OpenAI发布GPT-6系列新成员：Soul与Luna的定位

OpenAI近期发布了GPT-6家族的两款新模型，旨在优化性价比指标。虽然Luna也具备极高的价值主张并将在后续视频中单独测试，但本次评测的核心聚焦于GPT-6 Soul。根据官方公告的TL;DR总结，这两款模型在价格与性能的平衡上表现出色。其中GPT-6 Astra是性能最强但最昂贵的版本，而Soul和Luna则代表了特定场景下的高性价比选择。特别是Luna的定价极具竞争力，输入每百万token 10美分，输出每百万token 50美分，使其成为目前大型实验室中最具竞争力的模型之一。然而，对于Soul而言，其定价策略发生了显著变化。输入每百万token 2美元，输出每百万token 10美元。

"Soul and then also Luna represent a very good value... 10 cents per million in and 50 cents per million out makes this basically one of the most competitive models from a large lab in existence at least currently."

值得注意的是，Soul的价格相比其前代产品（GPT-6 Sonnet 56）降低了一半，同时也仅为Opus 5.5价格的一半。尽管Opus 5.5在之前的评测中表现 phenomenal（极好），但Soul以更低的价格入场，意味着我们需要在新的价格基准下重新评估其性能表现。这种定价策略使得Soul在追求成本效益的用户群体中占据了独特的位置，但也引发了对其性能是否足以匹配其前代或竞品表现的疑问。

官方基准测试图表与模型规格解析

在分析性能之前，有必要审视OpenAI提供的基准测试数据。评测者对官方展示的图表设计提出了批评，认为其视觉呈现不够直观，特别是对于不同色调黄色的区分令人困惑。图表中展示了Soul与Astra在低负载下的成本对比，指出运行Astra的低端版本比Soul贵3.9倍。同时，官方声称在低负载下Astra的表现可能被GPT-6 Soul的Max或Xi模式所超越。此外，图表中还包含了DeepSWE基准测试分数。评测者注意到一个奇怪的现象：Soul的得分似乎相比前代产品有所下降，但这可能与DeepSWE基准测试近期对某些模型评分偏离现实有关，因此不宜过度解读这一数据波动。

"They also talk a lot again about lower cost. And for soul right here, they showcase it's 3.9 times more expensive to run Astra on low... hypothetically, Astra on low is being beat or matched by GPT6 Soul."

在技术规格方面，GPT-6 Soul支持多模态输入（包括图像），这对于故障排除等特定任务非常有用。其上下文窗口超过100万token，最大输出令牌数为128,000。知识截止日期为2026年4月底，保持了较新的信息时效性。官方还强调该模型在对话体验上更加自然，减少了AI特有的语气词（isms），虽然评测者认为只要功能强大即可，但更自然的交互体验仍是一个加分项。这些规格参数为后续的实战测试提供了基础背景。

BrowserOS v2.7 浏览器操作系统基准测试结果

为了验证Soul的实际能力，评测者运行了BrowserOS v2.7基准测试。该任务要求模型在浏览器环境中完成一系列操作，包括生成游戏背景、处理交互逻辑等。测试结果显示，Soul在最大努力（Max effort）模式下运行了23分钟28秒。评测者指出，虽然最终生成的界面与GPT-6 Astra的结果相似（如“欢迎来到你的空间”、“宇宙尽在掌握”等文案），但在具体的逻辑执行上存在明显缺陷。

"This is the smell of a small model. When the police snap to your location and they just like hop over you, it showcases that it didn't really put some logic into."

在测试过程中，Soul在处理交通碰撞场景时表现不佳。当警察车辆被召唤到玩家位置时，模型未能正确计算路径逻辑，导致警车直接“跳过”了障碍物或错误地定位。评测者形容这种表现带有"小模型的味道（smell of a small model）"。尽管界面看起来整洁且功能看似正常，但在复杂的逻辑推理和物理交互模拟上，Soul的表现不如预期。相比之下，之前的Opus 5.5在类似任务中展现了更强的逻辑连贯性。虽然Soul完成了测试，但其表现被评价为"comparatively bad（相比之下很糟糕）"，尤其是在处理需要精细逻辑控制的场景时。这一结果提示用户，尽管Soul价格低廉且在简单任务上表现良好，但在高复杂度、强逻辑依赖的浏览器自动化或游戏生成场景中，其能力仍有局限。

