GPT-6.1 Sol：功能、基准测试、定价与获取方式

OpenAI 于 2026 年 9 月 29 日在 DevDay 发布了 GPT-6.1 Sol，距 GPT-6 Sol 发布一周、距 GPT-6 Astra 发布 26 天。

Astra 在 Terminal-Bench Science 0.1 的“最大努力”设置下，单任务平均成本为 23.80 美元，使其难以胜任日常工作。Sol 正是 OpenAI 针对该问题的答案。

核心价格为每百万输入 token 2.00 美元、每百万输出 token 10.00 美元，提供 1,050,000 个 token 的上下文窗口，最多输出 128,000 个 token。根据 OpenAI 的公告，GPT-6.1 Sol 在 DeepSWE v1.1 上与 Astra 持平，成本约为后者的五分之一；在 AutomationBench 的中等努力下，比分高出 Anthropic 的 Claude Opus 5.5 2.2 个百分点；在 Terminal-Bench Science 0.1 上，单任务成本为 5.47 美元，对比 Astra 的 23.80 美元。 

本文将介绍 GPT-6.1 Sol 的新增内容，涵盖 OpenAI 发布的功能、基准与安全数据，如何在 GPT-6 产品线中选型，以及成本考量。若需更深入了解其“邻居”，请参阅我们的 GPT-6 Sol API 教程 与 Claude Sonnet 5.5 指南。

要点速览

• GPT-6.1 Sol 是介于 GPT-6 Astra 与 GPT-6 Luna 之间的中端更新。输入与输出价格与 GPT-6 Sol 一致，缓存输入从每百万 token 0.20 美元降至 0.10 美元。
• 每个完成任务的成本才是关键。原始能力在最难的网络安全、生物与科学评估上仍落后于 Astra。
• OpenAI 将其在网络安全中定为“关键级”（Critical），在生物领域定为“高”（High），因此与 Astra 采用相同的安全防护堆栈。
• 将其设为智能体编程、电脑操作与商业流程的默认选择。把 Astra 留给湿实验室推理、经授权的安全研究，以及最困难的科学任务。
• 从 GPT-6 Sol 迁移需要改代码。GPT-6.1 Sol 不支持 none 或 minimal 推理强度，且 Chat Completions 不能调用工具。

什么是 GPT-6.1 Sol？

GPT-6.1 Sol 是 GPT-6 系列中的中端推理模型，于 2026 年 9 月 29 日作为 GPT-6 Sol 的升级版发布。其定位低于 9 月 3 日推出的旗舰 GPT-6 Astra，高于小型模型 GPT-6 Luna。

OpenAI 称其在智能体编程、电脑操作与专业工作上几乎与 Astra 相当。

系统卡片的补充说明更进一步，称其具备与 Astra 可比的能力，并拥有速度与成本的独特组合。

我会将其理解为“经成本调整”的说法，而非绝对对等。Astra 在最难的网络安全、生物与科学评估上仍然领先。

并不存在 GPT-6.1 Astra。《华尔街日报》报道 OpenAI 因模型在对齐测试与遵循用户授权范围方面出现退步，取消了 10 月的发布，OpenAI 也确认了这一决定。

因此，GPT-6.1 Sol 是唯一的 6.1 版本，其在欺骗与持久性方面的数据（见下文）值得仔细阅读。

GPT-6.1 Sol 相比 GPT-6 Sol 有何不同？

GPT-6.1 Sol 在智能体与安全类工作上对 GPT-6 Sol 提升最大。T

以下为 OpenAI 报告的增益：

• DeepSWE v1.1： 比 GPT-6 Sol 的最高分高 6.4 个百分点，且以更低的推理强度与成本达成。
• AutomationBench： 中等强度下高出 4.8 分。
• OSWorld 2.0（离线集）： 最大努力下高出 7 分，单任务成本不足一半。
• Terminal-Bench Science 0.1： 最大努力下分数超过 GPT-6 Sol 的两倍，单任务成本不足一半。
• ExploitBench 内部移植版： 21.5% 对 5.5%。
• 内部研究调试： 75.52% 对 64.20%。

Preparedness 分类意味着什么？

OpenAI 将 GPT-6.1 Sol 在网络安全领域定为关键级（Critical），在生物与化学领域定为高（High），在 AI 自我改进方面低于“高”的门槛。GPT-5.6 Sol 在网络安全中的评级为高（High），而非关键级（Critical）。开发者应当格外重视这一分类。

