GPT-6.1 Sol 发布背景与定价策略

OpenAI在开发者日推出了最新模型 GPT-6.1 Sol，旨在弥补前代产品 GPT-6 Soul 在3D生成等特定领域未能带来惊艳体验的遗憾。此次发布的核心理念是追求接近 Astra 智能水平，但价格仅为后者的五分之一。Astra作为OpenAI目前最强的模型，其定价为每百万输出token 50美元、输入10美元；而 GPT-6.1 Sol 的定价为每百万输出token 10美元、输入2美元。这一价格策略使其直接对标 Anthropic 的 Claude Sonnet 5.5，后者同样定价为每百万输出10美元、输入2美元。评测者指出，虽然 GPT-6 Soul 并非 Sonnet 的直接竞争对手，但 GPT-6.1 Sol 在定价上已明确进入该竞争区间，且基准测试显示其相比前代仅有 8.1% 的能力提升幅度。

技术规格与测试环境设置

从技术参数来看，GPT-6.1 Sol 拥有截至 2026年4月30日 的知识截止时间，支持超过一百万 token 的上下文窗口以及 128k 的最大输出长度。输入模态仅限于文本和图片，符合该层级模型的标准配置。在测试设置上，评测者强调将使用 Max（最大）推理努力 模式来挖掘模型的最大能力，而非默认的高效率模式。评测者观察到一种趋势：随着推理努力级别（如 Max 或 Ultra）的提升，模型产出的结果未必更高效，有时甚至因过度执行基准测试未评估的步骤而导致分数下降。因此，为了公平比较并观察极限性能，评测将在 Max 模式下进行。

“后院泳池派对”基准测试初步表现

为了验证模型是否仅依赖常见基准刷分，评测引入了新出现的“后院泳池派对”（Pool Party GDAU）测试。在首次尝试中，评测者在 Ultra 模式下运行并混合使用了 Fast 模式，导致结果可能不够严谨。初步视觉反馈显示，生成的 UI 缺乏 Sonnet 5.5 的惊艳感，呈现出一种“灰白与橙色”的美学风格。尽管生成速度极快且水效不错，但评测者认为这并非公平对比，因为混合模式可能引入了能力较弱的子代理。因此，评测者决定重新运行该测试，仅在 Max 模式下进行，以排除模式混合带来的干扰。这一过程体现了对基准测试严谨性的重视，避免将“刷榜”行为误判为真实能力。

Halo OS 生成结果与细节分析

在重新配置后，模型耗时 33分钟42秒 生成了名为“Halo OS”的操作系统界面。整体风格被评价为类似 Mac OS 10.5，简洁且符合评测者审美。界面顶部右侧显示日期，并包含壁纸设置选项。虽然应用图标部分缺失且缺少右键菜单功能（评测者推测这是为了避免被判定为“刷榜”而故意简化），但整体布局包含文件管理、启动台（Launchpad）等核心元素。在交互测试中，用户发现无法与场景中的人物互动，且警察AI的行为逻辑存在瑕疵——警车会直接瞬移锁定玩家位置，缺乏合理的距离判定逻辑。尽管城市构建尚可，但评测者强调很难独立于24小时前 Sonnet 5.5 的表现来评价此结果，因为两者价格相同且定位相似。

轨道飞行游戏测试：交互细节与模型趋同

在最新的 GPT-6.1 Sol 性能测试中，首先进行的是轨道飞行游戏的运行评估。与前一天因操作失误导致游戏仅运行两小时便中断的情况不同，本次测试在最大推理努力模式（Maximum Effort）下顺利完成，且耗时显著缩短。评测者对游戏的整体完成度表示满意，特别是音效随飞行姿态变化的音调升高处理被评价为“非常优美”。游戏不仅实现了基本的轨道运行，还展现了令人惊喜的元引用（Meta References）特性：系统会自动将邮件应用与游戏内的相关事件进行关联，例如在游戏完成后通过邮件发送状态报告。这种跨应用的联动行为并非提示词所要求，而是不同厂商模型在复杂任务中收敛出的共同智能表现。尽管游戏具备保存为 TXT 文件、响应速度改变壁纸等高级功能，但评测者认为其整体表现“胜任有余，惊艳不足”。