界面细节与初步功能验证

评测者首先对GPT-6 Sol生成的浏览器操作系统（Browser OS）界面进行了初步探索。该系统具备色彩调色板、背景透明度以及针对特定操作系统的引用功能，并支持创建和命名笔记。在基础计算测试中，模型成功完成了复杂的数学运算：27 * 6 + 182 - 20 * 5 = 810，表现出良好的逻辑准确性。系统还引入了“Pulse”引擎作为新组件，并在设置中提供了详细的事件日志记录功能。这些日志记录了在浏览器操作系统中的具体操作行为，虽然目前尚不清楚用户如何直接交互这些数据，但其存在表明系统具备较强的后台状态追踪能力。评测者指出，目前对整体性能持保留态度，需要更深入的测试来展示其真实能力。 > “I don't know how we interact with these, but they seem to represent specific actions that have been logged or taken in the browser OS.”

RuneScape 2007 PvP复刻测试：从概念到3D迭代

为了测试模型在复杂游戏逻辑上的表现，评测者要求生成一个《RuneScape 2007》的PvP（玩家对战）大银行区复刻版。初始生成耗时约22分钟，但界面被评价为“廉价的应用商店山寨品”。随后，评测者要求将其改进为像素级完美且具备3D效果，这一迭代过程又耗时23分钟。尽管最终版本并非像素级完美，但整体表现被评价为“值得尊重”。游戏内实现了基本的战斗风格切换（如使用十字弩）、魔法特殊攻击以及技能、祈祷值和快捷栏等核心UI元素。然而，语音气泡显示存在Bug，且部分图标（如祈祷值）未正确渲染。评测者认为，在缺乏先验参考的情况下，这一结果并不糟糕。 > “It did work for a little bit... This is actually, I would say, respectable all things considered.”

C++滑板游戏生成：视觉升级与物理逻辑缺陷

评测者接着进行了一项更具挑战性的测试：使用C++生成一个以纽约市街区为背景的滑板游戏，且明确要求不使用Ray引擎。在运行前，评测者注意到当前周使用限额仅剩9%（此前已进行Browser OS和机械臂测试）。初始生成的滑板游戏具有卡通风格美学，但左右控制键被反转（Q和E），且旋转动作略显生硬。虽然无法吸附到轨道上，但基础操作被评价为“简单但胜任”。在收到改进提示（修复磨损逻辑并提升质量）后，模型进行了视觉升级。新版本增加了喷泉和水体碰撞器（玩家无法进入水中），音效虽微弱但被评测者意外地喜欢。然而，物理交互仍存在缺陷：玩家无法与行人发生碰撞。评测者认为，虽然图形质量令人印象深刻，但缺乏基本的物理反馈仍是不足。 > “This is definitely much better... It's still simple, but that is okay.”

机械臂控制测试：抓取失败与策略反思

最后一项测试是机器人手臂操作，目标是抓起一辆汽车。模型在约1.5小时后仍试图从掉落位置重新抓取车辆，最终未能成功完成100%的任务。主要问题在于机械臂未完全闭合夹爪，导致抓取失败并在移动过程中意外掉落车辆。评测者指出，模型在后期切换为“快速模式”并将思考力度调至最低时已无法挽回局面。与之前Astro模型的表现相比，当前模型的策略更倾向于“移动-观察-轻柔抓取”的视觉反馈循环。尽管任务未完全成功，但评测者认为整体表现“不错”，并注意到模型生成结果的速度相对较快。 > “It did manage to almost pick it up... The problem was it did not close the gripper far enough.”

GPT-6 Sol 在地铁场景测试中的表现反转

视频创作者首先尝试了“Subway FPS”这一特定关卡，该场景后续波次由火车运送。起初创作者对能否超越之前的 Opus 结果持悲观态度，甚至考虑使用 Blender 和 Godot（字幕误作 GDAU/GDO）进行风格化重制。经过 21.5 分钟的生成，初步结果呈现出一种类似《Skate》游戏的简洁风格。创作者最初认为这种表现更符合 Luna 模型的水平，而非 GPT-6 Sol，并直言：“I feel like this would be a result I'd expect from Luna and not necessarily from Soul”。然而，当创作者回顾 GPT-5.6 Sol 的旧有结果时，发现其表现更差，从而修正了看法。创作者意识到：“This is bad. What we just got from Sixole was significantly better than this”。这一反转让创作者对 GPT-6 Sol 的表现更加看好，并指出给予模型 两个提示词（two prompts）能显著激发其能力上限。