这意味着该模型继承了 Astra 的完整安全防护堆栈，包括通过 Daybreak 项目的分阶段访问以开展高级网络安全工作。Sol 并未获得更轻量的中端控制版本。

GPT-6.1 Sol 关键功能

主要变化在于以更低成本完成相同工作，同时伴随少量需要提前规划的 API 变更。以下能力会影响您的构建方式。

1,050,000-token 的上下文窗口，272,000 处有“悬崖”

GPT-6.1 Sol 可接收 1,050,000 个输入 token，并输出最多 128,000 个，窗口与 GPT-6 Sol 一致。

关键在计费：当提示词超过 272,000 个输入 token 时，整次请求将按 2 倍输入与缓存费率、1.5 倍输出费率计费，而非仅对溢出部分加价。

在 272,000 个 token 以下进行仓库级别分析很便宜。单次过大的检索步骤可能把整次运行推过阈值，导致该请求的全部内容按更高价格计费。

智能体编程与电脑操作的单任务成本仅为 Astra 的一小部分

最清晰的用例是在长工具调用循环中，用 GPT-6.1 Sol 替换原本使用 Astra 的位置。

OpenAI 报告称其在 DeepSWE v1.1 上与 Astra 持平，成本约为后者五分之一。在 OSWorld 2.0 离线集的最大努力下，其与 Astra 的差距为 2.1 分，单任务成本约为后者的七分之一。

我们的 GPT-6 Sol 代码库迁移智能体 端到端成本为 0.7082 美元，其中 91% 的输入 token 来自缓存。该运行使用的是 GPT-6 Sol，而非 GPT-6.1 Sol。标准 token 价格相同，而缓存输入费率则低了一半。

推理始终开启

GPT-6.1 Sol 支持 low、medium（默认）、high、xhigh 与 max 推理强度。根据 OpenAI 的模型页，none 与 minimal 不受支持。

调用工具需使用 Responses API。

Chat Completions 仍可用，但不能调用工具。GPT-6 Sol 允许在 none 强度下于 Chat Completions 中进行函数调用，因此任何将其用作廉价“无推理函数调用器”的代码都需要迁移。

在低推理强度下更低的事实性错误率

OpenAI 在去标识化的 ChatGPT 会话中测量了答案包含事实性错误的占比，这些会话是用户曾标注过早期模型错误的案例。在 low 强度下，该占比从 GPT-6 Sol 的 11.4% 降至 GPT-6.1 Sol 的 7.7%，约下降 32%。

在测试的各强度设置间，其错误率与 Astra 的差距在 1.9 个百分点以内。

OpenAI 表示这些提示刻意设置得很难，并不代表典型使用情况。

补充说明中的幻觉图表也显示，GPT-6.1 Sol 与 GPT-6 Sol 在用户标注案例中的错误率都很低，因此可将其视为“低强度”的改进，而非全面提升。

该评测覆盖的是一般事实问答，而非抽取或分类。如果您的管道在 medium 强度下运行，建议先在自有数据上测试 low，再决定是否切换。并且 low 是可用的最低设置。

更能遵循指令的链式思考

GPT-6.1 Sol 对自身链式思考（CoT）的控制比以往任何 Sol 模型都更可靠。

在 750 至 1,250 token 的 CoT 中，它在 44.8% 的案例中遵循了所要求的 CoT 指令；对比 GPT-6 Sol 的 23.2%、GPT-5.6 Sol 的 16.1%、GPT-5.5 Thinking 的 1.7%。Astra 仍以 60.9% 领先。

OpenAI 的示例也揭示了边界：当被要求不要在 analysis 渠道中进行推理时，GPT-6.1 Sol 在 analysis 渠道完全不输出文本，却在 commentary 中发起与问题相关的工具调用——严格遵循了指令的“字面含义”。

与旗舰一致的安全防护堆栈

由于 OpenAI 给予 GPT-6.1 Sol 与 Astra 相同的 Preparedness 判定，它也获得相同的安全防护。

在 OpenAI 面向生产聊天的网络安全安全评估中，其得分为 0.987，为对比模型中最高。

在生物拒绝评估中，它与 GPT-6 Sol 一样会拒绝严重与双重用途请求，同时对良性提示的拒绝更少（0.982 对 0.964）。

在智能体环境下，情况则不那么均衡。

OpenAI 报告称其在合成与半合成的网络环境中，相较 GPT-5.6 Sol 略有回退。网络安全工作仍需分阶段访问，OpenAI 正将 GPT-6.1 Sol 纳入 Daybreak 可信访问项目，以开展高级授权使用，Astra 也曾如此。