“这实际上是一款相当令人愉快的游戏……邮件应用与游戏中的某些事物相关联，这在看到不同制造商的模型在不同方面收敛时很有趣。”

后院泳池派对：视觉质量的显著落差

为了排除数据污染，评测者彻底清除了系统中关于“后院泳池派对”游戏的所有历史痕迹（包括缓存和搜索结果），确保 GPT-6.1 Sol 是在完全干净的环境下，使用 Blender 和 GDAL（原文误写为 GDO/GDAU）从头生成该游戏。测试重点在于对比其与前代模型 Sonnet 55 的视觉表现差异。尽管 Sol 在无快速模式（Without Fast）的最高推理努力下运行了 51分钟，但其生成的角色和场景被评价为“相当简单”。评测者直言，与 Sonnet 55 生成的结果相比，Sol 的表现存在“绝对的碾压式差距”。虽然 Sol 成功实现了跳水、角色互动等核心玩法，且操作逻辑（Q/E翻转/扭曲，空格缩身）清晰可用，但在图形保真度、角色细节和整体视觉冲击力上远逊于 Sonnet 55。评测者指出，Sol 的视觉效果甚至不如之前 GPT-6.1 Sol 模型经过“更努力”指令优化后的第二版迭代，显示出其在复杂3D场景生成上的局限性。

“没有任何比较余地……这与这里看到的情况相比，简直是绝对的碾压。”

自制 C++ 滑板游戏：新功能与图形瓶颈并存

最后一项测试是构建一个自包含的 C++ 滑板游戏，场景设定为200年代初的纽约街区。基于社区建议，本次测试新增了一个关键功能：技巧回放（Replay Feature）。玩家在执行酷炫动作后按下 Z 键，即可触发该技巧的电影式回放镜头。这一设计旨在保持测试的一致性以便跨模型对比。初步评估显示，Sol 生成的滑板游戏图形风格类似于前代 Sol 模型的早期迭代版本。街区布局干净，未发现明显的逻辑错误（Bail Logic）。评测者成功执行了技巧并触发了回放功能，验证了新功能的可用性。然而，整体视觉表现依然受到限制，手臂模型等细节未能达到最佳状态。尽管游戏核心机制运行正常，但相较于前两项测试中展现出的潜力或对比中的劣势，滑板游戏的生成结果显得中规中矩。评测者强调，这些测试旨在探索模型在去除预训练数据偏见后的真实生成能力，而非单纯的基准跑分。

“这看起来并不坏……街区实际上相当干净。我没有看到任何逻辑错误。”

3D场景生成：从基础到优化的迭代

视频创作者在测试GPT-6.1 Sol模型时，首先尝试了纽约街区场景的生成。初始版本被评价为“相当简陋”（bare bones），虽然满足了基本的地块要求，但缺乏行人互动等生动细节。创作者指出，尽管Sonnet模型在营造“充满活力的城市”氛围上表现更佳，但Sol仍有改进空间。为了突破局限，创作者调整了提示词策略，特别强调了“保持单文件C++要求”这一约束条件。他推测Sonnet 5.5的结果可能包含多个文件，因此认为单文件限制可能束缚了Sol的能力。在获得这一关键反馈后，模型进行了重新生成。

“它重做了结果... 这绝对是一个显著的改进。”

优化后的版本在水面渲染效果上表现突出，图形保真度有所提升。虽然城市规模依然有限，主要依靠特定视角的视觉效果来弥补空间感，但整体美学体验得到了认可。创作者特别赞赏了回放功能（Replay Feature）带来的视觉冲击，认为其让原本静态的场景变得极具观赏性。然而，行人互动缺失的问题依然存在，这表明模型在复杂社会模拟方面仍有短板。

机器人手臂测试：鲁棒性与自我终止机制

在机器人手臂控制测试中，创作者启用了“高努力模式”（High Effort）并开启快速模式。测试持续了约18分钟，期间机械臂需要不断调整位置以抓取被移动或翻转的汽车。结果显示，Sol模型在路径规划与姿态控制上表现出较高的细腻度：每次汽车位置改变，机械臂都能迅速且精准地重新定位。与Sonnet 5.5那种“破坏性移动”（destructive ways）甚至靠运气完成任务的情况相比，Sol的动作更加自然且破坏性较小。尽管机械臂在尝试过程中曾轻微抬起脱离桌面，但其整体运动逻辑更为合理。

