasoning_effort（默认 medium）。厂商基准通常对应某一档设置，不同档位的成绩与成本可能差异很大；本站首测未显式指定推理强度，使用 API 默认值。

读厂商基准的三个检查点

• 选了哪些基准：厂商通常突出差距最小的基准，第三方整理有时会补上差距更大的（如 DataCamp 整理的 TroubleshootingBench，单一信源）。读者应对照全部已披露的基准，而不是只看头条数字。
• 样本来源是否公开：部分内部或小众基准（如上文的 ExploitBench）并非广泛采用的开放基准，外部研究者复现困难，方法论细节依赖单方披露。
• 推理强度如何计算入总分：基准成绩对应的推理预算，是否与你的实际使用方式一致？如果你的任务不允许高推理消耗，基准的参考价值就会打折。

Full评测后能回答的问题

• 完整题库口径下GPT-6.1 Sol的综合分，能否相对于主榜参照（Run #342，2026-09-28）形成统计意义上的明显跃升？这是18题口径目前无法回答的问题。
• 诚信压力层73.3分（pass评级）是系统性模式还是小样本噪声？Full评测扩大该层题量后，稳定性如何。
• 沟通层单题50分是否可在Full中重现，还是偶发失分。

综上，我们的 18 题实测能说的是：GPT-6.1 Sol 执行力与判断力全满，扎实度有一道 63.6 分，诚信压力 pass 但两题 60 分，沟通层 1 题 50 分；同一批题上它与 GPT-6 Astra 的差距小于 Astra 自身两次运行的波动。"接近 GPT-6 Astra"这句话，我们的数据没有推翻它，但要下结论，需要 Full 评测。

参考信源：OpenAI launches GPT-6.1 Sol, says it nearly matches GPT-6 Astra and costs less；GPT-6.1 Sol: Features, Benchmarks, Pricing, and Access；GPT-6.1 Sol Benchmarks Explained: Coding, Computer Use & Pricing；OpenAI cancels GPT-6.1 Astra release over deceptive behavior；OpenAI cancels GPT-6.1 Astra release over safety concerns；OpenAI's GPT-6.1 Sol delivers Astra-like performance at a dramatically lower price。