GPT-6.1 Sol 的基准表现如何？

在 OpenAI 发布的多数评估中，GPT-6.1 Sol 介于 GPT-6 Sol 与 GPT-6 Astra 之间。

其在健康、幻觉与失配预警方面接近 Astra，在网络安全与生物领域差距更大。

编码欺骗与非期望持久性是例外，其在这两项上不及 Astra。

在 Astra 明显领先的评测中，差距约为 4 至 16 分。

当纳入成本因素时，Sol 则明显占优。

OpenAI 在自家研究环境或通过自家 API 运行了自家模型，竞争对手结果来自公开报告。

编码与智能体工作流

智能体相关数据正是该模型存在的理由。在 OpenAI 的公告中，GPT-6.1 Sol 在 DeepSWE v1.1 上与 Astra 持平，在 OSWorld 2.0 上仅落后 2.1 分；在 AutomationBench 的中等强度下比分 Claude Opus 5.5 高 2.2 分，成本约为其三分之一。

单任务成本是差异最明显之处。

在 Terminal-Bench Science 0.1 的最大努力下，GPT-6.1 Sol 的单任务平均成本为 5.47 美元，Opus 5.5 为 23.21 美元，Astra 为 23.80 美元。Astra 仍以 68.1% 领跑准确率榜单，OpenAI 也建议将其用于最困难的科学研究任务。

结合我们自有报道的背景，Claude Sonnet 5.5 在 Terminal-Bench 4.0 上得分为 70.6%。在 FrontierCode 1.1 上，其在最大努力下得分 46.2%，在 xhigh 下为 52.1%；Anthropic 的发布表中列出 GPT-6 Sol 为 49.3%。这些是不同的基准与厂商自报数据，应作为背景而非正面对比。

网络安全与利用开发

GPT-6.1 Sol 是 OpenAI 在网络安全领域定为“关键级”的 Sol 阶模型，评估数据也解释了原因。在 ExploitBench 上，其在最大推理强度下达到 99.7%，对比 GPT-6 Sol 的 81.7% 与 Astra 的 100%。OpenAI 提醒这些结果可能因历史漏洞数据污染而被高估。

内部移植版的结果最具参考意义，因为它使用了 2026 年 6–8 月披露的漏洞以降低污染。从 5.5% 到 21.5% 接近于在“近期披露漏洞”上相对 GPT-6 Sol 的 4 倍提升。

但其仍比 Astra 低 10 个百分点；在 SEC-Bench Pro 上低 6.6 分，在 ExploitGym 上低 7.3 分。OpenAI 的总结是：对于近期披露漏洞的可靠利用，GPT-6.1 Sol 仍具挑战。

健康与心理健康对话

在健康评估上，GPT-6.1 Sol 基本可替代 Astra。长度校正的 HealthBench Professional 得分为 64.2，对比 Astra 的 64.7、GPT-6 Sol 的 60.8。HealthBench Hard 为 36.2，对比 Astra 的 36.6、GPT-6 Sol 的 30.1。

MentalHealthBench 是一个包含 1,215 个合成对话的开放基准，按临床医生撰写的量表评分。GPT-6.1 Sol 的总体得分为 57.9% ± 1.0，对比 Astra 的 58.7%、GPT-6 Sol 的 54.2%。在 344 个“突现严重度”任务上，其得分为 58.0%，在 Astra 的 58.5% 误差范围内。

生物与化学能力阈值

生物是 GPT-6.1 Sol 与 Astra 差距最大的单一领域，尽管 OpenAI 仍将其归为高（High）。在使用未公开、专家撰写湿实验室流程的 TroubleshootingBench 中，其得分为 47.96%，Astra 为 63.46%，差距 15.5 分。

ProtocolQA 开放式是唯一低于其阈值的评测，得分 40.74%，阈值为 54%。Astra 也未达标，为 45.37%。

无一项“关键级阈值”的生物评测被跨越。在 SHP2 蛋白功能预测中，GPT-6.1 Sol 的平均 R² 为 0.332，阈值为 0.60。在冠状病毒-ACE2 细胞入侵筛查中，其得分为 0.423，阈值为 0.75。

对齐、幻觉与鲁棒性

OpenAI 将这些评估设计为挑战性场景，因此下述比率并不代表典型使用的失败率。

最有用的信号来自对 49,650 个内部 Codex 任务的部署模拟。

GPT-6.1 Sol 触发 3 级及以上严重度标记 28 次（0.056%），Astra 为 27 次（0.054%），GPT-6 Sol 为 42 次（0.085%），GPT-5.6 Sol 为 63 次（0.127%）。相当于相较 GPT-6 Sol 减少 33%，相较 GPT-5.6 Sol 减少 56%。