“它非常擅长导航到汽车的位置... 动作更加细腻，破坏性更小。”

最终，机械臂在18分30秒左右因无法完成任务而主动停止并进入垂直静止状态。创作者对这一结果持正面评价，认为模型展现出了一种“自我终止”的智慧：它意识到任务不可行并选择放弃，而不是像Sonnet那样盲目地爬行或做出怪异动作。这种“知道何时停止”的能力被视为一种优势，体现了模型在决策逻辑上的成熟度。

地铁FPS游戏：本地运行与场景细节

最后一项测试是修改后的“地铁第一人称射击（FPS）”游戏。提示词经过调整，要求玩家在清除一波敌人后必须登上火车前往下一站。这一改动增加了游戏的趣味性和测试维度。模型在本地环境中运行，耗时不到46分钟生成结果。从初步观察来看，游戏的图形表现令人满意。创作者特别指出了场景中“永久潮湿的地面”所产生的反射效果，认为这一细节处理得非常出色。

“看看湿地板的倒影... 这非常棒。”

游戏内包含了音效、霰弹枪武器以及敌人AI。当火车出现时，其弯曲部分的建模和运动效果得到了创作者的肯定，认为这符合他对模型能力的预期。尽管火车的运动略显生硬，但整体场景的沉浸感和视觉连贯性优于之前的测试项目。这一结果证明Sol在复杂交互逻辑与图形渲染结合方面具备一定实力，尤其是在处理动态载具和场景转换时表现稳健。

火车场景测试：交互逻辑与视觉细节的评估

在针对新模型生成的3D游戏环境进行初步测试时，评测者首先关注了场景的真实感与交互逻辑。虽然部分细节如环境中的弹孔存在，且火车前部建模良好，但核心交互机制出现了明显的限制。玩家仅能进入位于中间的车厢，且上下车逻辑略显生硬。当敌人接近时，火车会自动倒车离开车站，这种设计被评测者认为缺乏沉浸感且略显突兀。尽管存在这些瑕疵，整体场景的整洁度和指令遵循度依然可圈可点。评测者指出该模型在处理此类任务时表现相当稳健且执行迅速。最终，整个火车场景的生成耗时仅为 46 分钟，这一效率让评测者对结果表示满意。

游戏界面还原与交互逻辑测试

视频首先对模型在《RuneScape》游戏中的表现进行了评估。尽管存在无法启用特殊攻击（special attack）的明显缺陷，但整体结果被评价为“相当不错”。模型能够正确响应键盘指令移动视角，这种操作方式对于不熟悉该游戏的旁观者而言显得混乱且难以理解。在战斗模拟中，模型虽然未能执行高级指令，但成功完成了基础的血量回复和攻击动作。其生成的对话内容虽然过于友好且不符合游戏内的实际战斗语境，但整体交互流程基本连贯。值得注意的是，模型在UI界面的还原上表现出色。界面元素达到了像素级精准（pixel perfect），甚至让人怀疑模型是否直接抓取了游戏截图进行拼接。这种视觉上的高度还原弥补了其逻辑层面的不足，使得非玩家也能直观感受到游戏界面的真实感。

"This is probably how we look if we're sitting there like pking and getting really into it..."

3D建模能力：Saab 900 Turbo的数字化重构

为了测试模型的深层设计与3D建模能力，视频作者要求模型生成了一个Saab 900 Turbo的高精度Blender模型及交互式网页。由于该车型外观独特，难以通过通用模板复制，因此极具挑战性。模型生成的车辆并非100%像素级复刻，但在关键结构上表现尚可。例如，前保险杠下方的扰流板结构和格栅设计符合预期。大灯纹理和车身侧面的标志性条纹细节处理得当，体现了模型对特定车型特征的捕捉能力。在引擎舱部分，虽然电池等部件的位置与现实存在偏差，但减震塔顶（shock towers）和引擎细节的丰富程度令人印象深刻。轮毂造型也高度还原了实车特征。此外，模型还实现了引擎盖开启、车身颜色切换（如红色）以及内饰视角的展示。尽管内饰布局与实车有出入，但方向盘、换挡杆和出风口的建模角度 respectable（值得尊敬），显示出模型在复杂3D对象生成上的潜力。

"These are like so pixel perfect that I'm wondering if it just kind of clipped them from somewhere..."