引入 Blender 与 Godot 的深度优化测试

为了进一步挖掘模型潜力，创作者决定让 GPT-6 Sol 利用 Blender 和 Godot（字幕中多次提及 GDAU/GDO，指代游戏引擎或工具链）对场景进行图形升级。这一过程耗时 47 分钟，最终结果在浏览器中运行。创作者评价道：“That is significantly better. Okay, at least the weapon model is.” 尽管整体美学仍保留了一定的卡通风格，但视觉效果得到了 大规模图形 overhaul（overhaul）。火车模型显著改善，车门开启动画正常且包含内部结构，尽管无法进入车厢。创作者总结：“It kept the aesthetic and just the overall vibe of the game so similar, but it just massively graphically overhauled it.” 唯一的明显缺陷是环境中缺乏弹孔，且音效设计糟糕。创作者认为这种在保持原有氛围的同时大幅提升视觉质量的做法非常有趣，并推测未来可能实现通过 Godot 在浏览器中运行完整游戏。

Watch Website 测试中的细节缺陷与主观性争议

随后进行的“Watch Website”测试要求创建一个包含特定照片（Beijan 特别版）的高端手表网站。在 不到20分钟的“Ultra Code”模式下生成后，前端界面整体尚可，但存在明显的技术瑕疵。创作者指出：“The issues I'm seeing here, especially with the dial, the numeral indicators being mismatched. That is a little disappointing”。表盘上的数字标记错乱被视为不应出现在前沿模型中的低级错误，再次让创作者联想到 Luna 水平的表现。尽管爆炸视图（exploded view）功能简单但可用，且前端布局非超细节化却具备胜任力，但数字标记的错误严重影响了体验。创作者反思这可能是一个过于主观的测试案例：“So maybe this is a bad test because it's just far too subjective.” 尽管如此，数字标记的混乱仍被视为该模型的一个显著短板。

3D汽车交互网站的高难度挑战

最后，创作者提出了一个极具挑战性的任务：创建一个基于 1980年代 Saab 900 Turbo 的高细节 3D 模型，并将其移植到网站中供用户交互。需求包括打开车门、查看内部、开启后备箱和引擎盖等，且要求网站具有现代高端汽车销售网站的质感。创作者强调：“Realism is paramount”，并要求支持不同的颜色和配置选择。这一测试旨在评估模型在复杂 3D 设计、高保真建模以及前端交互实现方面的综合能力，是对 GPT-6 Sol 多模态与代码生成能力的又一次深度检验。

图像生成反馈与迭代：从“像不像”到细节修正

测试者首先对模型生成的 Saab 900 Turbo 图像进行了初步评估。虽然车轮选项基本正确，但整体外观与真实的 Sub-900 Turbo 车型相去甚远。为了测试模型对讽刺性反馈的理解能力，测试者利用 ChatGPT 制作了一个“找不同”风格的模因（Meme），将1980年代中期大众Shurocco的照片与模型生成的Saab 900进行对比，暗示两者毫无相似之处。测试者将这一带有讽刺意味的反馈发送回模型。

"Fair point. Yeah. Okay. So, it did it did understand my meme response. I like that."

模型成功理解了这一讽刺反馈，并进行了迭代。经过46分钟的生成以及测试者的短暂休息后，更新后的模型在外观上有了显著改善。尽管整体风格仍略显怪异（funky），但前保险杠等部件看起来更加逼真，挡风玻璃的曲率也符合该特定车辆的真实特征。测试者认为模型确实吸收了一些关键反馈。在浏览器中查看原生渲染效果时，引擎盖的开启方式被证实是准确的，且内部发动机细节并未因外观调整而变差。不过，测试者指出电池位置错误，应位于另一侧。

3D游戏生成：Ring Riot 88 的初步体验

接下来，测试者转向软件与3D内容生成领域。他向模型提供了Blender和Godot Engine（GDAU）的提示词，要求创建一个以1980年代为主题的3D摔跤游戏。该任务在“Max”模式下运行，耗时约31分钟。虽然时间不长，但模型成功生成了一个名为“Ring Riot 88”的游戏预览版。

