企业官网建设流程全解析

更贵的推理档位，得分反而低 3 分——一份独立评测里的四处反直觉

2026 年 9 月 29 日，Artificial Analysis 发布了 GPT-6.1 Sol 的独立评测。

这个模型替换掉上一代 GPT-6 Sol，间隔只有 7 天。

评测里有一个数字，我认为比它的总分更值得注意：

「We observed the xhigh effort setting to outperform the max effort setting by 3 points.」
（我们观察到 xhigh 推理档位的表现比 max 档位高 3 分。）

这是说：把推理档位调到最高，得分反而更低。

下面是我从这份评测里挑出的四处不那么直觉的地方。

一、「max 档比 xhigh 档差 3 分」

先把这几个档位说清楚。Artificial Analysis 评测模型时会跑多个「推理努力程度」设置，从低到高大致是 low / medium / high / xhigh / max。

通常的预期是单调的：档位越高，分数越高，成本越高。

而在 GPT-6.1 Sol 上，最高那一档破了这个预期：

xhigh 档 比 max 档 高 3 分

而同一份评测里还有一条相关的：

「GPT-6.1 Sol (xhigh) scores 1 point above GPT-6 Astra for less than 15% of the Cost per Task.」
（xhigh 档比 GPT-6 Astra 高 1 分，而每任务成本不到它的 15%。）

所以在这一项（Coding Agent Index）上，最好的一档是 xhigh，不是 max。

一个直接可用的推论：如果你按「拉满设置」去用这个模型，你可能没有拿到它最好的成绩，同时付了更高的价钱。

这份评测没有解释为什么 xhigh 会优于 max。它只是报告了这个观察。

二、「便宜 31%」和「多用 10–30% token」是两件事

评测给了两组听起来同向、实际需要相乘的数字：

价格那一边：

而用量那一边：

「GPT-6.1 Sol uses ~10-30% more output tokens than GPT-6 Sol across effort levels.」
（在各个档位上，GPT-6.1 Sol 比 GPT-6 Sol 多用约 10–30% 的输出 token。）

在同一份评测里，还有一个非常具体的例子：

「GPT-6.1 Sol (max) uses ~162k output tokens per Intelligence Index task…」（见该系列的相邻评测口径）

★ 「每 token 更便宜」和「每个任务更便宜」不是同一件事。

而这份评测的处理方式是诚实的—— 它没有只说便宜，而是同时报告了用量：

「However, due to the increase in Intelligence Index score, its low and medium effort levels are Pareto optimal for token efficiency.」
（不过，由于智能指数分数提高，它的低档和中档在 token 效率上是帕累托最优的。）

「帕累托最优」在这里的意思：在同样的智能水平上，没有更省 token 的模型。

注意这个结论限定在「低档和中档」。高档位不在这个结论里。

三、涨了 80 Elo，而其中一项在下降

AA-Briefcase是这家机构的私有知识工作评测。GPT-6.1 Sol 在这一项上提高了约 80 Elo。

而这一句才是值得看的：

「This is driven by increases in its rubric score and Analytical Quality Elo, while Presentation Elo falls slightly.」
（这由评分标准和「分析质量 Elo」的提升驱动，而「呈现 Elo」略微下降。）