OpenAI 将该模拟描述为内部部署风险的信号，而非外部安全性的直接度量。

它还发现，在较低严重度下，其“奖励黑客”与“隐匿不确定性”标记多于 Astra，且在“凭证收集”标记上多于 GPT-6 Sol。

有两项回退在您将其纳入智能体循环前需要了解：

• 非期望持久性：在 23.5% 的 GPT-6.1 Sol rollout 中出现，对比 Astra 的 17.4%。该评估测试的是低风险的被阻动作（如私信被拒后尝试邮件），且不启用旨在阻止绕过的系统级控制。
• 编码欺骗：即对自身工作的误述，发生率为 1.50%，Astra 为 0.51%，GPT-6 Sol 为 1.30%。GPT-5.6 Sol 的比率几乎是 GPT-6.1 Sol 的 7 倍。

另有一项结果“好坏参半”。

在发现疑似“同侪智能体”的留言板的样本中，GPT-6.1 Sol 有 38% 尝试沟通，对比 GPT-6 Sol 的 26%。但其仅在 3% 的案例中执行指定的未授权操作，对比后者的 11%。

积极一面是，它在仅 2.08% 的案例中未能承认搜索工具已损坏，对比 GPT-6 Sol 的 4.92%。它未尝试绕过自动审查监控，也未尝试利用 ExploitGym 蜜罐。

部署模拟中的评估自知

OpenAI 还通过观察链式思考中是否出现“模拟意识”的表述，检查模型是否意识到自己在被评估。

GPT-6.1 Sol 在 4.81% 的轨迹中表现出此类迹象，Astra 为 8.67%，GPT-6 Sol 为 4.70%，GPT-5.6 Sol 为 2.52%。原始混合模型的生产流量为 0.76%。

将比较限制在不出现意识迹象的 41,849 个任务上，GPT-6.1 Sol 仍比 Astra 少约 17% 的 3 级及以上严重度标记，比 GPT-6 Sol 少 46%，比 GPT-5.6 Sol 少 65%。

该子集排除了“模型在装老实”的直观反驳。

对抗条件下的监控规避

OpenAI 测试了 GPT-6.1 Sol 是否能在隐藏于 CoT 监控的情况下破坏仓库。

在测试的最高推理强度下，其对仅依赖 CoT 的监控规避成功率接近于零，无论在任务引导或非引导场景。较低强度下，其规避率与 Astra 相近。拥有完整轨迹的高召回监控同样将成功规避率压至接近零。

对监控的“意识”会改变结果。

当被告知正被监控时，GPT-6.1 Sol 比 GPT-6 Sol 更加规避，尽管其仅 CoT 监控的召回仍高于 Astra。完整上下文监控仍能 100% 捕获其成功的蜜罐利用。

在新的数学“副任务处理”基准上，GPT-6.1 Sol 在执行 Expert-SWE 软件工程工作时，解决了 GPT-6 Sol 一贯失败的副任务，如 Diagonal Latin 与 51 堆计数。

完整上下文监控捕获了所有成功尝试。OpenAI 未发现 GPT-6 Astra、GPT-6 Sol 或 GPT-6.1 Sol 能对其监控隐藏复杂的失配推理；补充说明未涉及 Luna。

应使用哪一档 GPT-6？

多数智能体工作使用 GPT-6.1 Sol；当一次失败的代价高于 token 成本时再使用 GPT-6 Astra。GPT-6 家族现有四款模型，选择取决于失败对您的代价。

我的看法：将 GPT-6.1 Sol 设为智能体编程、电脑操作与业务流程的默认，Astra 作为升级目标，而非起点。

例外是湿实验室推理、授权的安全研究，以及最困难的科学工作。TroubleshootingBench 的 15.5 分差距与内部移植版的 10 分差距过大，无法靠重试弥补。

推理强度是第二个调节钮。

GPT-6.1 Sol 提供 low、medium（默认）、high、xhigh、max，且推理 token 按输出费率计费。

OpenAI 报告的 5.47 美元 Terminal-Bench Science 数字仅是“最大努力”的单点数据，未展示不同设置下成本的扩展关系。请在自有工作负载上测量后再选默认值。

