OpenAI在DevDay上发布的GPT-6.1 Sol，在实测中做出了一个应用之间相互联动的浏览器桌面和两款可玩的3D游戏，但在视觉设计和物理控制任务上，结果参差不齐。它首轮生成的3D画面不如Claude Sonnet 5.5此前在相同任务上的作品精致，而在提供视觉参考后，这一差距有所缩小。
规格与基准测试分数
OpenAI把GPT-6.1 Sol定位为以更低成本提供接近GPT-6 Astra智能的模型。其API价格为每百万输入token $2、每百万输出token $10，与Claude Sonnet 5.5的价格相同。输入和输出token是计算发送给模型和由模型生成内容的单位。价格相同本身并不能说明哪个模型能做出更好的应用。
软件工程基准测试DeepSWE v1.1提供了另一个参考。GPT-6.1 Sol的成绩会随推理设置而变化，这一设置决定模型为任务投入多少计算：
| 推理设置 | DeepSWE v1.1分数 | 每项任务成本 |
|---|---|---|
| High | 75.2% | $0.65 |
| Maximum | 71.9% | $0.97 |
在这一基准上，GPT-6.1 Sol与GPT-6 Astra的基准表现持平，比GPT-6 Sol高出6.4个百分点。更高设置反而得分更低，反映了一个已知现象：模型可能把任务做得过于复杂，超出评测的预期。根据API模型列表，GPT-6.1 Sol的上下文窗口为105万token，输出上限为12.8万token，知识截止日期为2026年4月30日；它可接收文本和图像输入，输出文本。
这些分数衡量的是基准测试表现，而不是游戏的完成度或机械抓取是否成功。应用制作测试能让人更近距离地看到这些结果。
应用之间相互联动的浏览器桌面
最清晰的软件成果是Halo OS，它在最高推理设置下用33分42秒生成。这是一个装在单个HTML文件里的独立浏览器桌面，HTML是浏览器读取并显示网页的格式。它在Google Chrome中打开后，带有窗口、程序坞、启动台、笔记、邮件、合成器，以及更换壁纸和保存会话的工具。部分程序坞和侧边栏图标未能显示，但桌面及其主要应用都能正常运行。
窗口中运行着两款游戏。Signal City提供了低多边形街道、可驾驶的汽车、包裹投递和行人。车辆操控和镜头反应灵敏，不过警车有时会直接出现在玩家车辆旁边甚至上方。Orbital Run让玩家驾驶飞船穿过圆环、避开障碍。跑完全程可获得4216分，并会在桌面的邮件应用中收到一份证书。
▲ 浏览器桌面中的两款游戏
联动不止于游戏。邮件会反映两款游戏中的动态，笔记可以导出为文本文件，Continuum则能保存并恢复打开的窗口、游戏状态和笔记。对评估而言，这种共享状态比应用数量更重要：它表明生成的桌面能够协调各自独立的功能。视觉方面的评价则不那么正面。Claude Sonnet 5.5前一天的作品显得更精致，而GPT-6.1 Sol生成浏览器系统的速度明显更快，运行也很流畅。
游戏可以玩，但视觉打磨参差不齐
泳池游戏任务要求GPT-6.1 Sol使用3D建模工具Blender和游戏引擎Godot，做出四名可操作的跳水者、水面效果、音效和计分。首轮运行开启了Fast Mode，耗时18分12秒。由于这一设置可能影响了输出质量，项目在清除早先文件并关闭Fast Mode后重新制作。
重新制作耗时约51分钟。后院场景、角色选择、蓄力起跳、空中动作和计分的水花都能正常运作。不过，作为对照的Claude Sonnet 5.5泳池游戏粒子效果更丰富、动画更有表现力，视觉上的幽默感也更强。这说明了在该任务上的视觉质量差距。
滑板项目则显示了指令能在多大程度上改变结果。GPT-6.1 Sol最初交付了一款可玩的C++游戏，包含技巧动作和所要求的慢动作回放，但街道环境显得空旷。在收到一张作为视觉目标的截图，并获准使用多个源文件后，它做出了一个带有倒影、景物和音效的更丰富的滨水场景。行人碰撞仍未实现。这次修改表明，能运行的第一版不必被视为模型最终的视觉水平。
其他测试也印证了功能齐全与真正完成之间的区别。一款浏览器地铁游戏把敌人波次与车站之间的列车移动结合起来，还有可用的武器和后期的强化敌人，不过列车出站的样子显得不真实。一款Old School RuneScape对战复刻游戏在19分30秒内搭建出精细的界面面板和可玩的战斗，但特殊攻击没有按预期响应。这些都是存在具体缺陷、但已相当完整的可运行作品，并非全都打磨完成的游戏。
机械臂未完成任务便停止
在一项物理测试中，GPT-6.1 Sol负责控制网格垫上方的一台机械臂，任务是移动一辆玩具车。在约18分钟的运行中，每当玩具车被移动或翻转，机械臂都会调整轨迹，说明它的摄像头反馈和运动规划能够响应工作区的变化。
▲ 避开玩具车停下的机械臂
机械臂始终没能稳定抓住玩具车，也未能把它移走。随后，它在远离玩具的位置以直立姿态停了下来。结果是任务失败，但在安全方面有一个有价值的区别：灵敏的追踪没有转化为成功的操作，但系统选择停下，而不是继续做不确定的动作。对于物理任务，是否完成以及失败后的表现，都应纳入评估。
从结果中能得出什么
综合这些测试来看，GPT-6.1 Sol能够构建功能相互联动的交互式软件，在注重逻辑和多步骤行为的任务上尤其如此。它首轮的3D画面并不总是令人印象深刻，机械臂也没能完成搬运。在整轮测试期间，一个ChatGPT Pro账户的每周额度从剩余98%降到95%；这只是单个账户的用量数据，并不能预测其他工作负载。
如果要为应用项目选择模型，就用相同的提示词和约束条件比较候选模型。检查功能是否真正可用，单独查看视觉质量，并确认每个版本如何处理错误或失败的操作。外观重要时，就提供视觉参考。这些结果表明，GPT-6.1 Sol是一个扎实且具成本效益的选择，值得在这类工作中试用，也值得与Claude Opus等顶级模型比较。