更贵的推理档位得分反而低 3 分——一份独立评测里的四处反直觉2026 年 9 月 29 日Artificial Analysis 发布了 GPT-6.1 Sol 的独立评测。这个模型替换掉上一代 GPT-6 Sol间隔只有 7 天。评测里有一个数字我认为比它的总分更值得注意「We observed the xhigh effort setting to outperform the max effort setting by 3 points.」我们观察到 xhigh 推理档位的表现比 max 档位高 3 分。这是说把推理档位调到最高得分反而更低。下面是我从这份评测里挑出的四处不那么直觉的地方。一、「max 档比 xhigh 档差 3 分」先把这几个档位说清楚。Artificial Analysis 评测模型时会跑多个「推理努力程度」设置从低到高大致是 low / medium / high / xhigh / max。通常的预期是单调的档位越高分数越高成本越高。而在 GPT-6.1 Sol 上最高那一档破了这个预期xhigh 档 比 max 档 高 3 分而同一份评测里还有一条相关的「GPT-6.1 Sol (xhigh) scores 1 point above GPT-6 Astra for less than 15% of the Cost per Task.」xhigh 档比 GPT-6 Astra 高 1 分而每任务成本不到它的 15%。所以在这一项Coding Agent Index上最好的一档是 xhigh不是 max。一个直接可用的推论如果你按「拉满设置」去用这个模型你可能没有拿到它最好的成绩同时付了更高的价钱。这份评测没有解释为什么 xhigh 会优于 max。它只是报告了这个观察。二、「便宜 31%」和「多用 10–30% token」是两件事评测给了两组听起来同向、实际需要相乘的数字价格那一边对比对象GPT-6.1 Sol 的每任务成本GPT-6 Astra (max)$0.72 vs $3.26—— 不到四分之一GPT-6 Sol便宜 31%$0.72 vs $1.05GPT-5.6 Sol便宜 64%$0.72 vs $1.99而用量那一边「GPT-6.1 Sol uses ~10-30% more output tokens than GPT-6 Sol across effort levels.」在各个档位上GPT-6.1 Sol 比 GPT-6 Sol 多用约 10–30% 的输出 token。在同一份评测里还有一个非常具体的例子「GPT-6.1 Sol (max) uses ~162k output tokens per Intelligence Index task…」见该系列的相邻评测口径★ 「每 token 更便宜」和「每个任务更便宜」不是同一件事。而这份评测的处理方式是诚实的—— 它没有只说便宜而是同时报告了用量「However, due to the increase in Intelligence Index score, its low and medium effort levels are Pareto optimal for token efficiency.」不过由于智能指数分数提高它的低档和中档在 token 效率上是帕累托最优的。「帕累托最优」在这里的意思在同样的智能水平上没有更省 token 的模型。注意这个结论限定在「低档和中档」。高档位不在这个结论里。三、涨了 80 Elo而其中一项在下降AA-Briefcase是这家机构的私有知识工作评测。GPT-6.1 Sol 在这一项上提高了约 80 Elo。而这一句才是值得看的「This is driven by increases in its rubric score and Analytical Quality Elo, while Presentation Elo falls slightly.」这由评分标准和「分析质量 Elo」的提升驱动而「呈现 Elo」略微下降。拆开就是分析质量在涨呈现质量在降总分在涨。这不是「模型变差了」。它说的是一个复合指标内部有两股相反的力—— 如果只看总分那 80 Elo你看不到其中一项在下滑。如果你的工作里「呈现」比「分析」更重要比如要交给人看的报告这一句比那 80 Elo 更有参考价值。四、幻觉率降了 6 点准确率涨了 8 点AA-Omniscience 这一项上准确率 8 点 幻觉率 60% → 54%降 6 点这两个方向是同向的—— 答对更多同时编造更少。