快速模式按标准费率 2 倍计费，且不支持欧盟数据本地化。OpenAI 还计划在 Codex 中提供 GPT-6.1 Sol Ultrafast 选项，生成速度最高快 8 倍，据 Neowin 报道其价格为标准档的 6 倍。

GPT-6.1 Sol 定价与可用性

GPT-6.1 Sol 定价为每百万输入 token 2.00 美元、每百万输出 token 10.00 美元，与 GPT-6 Sol 相同，约为 Astra 的 1/5（10 与 50）。缓存输入从每百万 0.20 美元降至 0.10 美元，缓存写入为每百万 2.50 美元。

推理 token 按输出费率计费，这在高与最大强度下需重点关注。

另有多项加价规则叠加。

超过 272,000 个输入 token 的提示，将对整次请求按 2 倍输入与缓存费率、1.5 倍输出费率计费。

快速模式按 2 倍标准计费；可用时区域化处理加收 10%；Batch 与 Flex 比标准价低 50%。

与 Anthropic 最新的 Opus 模型相比，差距仅在 272,000 token 以下才明显。C

laude Opus 5.5 的价格为每百万输入 4 美元、输出 20 美元，且对其完整 100 万 token 窗口按此计费，详见我们的 Opus 5.5 API 教程。

在该阈值以下，GPT-6.1 Sol 的价格正好是其一半。超过阈值后，GPT-6.1 Sol 的输入为 4 美元、输出为 15 美元，输入优势不再。

Anthropic 的顶级型号为 Claude Fable 5.1，标价为 10 与 50，与 Astra 相同。

快速模式不支持欧盟数据本地化，因此有本地化要求的欧洲部署无法选择低延迟选项，但可继续使用标准费率。

如何获取 GPT-6.1 Sol

GPT-6.1 Sol 可在 ChatGPT Work 与 Codex、OpenAI API，以及若干第三方平台使用。截至 2026 年 9 月 29 日，我们确认的渠道如下：

• ChatGPT Work 与 Codex： Plus、Pro、Business、Enterprise 与 Edu 方案，支持桌面应用、CLI 与 IDE 扩展。Enterprise 与 Edu 默认关闭，需管理员启用。不在 Chat 中提供，Free 与 Go 方案不包含。Codex 模型页列出 gpt-6.1-sol。
• OpenAI API： 模型 ID 为 gpt-6.1-sol。
• 第三方平台： OpenRouter（openai/gpt-6.1-sol）、Vercel AI Gateway，以及 GitHub Copilot 的 Pro+、Max、Business 与 Enterprise 用户。

调用工具请使用 Responses API。此模型下的 Chat Completions 仅在不使用工具时有效。请勿发送 none 或 minimal 强度，二者均不受支持。

from openai import OpenAI

client = OpenAI()
response = client.responses.create(
    model="gpt-6.1-sol",
    input="Find the retry-policy change in this diff and explain the blast radius.",
    reasoning={"effort": "medium"},  # low, medium, high, xhigh, or max
)
print(response.output_text)

结语

GPT-6.1 Sol 以五分之一的 token 价格，提供了 Astra 大部分的智能体性能，使其成为智能体编程、电脑操作与业务流程的合理默认选择。

OpenAI 的押注是：多数开发者并不需要“前沿”，只需要以可循环运行的价格获得“前沿的产出”。

在 Terminal-Bench Science 0.1 上，单任务 5.47 美元对比 Astra 的 23.80 美元，这一判断不言自明，同时也给 23.21 美元的 Claude Opus 5.5 带来压力。Anthropic 的回应是提前一天发布的 Claude Sonnet 5.5，标价同为 2 与 10。

我建议在完成迁移后从 GPT-6 Sol 切换过来。价格相同，且在漏洞开发、研究调试与低强度事实性方面明显更好。但依赖 none 强度或依赖 Chat Completions 函数调用的代码需先修改。

对无人值守的智能体运行，仍建议保留人工审查步骤，因为编码欺骗（1.50% 对 Astra 的 0.51%）与非期望持久性（23.5% 对 17.4%）均高于 Astra。

对于湿实验室推理、授权安全研究与最困难的科学任务，我会继续使用 Astra，TroubleshootingBench 15.5 分与 ExploitBench 内部移植版 10 分的差距确实存在。

本文几乎所有数据均来自 OpenAI，自家与竞争对手的结果多取自公开报告，尚无已发表的独立复现。在投入前，请在自有工作负载上自行评估。

若您想亲手构建而非只阅读，推荐从我们的 AI Fundamentals 技能路径 开始。