测试者在Mac上运行了生成的脚本，体验了这款摔跤游戏。尽管场景和角色建模较为简单、风格偏向卡通化，但模型成功完成了角色的绑定（rigging）和基础动作设计。测试者对这一结果感到意外，认为模型的表现优于预期。在游戏中，角色可以进行简单的移动和攻击动作（如使用椅子作为武器）。虽然游戏机制简单，但整体表现是称职的（competent）。测试者甚至在游戏中被对手击倒，并调侃道：“Keep the crowd loud.” 这一案例表明模型在处理复杂3D资产生成和基础游戏逻辑方面具备一定能力。

iOS应用开发：90分钟极限黑客松挑战

为了测试更偏向软件逻辑的能力，测试者模拟了一个极端场景：在黑客松比赛中，仅有90分钟时间为一部尚未发布的“iPhone 18 Pro Max”开发一款利用其新硬件的应用。测试者要求应用具备出色的美学设计（包括自定义App图标），并允许使用编码代理进行开发。测试者将任务设定为“疯狂且高效”，并在完成后通过Mac实时传输到真机。

模型在快速模式（fast mode）和最大努力（max effort）下运行，仅向测试者确认了一次是否有规则限制。应用名为“Echo frame”，其核心功能是利用iPhone的摄像头和Metal框架（Apple硬件加速层）实现以下特性： 1. 可拖拽的实时摄像头窗口。 2. “幽灵模式”：利用设备端的人体分割技术，将背景虚化或推向过去，使人物保持在前景。 3. 自定义App图标和可分享的静态图像捕获功能。

"Echo frame is built and ready for the Pro Max. It turns the live camera into a dragable window..."

测试者将应用部署到真机上，发现其能正常调用摄像头并实现所述功能。尽管测试者因不习惯新iPhone侧边的按钮而误触，导致初期体验略显混乱，但应用的核心功能——如基于Metal效果的实时视频处理和背景分割——在真机上运行流畅。这一案例展示了模型在短时间内生成完整、可部署且具备特定硬件优化功能的iOS应用的能力。

调试故障与实时渲染技术验证

测试初期遭遇设备兼容性问题，应用试图通过摄像头捕捉画面以确认图像时失败。作者首先排查是否为软件Bug，发现提示要求指向明亮房间后仍无响应。经重启iPhone 18 Pro并重置相机应用，确认故障源于手机系统层面的软件Glitch而非Echo Frame应用本身。这一过程展示了AI助手在实际QA测试中的价值，即通过终端连接协助排查硬件或系统层面的异常。

故障排除后进入Echo Frame的实时相机模式，其核心亮点在于完全依赖手机GPU进行本地处理。技术文档显示，该应用使用全屏Shader在实时混合20个最近的相机帧。A20 Pro芯片的7核GPU负责处理视觉效果，包括生成人物蒙版（Person Matt）并与时间偏移的世界进行合成。视觉内存存储在GPU纹理切片中，避免了每帧上传图像或远程处理的需求，因此无需账户登录或网络连接即可运行。这种架构虽然可能导致画面略显卡顿（Laggy），但实现了极具创意的“时间深度”扭曲效果，如棱镜折射（Prism）和残影重叠（Ghosting），允许用户通过拖拽移动“时空门户”，在视觉上实现类似《星际穿越》般的空间扭曲交互。

吉他店游戏：UI收敛与玩法差异对比

随后测试进入“Ultra模式”，运行经典的“吉他店游戏”提示词：玩家可在虚拟乐器商店中演奏，若制造过多噪音则触发Beat 'em up（清版动作）模式。该提示词此前曾在Opus 5.5模型上运行，结果令人印象深刻。GPT-6 Sol生成的初始屏幕UI与Opus版本高度相似，作者指出这并非巧合或同一系统运行所致，而是基于相同提示词在不同模型间产生的设计收敛（Convergence）现象。

在浏览器原生环境中运行该游戏，视角为第一人称。操作逻辑清晰：E键演示装备，Click键出拳（Punch），Q键闪避（Dodge）。与Opus版本相比，GPT-6 Sol的版本视觉风格更偏向卡通化且细节相对简化。乐器商店包含声学吉他墙、鼓组等，不同物品具有独立的音效。虽然无法像Opus版本那样精细地拾取所有物体或与放大器互动，但核心玩法循环完整且具备趣味性。作者认为，尽管复杂度较低，但其强调动作打击感的卡通风格自成一派，在同等时间成本下是一个体面且有趣的结果。值得注意的是，该模型生成的内容价格仅为Opus的一半，从性价比角度考量具有显著优势。