拆开就是：分析质量在涨，呈现质量在降，总分在涨。

这不是「模型变差了」。它说的是一个复合指标内部有两股相反的力—— 如果只看总分那 80 Elo，你看不到其中一项在下滑。

如果你的工作里「呈现」比「分析」更重要（比如要交给人看的报告），这一句比那 80 Elo 更有参考价值。

四、幻觉率降了 6 点，准确率涨了 8 点

AA-Omniscience 这一项上：

准确率 +8 点 幻觉率 60% → 54%（降 6 点）

这两个方向是同向的—— 答对更多，同时编造更少。

这一点值得单独指出，因为「答对得少」和「编造得少」在有些模型上是反向的（答得少而编得少，通常意味着模型更愿意承认自己不知道）。

而在 GPT-6.1 Sol 上，两个指标同时改善。这是它这一代比较干净的一处进步。

五、还有那个「7 天」

标题是这么写的：

「GPT-6.1 Sol replaces GPT-6 Sol after just 7 days」

而同一句后面还有半句：

「…with near-Astra intelligence」

两个事实放在一起：

• 它离 GPT-6 Astra 只差 1 分
• 它离上一代 GPT-6 Sol 只有 7 天

而价格在这一代里是第二次下调（GPT-6 Sol 相对 GPT-5.6 Sol 打了五折，这一代缓存读折扣又从 90% 提到 95%）。

「7 天」这个数字本身不构成对模型的评价。但它改变了另一件事：如果你在选型，你面对的是一个每几天就要重新看的列表。

六、所以这份评测里我能拿走什么

而这四条都不是我的判断。它们分别是这份评测里同向对比的两组数字、一句限定条件、和一个标题里的日期。

核验边界

一手材料（official_sources= 1）

• Artificial Analysis，《GPT-6.1 Sol replaces GPT-6 Sol after just 7 days, with
  near-Astra intelligence》，2026-09-29—
  https://artificialanalysis.ai/zh/articles/gpt-6-1-sol-replaces-gpt-6-sol-after-just-7-days-with-near-astra-intelligence
  （HTTP 200 全文实取）

本文引用的全部数字与引文来自该篇：Intelligence Index 的 4/5/1 分差、
Cost per Task $0.72 / $3.26 / $1.05 / $1.99 及 31% / 64% 差异、
缓存读折扣 90%→95%、token 用量 10–30%、xhigh 优于 max 3 分、
Coding Agent Index 的「高 1 分 / 不到 15% 成本」、AA-Briefcase 的 80 Elo 与
三项分项方向、AA-Omniscience 的 +8 点与 60%→54%。

⚠️ 我没有核对的地方：

• $0.72那个每任务成本和162k那个 token 数：
  162k出自同一机构关于 Claude Haiku 5.5 的那一篇，不是这一篇。
  我把它放在「同一份评测里还有一个非常具体的例子」下面时已经标注了口径来源，
  但严格说，它属于另一篇文章、另一个模型—— 我没有把它当作 GPT-6.1 Sol 的数字使用，
  只用来说明「每任务 token 量」这个口径的存在。这一点读者需要注意。
• 「各档位」的完整定义（low / medium / high / xhigh / max 分别是什么）——
  原文未展开，我也没查。上面那个从低到高的排序是我按常见命名写的，不是原文的。
• AA-Briefcase / AA-Omniscience / Coding Agent Index 的具体构造—— 未查。
• GPT-6 Astra 和 GPT-6 Sol 的发布日期—— 本文未涉及（只知道 GPT-6 Sol 与
  GPT-6.1 Sol 相隔 7 天）。
• 「7 天」是从谁的发布算到谁的发布—— 原文标题说 replaces after just 7 days，
  我没有核实这两个日期的原始公告。

结论层面的边界：

• 本文不评价 GPT-6.1 Sol 的好坏，也不推荐任何模型。
• 「别默认拉满设置」这条推论是我写的—— 原文只报告了 xhigh 优于 max 3 分这一观察，
  没有给出这个建议，也没有解释原因。我在正文里已标明「这份评测没有解释为什么」。
• 「呈现 vs 分析哪个更重要」那段是条件性的（「如果你的工作里…」），
  不是对模型的评价。

来源

1. Artificial Analysis（全文实取）—
   https://artificialanalysis.ai/zh/articles/gpt-6-1-sol-replaces-gpt-6-sol-after-just-7-days-with-near-astra-intelligence
2. Artificial Analysis 模型页 —
   https://artificialanalysis.ai/models/releases/gpt-6-1-sol