GPT-6.1 Sol：复杂 Agent 任务，先算合格成果
OpenAI 发布了更强的 Sol。真正值得测试的是：在写代码、操作软件和处理专业资料时，能否以合理成本交出可验收的成果。
GPT-6.1 Sol 是 OpenAI 在 2026 年 9 月 29 日发布的 Sol 更新。官方报告的进展覆盖代码、多步骤流程、电脑操作和复杂资料。选一个结果能检查的任务，比先讨论要不要全面换模型更有用。
相较 GPT-6 Sol，哪些能力变了
以下数字来自 OpenAI 在特定设置下的公开评测，可作为选择测试任务的线索，不能直接换算成团队通过率。
长流程编程
DeepSWE v1.1 上，OpenAI 报告较 GPT-6 Sol 最佳成绩提高 6.4 个百分点。拿真实仓库、失败用例和测试集评估。
跨工具执行业务流程
同一思考强度下，AutomationBench 提高 4.8 个百分点。基准涵盖多步骤任务，不等于你的业务系统也有同样通过率。
操作电脑与软件
OSWorld 2.0 离线集合在最高思考强度下提高 7 个百分点。浏览器及应用权限仍需独立设定。
阅读复杂材料
官方强调包含表格、图形的专业 PDF。要求输出注明来源页码、数字口径和计算过程。
挑一项能明确验收的工作
按明确交付物组织任务，再用实际结果决定是否采用。
完整示例：把失败测试交给 Agent 修复
这是用于评估的任务设计，并非 GPT-6.1 Sol 在 Buda 上完成的实测案例。
1 · 给清楚的输入
放入仓库快照、可复现的失败测试和简短 bug 报告，限定可以改动的模块，同时写明哪些文件不能碰。
2 · 写明完成条件
先复现失败，再提交聚焦补丁，运行相关测试，并列出改动文件、测试结果和没有验证的行为。
3 · 验收交付物
在同一任务上下文中查看代码差异与测试日志，关键检查由人再跑一遍。若涉及数据库结构、密钥或部署，先停下来另行授权。
用实际任务匹配证据，而不是排通用名次
| 任务 | GPT-6.1 Sol | GPT-6 Astra | 人的检查 |
|---|---|---|---|
| 带失败测试的代码修改 | 用自家仓库检验 DeepSWE 所提示的改进 | 比较时保持同一测试和约束 | 检查代码差异与测试输出 |
| 跨工具多步骤流程 | 在隔离环境检验 AutomationBench 所提示的改进 | 仅在相同工具和标准下比较 | 核对来源与执行轨迹 |
| 高风险开放式判断 | 如需使用，先拆成有边界的取证子任务 | 另用代表性案例评估 | 负责人保留决定权 |
用五个真实任务做小规模评估
为不同模型固定相同输入、工具权限和验收标准。
选五个任务：一个简单、两个常见、两个边界案例。
记录合格产物、验收耗时、人工修正和工具失败。
复测失败项、检查实际产物，再决定是否调整默认工作流。
让执行过程和结果都能检查
Drive
保存仓库快照、任务说明、测试文件和最终产物。
Agent 会话
查看命令、过程文件和结果，不只看一段写得漂亮的总结。
人的决定
测试通过后才接受补丁；合并、部署或对外变更另行授权。
常见问题
GPT-6.1 Sol 已经能在 Buda 选择了吗？
OpenAI 已宣布 API、ChatGPT Work 和 Codex 可用；Buda 内是否可选尚未核实。实施前请以实际模型列表为准。
它和 GPT-6 Sol 的主要区别是什么？
OpenAI 报告，它在 Agent 编程、多步骤专业流程和电脑操作等评测上取得进展。这些分数来自特定测试，应再用自己的任务验证。
OpenAI 已在哪些入口提供 GPT-6.1 Sol？
官方列出 API 模型名 gpt-6.1-sol，以及符合条件套餐中的 ChatGPT Work 和 Codex；发布时尚未在普通 Chat 对话中提供。
排行榜提升能直接换算成我的通过率吗？
不能。官方评测有特定任务、运行环境和思考强度；应该用自己的代表性任务复核。
应该先拿什么任务测试？
选有源文件和明确验收条件的小任务，例如修复可复现的 bug。要求提交代码差异、测试日志和未验证事项，而不只是解释修复思路。
什么时候考虑 GPT-6 Astra？
碰到开放、复杂或风险较高的任务，可以把 Astra 纳入同条件评估。页面的任务选择表不是自动模型路由，也不保证某个模型总是更好。
如何公平比较两个模型？
固定输入、工具权限和验收标准，拿几项真实任务对照合格产物及人工修正量；不要只看排行榜分数。
模型更强，还要人审核吗？
要。模型能力不能替代对生产修改、客户消息和对外发布的授权。
先交付一份可以检查的成果。
从边界明确的小任务开始，附上源文件和验收标准。执行留在工作空间，最终决定留给人。