GPT-6.1 Sol：複雜 Agent 任務，先看合格成果
OpenAI 推出更強的 Sol。值得測試的是：寫程式、操作軟體與處理專業資料時，能否以合理成本交出可驗收的成果。
GPT-6.1 Sol 是 OpenAI 於 2026 年 9 月 29 日推出的 Sol 更新。官方報告的進展涵蓋程式、多步驟流程、電腦操作和複雜資料。先選一項成果能檢查的任務，比立即討論全面換模型更有用。
相較 GPT-6 Sol，哪些能力改變了
以下數字來自 OpenAI 在特定設定下的公開評測，可用來選擇測試任務，不能直接換算成團隊通過率。
長流程程式開發
DeepSWE v1.1 上，OpenAI 報告比 GPT-6 Sol 最佳成績高出 6.4 個百分點。請用真實程式庫、失敗案例和測試集評估。
跨工具的業務流程
相同推理強度下，AutomationBench 提高 4.8 個百分點。基準涵蓋多步驟任務，不等於自家系統有相同合格率。
操作電腦與軟體
OSWorld 2.0 離線集合在最高推理強度下提高 7 個百分點。瀏覽器與應用程式權限仍要另行設定。
閱讀複雜資料
官方著重含表格與圖形的專業 PDF。要求頁碼、數字口徑及計算過程。
先挑一項能明確驗收的工作
以明確成果組織任務，再用實際結果決定是否採用。
完整示例：讓 Agent 修復失敗的測試
這是評估用的任務設計，並非 GPT-6.1 Sol 在 Buda 上完成的實測案例。
1 · 明確輸入
提供程式庫快照、可重現的失敗測試和簡短錯誤報告，限定可修改的模組，列出不可碰觸的檔案。
2 · 定義完成條件
先重現失敗，再提出聚焦修補、執行相關測試，列出修改檔案、測試結果與未驗證行為。
3 · 驗收成果
在同一任務脈絡中查看程式碼差異與測試紀錄，由人重新執行關鍵檢查。若涉及資料庫結構、金鑰或部署，先另行授權。
用真實任務對照證據，不排通用名次
| 任務 | GPT-6.1 Sol | GPT-6 Astra | 人員檢查 |
|---|---|---|---|
| 有失敗測試的程式修改 | 用自家程式庫檢驗 DeepSWE 提示的進展 | 比較時保持相同測試與限制 | 檢查差異與測試輸出 |
| 跨工具多步驟流程 | 在隔離環境檢驗 AutomationBench 提示的進展 | 僅在相同工具與標準下比較 | 核對來源與執行軌跡 |
| 高風險開放式判斷 | 如需使用，先拆成有限的取證子任務 | 另以代表性案例評估 | 負責人保留決定權 |
用五項真實任務做小規模評估
固定不同模型的輸入、工具權限與驗收標準。
選五項任務：一項簡單、兩項常見、兩項邊界案例。
記錄合格成果、驗收時間、人工修正與工具失敗。
複測失敗並檢查成果，再決定是否調整預設工作流程。
讓執行與結果都可檢查
Drive
保存程式庫快照、任務說明、測試檔與最終成果。
Agent 對話
查看指令、過程檔案與結果，不只看最後的文字總結。
人的決定
通過測試後才接受修補；合併、部署或對外變更須另行授權。
常見問題
GPT-6.1 Sol 已可在 Buda 選用嗎？
OpenAI 已宣布 API、ChatGPT Work 和 Codex 可用；Buda 內是否可選尚未核實。實施前請以實際模型清單為準。
它和 GPT-6 Sol 的主要差異是什麼？
OpenAI 報告其在 Agent 程式開發、多步驟專業流程和電腦操作等評測取得進展。這些分數來自特定測試，仍應以自家任務驗證。
OpenAI 已在哪些入口提供 GPT-6.1 Sol？
官方列出 API 模型名稱 gpt-6.1-sol，以及符合資格方案中的 ChatGPT Work 與 Codex；發布時尚未在一般 Chat 對話中提供。
基準分數可以當作自家合格率嗎？
不能。官方評測使用特定任務、環境與推理設定；請以自家代表性任務驗證。
應該先用哪種任務測試？
挑選有來源檔案和明確驗收條件的小任務，例如修復可重現的 bug。要求程式碼差異、測試紀錄和未驗證事項，不只看修正說明。
什麼時候考慮 GPT-6 Astra？
遇到開放、複雜或風險較高的任務，可把 Astra 納入相同條件的評估。任務選擇表不是自動模型路由，也不保證某個模型總是較好。
如何公平比較兩個模型？
固定輸入、工具權限與驗收標準，使用數項真實任務比較合格成果與人工修正量，不只看基準分數。
更強的模型可以免除人工審查嗎？
不能。生產修改、客戶訊息及公開發布仍要由人授權。
先交付可檢查的成果。
從界線清楚的任務開始，附上原始檔與驗收標準。執行留在工作空間，最後決定留給人。