硬件交互实验：旧笔记本电脑的系统重装尝试

视频的最后部分展示了一项极具风险的物理世界交互测试。作者试图利用模型控制一台拥有十年历史的旧Gateway Pentium III笔记本电脑，目标是通过USB或网络连接重新安装操作系统。起初，模型无法建立直接的USB通信。随后，作者发现电脑内置网卡并连接了以太网线。此时模型通过内部独白（internal monologue）确认链路已连通，并请求进一步指令。然而，由于电脑停留在Red Hat登录界面且未开放必要端口，模型无法远程进入系统。作者原本期望建立连接后模型能自动完成OS重装，但现实是这需要大量手动干预。这次失败并非完全归咎于模型本身，而是受限于硬件接口的物理瓶颈和系统安全策略。这一实验旨在探索AI在非视觉任务及实体控制领域的边界，虽然结果未达预期，但为后续结论提供了重要的反面案例。

"I plugged an Ethernet into it. Now the link is connected..."

测试用量的实际消耗与效率评估

在本次针对GPT-6.1 Sol的完整测试周期中，模型的实际资源消耗远低于预期。评测开始时，账户的使用额度剩余为98%，而经过涵盖大量“Ultra”和“Max”级别的高强度测试后，最终剩余使用量为95%。这意味着整个测试过程仅消耗了3%的额度。尽管官方曾提及该$200/月的计划可能会面临使用量减半的情况，但评测者表示并不确定该政策是否已生效。然而，从结果来看，模型在生成复杂3D模型、游戏等内容时表现出了极高的Token效率。即便进行了大量高负载测试，这种低消耗表现依然值得肯定。

"So overall with that, let's take a look at our usage throughout the entirety of this testing. So the entirety of our testing today, our usage is now at 95% left... all of this used 3% of our usage."

Sol与Sonnet的性能对比及初步结论

尽管Sol在资源效率上表现优异，但评测者对其视觉生成能力的印象并未达到预期。此前在测试Sonnet 5.5时，其表现被形容为“令人震惊”（mind-bending），而Sol在相同的视觉3D任务中，结果显得相对平淡。通常情况下，Sol被视为与Opus竞争的高端模型，但在Sonnet价格与之相同且视觉表现更佳的背景下，Sol目前的竞争力受到质疑。评测者强调，虽然Sol在3D建模和游戏开发方面的能力可能反映模型的整体强弱，但仅凭视觉任务不足以做出 definitive（决定性）的判断。Sol可能在其他未探索的领域拥有独特优势，因此目前的结论仅是初步观察。

"I'll say I'm not as impressed as I was hoping to be, especially following the test of Sonnet 55... this is kind of putting out results that may not be as impressive as Sonnet visually."

后续测试方向与最终评价总结

鉴于视觉任务的局限性，评测者计划将测试重点转向非游戏类的软件和物理设备相关任务。目前的初步结论是，Sol是一个 competent（称职）且相对廉价的选择，特别是在其极低的用量消耗方面表现突出。虽然它在视觉生成上未能超越Sonnet带来的震撼感，但其高性价比和效率使其仍具价值。评测者建议观众在评论区提出疑问，并指出这仅是GPT-6.1 Sol的首次亮相测试。后续将通过更多样化的场景来挖掘其潜在能力，以弥补当前仅基于3D视觉任务的评估不足。

"Overall, it's competent, doesn't seem to use a lot of usage, and it is relatively cheap. So that's going to conclude our first look and test."

结论

GPT-6.1 Sol在资源效率与基础逻辑上表现优异，测试全程仅消耗3%额度且具备自我终止的决策智慧。然而，在核心的视觉生成与复杂交互领域，其表现未能超越同价位的Claude Sonnet 5.5。无论是“后院泳池派对”的视觉碾压差距，还是3D建模中行人互动的缺失及UI还原的逻辑瑕疵，均显示其在高保真图形渲染上存在局限。尽管Sol在单文件约束下的代码生成及特定物理控制中展现潜力，但整体呈现“胜任有余、惊艳不足”。目前仅能确认其为高性价比的基础工具，其在非视觉领域的真正竞争力仍需后续测试验证。