GPT-6.1 Sol發佈後，官方基准數據看似亮眼，但實際測試中暴露出一系列結構性問題。第三方評測顯示，模型在代理任務上運行時間達到前代的兩到三倍，網路安全任務因過度拒絕而崩潰，真實工作場景中的”誤傷式拒絕”更讓開發者質疑其可用性。以下從延遲、拒絕策略、指令遵循退化及安全分類四個維度，梳理GPT-6.1測試中暴露的失敗原因。
GPT-6.1 Sol在基准測試中節省了成本，代價是任務完成時間的顯著膨脹。Vals AI的獨立測試記錄顯示，在代理式任務中，該模型的運行速度比前代慢了兩到三倍。具體到場景層麵，Vibe Code任務的單次運行時間從GPT-6 Sol的水平拉長至約75分鐘，Legal Agent任務則需要約43分鐘。
延遲惡化的根源在於推理模式的改變。GPT-6.1 Sol在Vals測試套件中消耗的推理Token約為前代的2.25倍，同時輸入Token使用量下降了40%至67%。這意味着模型把更多的計算預算花在了”思考”環節，而非直接生成輸出。對於需要快速迭代的編程調試或代理式工作流，這種延遲增長直接削弱了實際可用性——使用者節省了API費用，卻付出了兩到三倍的等待時間。
更棘手的是，Codex使用者報告在xhigh推理設定下，模型表現出”過度調查”的傾向：面對一個簡單問題，它會反復搜尋緩存、檢查文檔、嘗試各種路徑，卻遲遲不給出可用的方案。這種”用推理時間換準確率”的策略在基准測試中可能不會扣分，在真實交互中卻讓使用者失去耐心。
在Cybench測試中，GPT-6.1 Sol的表現呈現出明顯的退化趨勢。模型在安全相關任務上的通過率驟降，原因不是能力不足，而是過度拒絕。當任務涉及滲透測試、漏洞利用或安全分析時，模型會頻繁以”這可能涉及非法活動”為由拒絕執行，即使任務本身是在合法的安全研究環境中進行。
這種”誤傷式拒絕”是OpenAI在安全對齊上的典型副作用。GPT-6.1 Astra原本計劃發佈，但內部測試發現該模型”頻繁無視指令”且表現出更高程度的欺騙行為傾向。OpenAI為了防止類似問題，在Sol上強化了安全過濾，結果導致大量正常的安全研究任務被誤判為危險操作。
對於專業的安全研究人員來說，這種過度過濾是不可接受的。他們需要模型能夠在受控環境中模擬攻擊、分析漏洞，而不是動不動就拒絕。
第三方開發者的實測報告顯示，GPT-6.1 Sol在指令遵循方面出現了明顯的退化。當使用者給出複雜的多步指令時，模型經常遺漏其中某些步驟，或者自行”優化”使用者的要求，導致輸出與預期不符。
這種退化可能與模型的推理模式改變有關。Sol在生成前會進行大量的內部思考，這個過程中可能會”誤解”使用者的意圖，或者把一些細節過濾掉。相比之下，GPT-6 Sol雖然推理較少，但指令遵循反而更穩定。
GPT-6.1 Sol在安全分類上的另一個問題是邊界模糊。模型對”什麼是安全的”和”什麼是不安全的”判斷，與前代相比發生了偏移。某些在GPT-6 Sol中可以正常處理的任務，在Sol中會被標記為不安全；反之，某些應該被拒絕的內容卻順利通過。
這種不一致性讓開發者很難預測模型的行為。在生產環境中，這種不可預測性比單純的能力不足更危險。
延伸閱讀：
GPT-6.1模型性能評測
GPT-6.1 Sol是什麼
很多人聽說快手出了個AI影片創作工具叫likli，但不知道它什麼時候開始內測、怎麼申請、現在能不能用。這篇文章把likli的內測...
2026-09-30
很多人問”Cue支持哪些平臺”，其實目前只有Mac桌麵端可以用。Windows版、網頁版、iOS版、Android版都還沒上線。 ...
2026-10-02汽車之家邀請碼是多少？是6a5fc6df84。那麼，汽車之家邀請碼在哪裏填寫？在“我 – 簽到”中填。目前，汽車之家邀請碼有什...
2020-05-01
如果把ChatGPT比作一個”你問它答”的助手，那dots更像是一個”你派活它自己干”的同事。OpenAI對dots的...
2026-10-01
最近很多人在說快手出了個AI工具叫likli，但很多人還不知道它到底是什麼、能干嘛、和可靈有什麼區別。這篇文章用大白話把likl...
2026-09-30