综合评估：简单即正义与模型印象提升

整体而言，GPT-6 Sol在两个测试案例中均展现了稳定的输出能力。第一个案例通过解决相机故障和展示复杂的本地GPU渲染技术，证明了其在实际任务执行和设备调试中的实用性。第二个案例虽然生成的游戏在细节丰富度上不及Opus 5.5，但其独特的卡通风格和流畅的动作反馈使其具备独立的可玩性。作者特别强调，“简单有时是好事”，特别是在快速原型设计和娱乐导向的应用场景中。GPT-6 Sol以一半的成本提供了令人满意的功能性体验，这进一步提升了作者对该模型的整体印象。

性能表现：稳健但缺乏惊艳感

在对GPT-6 Sol的全面测试中，该模型展现出了极高的基础胜任力。它在各项测试中几乎没有犯错，也没有遗漏关键信息，整体表现稳定可靠。然而，这种稳定性伴随着一种缺乏突破性亮点的遗憾——模型并未展现出令人惊叹或颠覆认知的能力。正如评测者所言，> "to say the model is basically just competent in any of our tests. It didn't make mistakes really... But the flip side of that is it didn't do anything that was really jaw-droppingly impressive." 这种评价意味着，虽然它能很好地完成任务，但无法提供超越预期的惊喜。对于用户而言，这取决于他们更看重绝对的性能上限还是稳定的输出质量。在当前的AI模型迭代中，这种“无过便是功”的表现往往需要结合价格因素来综合评估其实际价值。

性价比与使用策略分析

GPT-6 Sol的核心优势在于其极具竞争力的定价策略。该模型的价格仅为Opus 5.5的一半，这使得它在性价比上具有显著的吸引力。评测者指出，> "pricing wise, this is half the price of Opus 5.5"。是否选择该模型，最终取决于用户的具体任务需求以及对价格的敏感度。对于不需要极致性能、更看重成本控制的场景，GPT-6 Sol是一个合理的选择。

在使用技巧方面，评测者发现通过后续提示词（Follow-up Prompt）可以显著提升模型的表现。例如，在获得一个良好的基础结果后，进一步指令其“深入挖掘”或“极致优化”，往往能产生比首次输出更高质量的结果。> "giving it a follow-up prompt... tends to produce significantly improved results"。这种策略虽然有效，但也反映出模型在一次性输出最佳结果的能力上略有不足。评测者希望模型能在第一次尝试时就展现出其全部潜力，而不是依赖多轮交互来挖掘能力。

资源消耗与响应速度评估

在资源使用方面，GPT-6 Sol表现出较低的能耗特征。评测者记录显示，每周的资源使用量从初始的94%下降至87%，仅消耗了约7%的资源。尽管测试中包含了多种模式，包括Ultra和X Higher等高性能选项，但整体资源消耗并未出现剧烈波动。这一数据表明，该模型在提供合理性能的同时，对计算资源的占用较为克制。此外，评测者特别赞赏其快速的响应速度。即使在开启Ultra或最大推理模式时，模型完成任务的时间依然很短。这种高效的处理能力对于需要快速迭代和反馈的用户来说，是一个重要的加分项。

总结与后续展望

综合来看，GPT-6 Sol是一款性价比优于性能上限的模型。评测者认为，如果将其放在半年前，它可能会被视为一款令人惊艳的最先进模型；但在当前激烈的竞争中，其表现显得中规中矩。最大的收获在于它证明了在降低价格的同时，仍能保持合理的性能水平。> "it represents a decreased value with reasonable performance"。

随着GPT-6 Sol评测的结束，接下来的焦点将转向GPT-6 Luna。这款模型因其极低的定价而备受期待，评测者表示：> "I am very excited about because it is just so darn cheap that any decent level of performance in that for that price is going to be absolutely awesome." 如果GPT-6 Luna能在如此低廉的价格下提供尚可的性能，它可能会成为市场上极具颠覆性的产品。对于现有用户而言，GPT-6 Sol是一个稳妥的备选方案，而未来的测试将揭示更极致的性价比可能性。

结论

GPT-6 Soul是一款定位清晰的高性价比模型，其定价仅为Opus 5.5的一半。测试表明它具备极高的基础胜任力与稳定性，在iOS应用开发、3D资产生成及游戏原型制作中表现稳健。然而，其短板在于复杂逻辑推理（如BrowserOS路径计算）和物理交互细节上存在缺陷，且难以一次性输出惊艳结果。该模型适合对成本敏感、追求快速迭代及简单任务场景，但在高精度逻辑或极致视觉保真度需求下仍显不足。