模型更便宜，不等于风险也更便宜

更低的单价，先改变的是路由假设#

当一个新模型在多类任务上逼近旗舰模型、单任务成本又明显更低，产品团队很容易得出一个顺手的结论：把它设成默认模型，只有失败时再升级。

OpenAI 9 月 29 日发布 GPT-6.1 Sol，称它在 Agent 编码、电脑操作和专业工作上接近 GPT-6 Astra，而标准输入与输出 Token 单价约为 Astra 的五分之一。这个发布确实提供了新的路由候选，但不是一张可以直接照抄的采购表。更便宜的推理，不会自动降低某类任务的错误代价，也不代表安全控制可以同步降档。

我的判断是：模型单价决定值得测试谁；任务验收、全链路成本与权限风险共同决定谁能上线。

发布评测给出的，是几组有条件的成本—质量信号#

发布页列出的 API 价格为每百万输入 Token 2 美元、缓存输入 0.10 美元、输出 10 美元。GPT-6.1 Sol 于 9 月 29 日进入 ChatGPT Work 和 Codex 的 Plus、Pro、Business、Enterprise、Edu 套餐，API 模型名为 gpt-6.1-sol；发布页注明，当时尚未在 ChatGPT 对话产品中提供。

几项官方公布的评测，展示了它在不同任务中的位置：

任务与设置	OpenAI 报告的结果	读数时要保留的条件
DeepSWE v1.1，长程真实代码库工程任务	约五分之一的成本达到 GPT-6 Astra 水平；相对 GPT-6 Sol 的最好成绩高 6.4 个百分点，且使用较低 reasoning effort、成本更低	这是特定代码工程任务集，不等于任意仓库或任意 Agent harness 的成功率
AutomationBench 1.0.6，中等 reasoning effort	比 Opus 5.5 高 2.2 个百分点，任务成本约为三分之一；比 GPT-6 Sol 同设置高 4.8 个百分点	工作流覆盖 47 个工具；原文注明 Fable 5.1 的成本没有计入约 40% 任务触发的 fallback
OSWorld 2.0 offline set，最高 reasoning effort	比 GPT-6 Sol 高 7 个百分点；距 Astra 2.1 个百分点，单任务成本约为 Astra 的七分之一	使用 v2026.08.08 离线集的 partial reward，不应与别的 OSWorld 版本混为一谈
Terminal-Bench Science 0.1，最高 reasoning effort	Sol 得分超过 GPT-6 Sol 两倍；平均每任务 5.47 美元，对比 Opus 5.5 的 23.21 美元、Astra 的 23.80 美元	Astra 得分最高，为 68.1%；OpenAI 仍建议最难的科学研究任务使用 Astra

这组结果适合帮助团队挑选自己的复测任务，不适合推出“Sol 全面替代 Astra 或 Opus”的结论。模型之间的工具、推理预算和评测协议并不保证一致；OpenAI 说明，自家 GPT 评测来自研究环境或 API，可能因系统提示、可用工具和 effort 与 ChatGPT 生产配置不同，竞品结果则取自公开报告。特别是缺少同协议对照时，任务成本比值应视为原文公布的评测结果，而不是每个产品都能复现的保证。

安全等级不会因为价格下降而自动变化#

系统卡附录将 GPT-6.1 Sol 在 OpenAI Preparedness Framework 下列为网络安全 Critical、生物与化学 High、自我改进能力低于 High，并称它沿用 GPT-6 Astra 的同一套保障措施。这里的等级是 OpenAI 对自家框架和测试的判断，不是独立机构对所有现实环境的通用认证；但它足以提醒产品团队：单价更低，不等于能力边界或访问规则可以一并放宽。