这一点值得单独指出因为「答对得少」和「编造得少」在有些模型上是反向的答得少而编得少通常意味着模型更愿意承认自己不知道。而在 GPT-6.1 Sol 上两个指标同时改善。这是它这一代比较干净的一处进步。五、还有那个「7 天」标题是这么写的「GPT-6.1 Sol replaces GPT-6 Sol after just 7 days」而同一句后面还有半句「…with near-Astra intelligence」两个事实放在一起它离 GPT-6 Astra 只差 1 分它离上一代 GPT-6 Sol 只有 7 天而价格在这一代里是第二次下调GPT-6 Sol 相对 GPT-5.6 Sol 打了五折这一代缓存读折扣又从 90% 提到 95%。「7 天」这个数字本身不构成对模型的评价。但它改变了另一件事如果你在选型你面对的是一个每几天就要重新看的列表。六、所以这份评测里我能拿走什么结论依据别默认「拉满设置」xhigh 比 max 高 3 分别把「每 token 便宜」当成「每个任务便宜」便宜 31% 的同时多用 10–30% token别只看复合指标的涨跌AA-Briefcase 涨 80 Elo而其中「呈现」在降它离上一代只有 7 天这决定了这个列表要多久看一次而这四条都不是我的判断。它们分别是这份评测里同向对比的两组数字、一句限定条件、和一个标题里的日期。核验边界一手材料official_sources 1Artificial Analysis《GPT-6.1 Sol replaces GPT-6 Sol after just 7 days, withnear-Astra intelligence》2026-09-29—https://artificialanalysis.ai/zh/articles/gpt-6-1-sol-replaces-gpt-6-sol-after-just-7-days-with-near-astra-intelligenceHTTP 200 全文实取本文引用的全部数字与引文来自该篇Intelligence Index 的 4/5/1 分差、Cost per Task $0.72 / $3.26 / $1.05 / $1.99 及 31% / 64% 差异、缓存读折扣 90%→95%、token 用量 10–30%、xhigh 优于 max 3 分、Coding Agent Index 的「高 1 分 / 不到 15% 成本」、AA-Briefcase 的 80 Elo 与三项分项方向、AA-Omniscience 的 8 点与 60%→54%。⚠️ 我没有核对的地方$0.72那个每任务成本和162k那个 token 数162k出自同一机构关于 Claude Haiku 5.5 的那一篇不是这一篇。我把它放在「同一份评测里还有一个非常具体的例子」下面时已经标注了口径来源但严格说它属于另一篇文章、另一个模型—— 我没有把它当作 GPT-6.1 Sol 的数字使用只用来说明「每任务 token 量」这个口径的存在。这一点读者需要注意。「各档位」的完整定义low / medium / high / xhigh / max 分别是什么——原文未展开我也没查。上面那个从低到高的排序是我按常见命名写的不是原文的。AA-Briefcase / AA-Omniscience / Coding Agent Index 的具体构造—— 未查。GPT-6 Astra 和 GPT-6 Sol 的发布日期—— 本文未涉及只知道 GPT-6 Sol 与GPT-6.1 Sol 相隔 7 天。「7 天」是从谁的发布算到谁的发布—— 原文标题说 replaces after just 7 days我没有核实这两个日期的原始公告。结论层面的边界本文不评价 GPT-6.1 Sol 的好坏也不推荐任何模型。「别默认拉满设置」这条推论是我写的—— 原文只报告了 xhigh 优于 max 3 分这一观察没有给出这个建议也没有解释原因。我在正文里已标明「这份评测没有解释为什么」。「呈现 vs 分析哪个更重要」那段是条件性的「如果你的工作里…」不是对模型的评价。来源Artificial Analysis全文实取—https://artificialanalysis.ai/zh/articles/gpt-6-1-sol-replaces-gpt-6-sol-after-just-7-days-with-near-astra-intelligenceArtificial Analysis 模型页 —https://artificialanalysis.ai/models/releases/gpt-6-1-sol