附录里的几项数字尤其值得和“更便宜”放在一起看：

• 在 ExploitBench Internal Port（针对 2026 年 6 至 8 月披露漏洞的内部评测）中，GPT-6.1 Sol 的任意代码执行成功率为 21.5%，GPT-6 Sol 为 5.5%，Astra 为 31.5%。这说明在该评测设置下，Sol 与前代 Sol 的网络安全能力差异很大；它不是对所有漏洞或真实攻击成功率的估计。
• 在“尊重警告”测试中，Sol 6.1 的非预期持续尝试出现在 23.5% 的 rollout，Astra 为 17.4%。该测试覆盖低风险限制，而且没有启用专门阻止绕过的系统级控制；数字不能解释成生产环境中用户会遇到的绕过率。
• 在内部 Codex 流量模拟的 49,650 个任务中，Sol 6.1 出现 28 个严重度 3 及以上的失配标记（0.056%），Astra 为 27 个（0.054%），GPT-6 Sol 为 42 个（0.085%）。OpenAI 明确说，这类内部模拟更适合作为部署风险的补充信号，不能直接当成外部生产流量的风险率。

数字并非要得出“不能用”或“已经安全”的结论，而是说明：模型能力、安全训练、系统级拦截、工具权限、任务分布和事故响应，是不同层次的产品条件。仅凭每百万 Token 报价，无法代替任何一层判断。

把发布信号变成自己的路由机制#

产品团队可以把公开基准转换为本地测试候选，而不是转换成默认模型名单。具体可以从三条轴线建立路由规则：

1. 任务质量门槛： 从真实用户目标抽取固定样本，锁定提示、工具、effort、上下文、重试与验收标准；关注最终任务状态，而非只看回答是否流畅。对每个任务类型明确最低成功率和不可接受的错误。
2. 单次通过成本： 统计从首次请求到通过验收的总支出，包括输入/输出 Token、工具调用、重试、fallback 和人工返工。可以用“成本 ÷ 验收通过的任务数”比较路由，而不是只比较 Token 标价。
3. 动作影响与权限： 读写外部系统、处理敏感信息、执行代码或影响资金的任务，先定义工具白名单、最小权限、人工确认点和停止条件。若任务失败可能造成高损失，应把升级模型、隔离环境或人工复核作为显式路径，而不是靠便宜模型自我判断。

初始策略可以是：低风险、重复度高、验收清楚的任务先灰度测试 Sol；涉及不可逆外部操作、敏感数据或高影响任务，保留更严格权限和系统级审核，再由本地证据决定模型与人工的分工。灰度期间按任务类型观察成功率、单次通过成本、端到端时延、fallback 率、人工介入率和安全拦截结果。任何一项越过预设阈值，都应能回退到已验证的配置。

这不是对 GPT-6.1 Sol 的通用使用说明，而是一种把模型发布转译成产品决策的办法：先从公开评测借题，再在自己的任务、工具和风险边界内形成证据。

来源与边界#

• 原文与发布时间： OpenAI 于 2026 年 9 月 29 日发布 Introducing GPT-6.1 Sol，并于同日发布 Addendum to GPT-6 Astra System Card: GPT-6.1 Sol。两份材料均由 OpenAI 发布；发布页没有列出个人作者。
• 研究对象与方法： GPT-6.1 Sol；发布页涵盖长程代码工程、复杂 PDF、业务工作流、电脑操作、科学任务及用户曾标记错误的对话。系统卡附录涵盖安全完成、健康、多轮心理健康模拟、工具限制、失配行为与 Preparedness 能力评测。
• 比较条件与关键数字： 原文按各任务报告 reasoning effort、相对得分和任务成本；包括 DeepSWE v1.1 的成本与得分关系、AutomationBench 的中等 effort 数据、OSWorld 2.0 的离线 partial reward，以及 Terminal-Bench Science 0.1 的最高 effort 成本。Safety Hub 另报告 HealthBench、ExploitBench Internal Port、尊重警告及内部 Codex 流量模拟结果。跨模型协议不应默认完全一致；对照模型历史数值还可能因更新版本而与原发布时数值不同。
• 原文能说明什么： 在 OpenAI 所列的特定测试中，Sol 6.1 相比 GPT-6 Sol 在若干任务上有提升，并以更低的公布成本接近部分 Astra 结果；其安全等级和所用保障措施也有明示。
• 原文不能证明什么： 这些结果不能证明所有任务上的质量、成本或时延优势，也不能证明生产 ChatGPT 配置与 API/研究环境相同，更不能推出现实中的失配、漏洞利用或心理健康风险概率。文中的本地路由、全链路成本指标和灰度回退建议，是本文基于公开证据作出的产品化解读，不是 OpenAI 宣称已验证的通用规律。