Chinese contentAllen AI 发布 StateBench：GPT-6 Sol 与 Claude Opus 5.5 状态追踪准确率仅 13%
Allen AI 做了个新基准 StateBench，专门考模型能不能跟上长文本里的状态变化，结果 GPT-6 Sol 和 Claude Opus 5.5 在最难题目上准确率只有 13%，挺扎心的。
#GPT-6 Sol
19 stories · 1 in 7 days · 4 in 30 days
Stories, products and papers tagged "GPT-6 Sol", newest first.
Nov 4
Oct 15
BizBench Benchmark Tests Agent Execution Validity in Payments Workflows
The benchmark shows that outcome-only evaluation masks invalid execution, since models can hit the final goal while violating constraints mid-run — a gap that matters most in regulated domains like payments where intermediate errors carry financial or compliance consequences. Agent builders can use the 50-task suite and deterministic checks to measure constraint compliance and tool-call overhead, not just task success. Teams choosing models for workflow automation get a direct comparison of frontier and open models under identical conditions.
Oct 10
Chinese contentMicrosoft 发布 Microsoft-Decision-1 快速决策模型，已在 Foundry 上线
微软用 Qwen3.5-9B 做了个专门快速打分决策的模型，比 GPT-6 Sol 快 35 倍，Foundry 上就能用。
Oct 9
Chinese contentArtificial Analysis 网络安全指数新增受信访问模型，GPT-6 Sol（Daybreak Blue）登顶
OpenAI 给受信访问的 GPT-6 Sol（Daybreak Blue）几乎没有网络安全防护，跑分直接登顶还比 Grok 4.7 便宜好几倍，值得看看细节。
Oct 1
Sep 30
Sep 29
Chinese contentAnthropic 发布 Claude Sonnet 5.5：速度快 30%，成绩逼近 Opus 5.5
Sonnet 5.5 速度比 Opus 快 30%，成绩还追平自家旗舰，价格没涨，干活的性价比党可以直接看看。
Papers14:34
Chinese contentJev 1.13 医疗基准评测：准确率逊于 GPT-6 Sol 但校准更佳有人拿非生成式模型 Jev 1.13 和 GPT-6 Sol 在四个医疗基准上跑了对比，便宜快十倍但复杂病例上差 20 多个百分点，概率校准数据挺有意思。
Chinese contentSonnet 5.5 实测：表现接近 Opus 5.5，Max 档 token 消耗成本与之持平
用 Sonnet 5.5 前先看这篇：max 深度下 token 消耗几乎和 Opus 5.5 一样，选档位前算算账。
Sep 28
Chinese contentOpenAI 修复 GPT-6 Sol 和 GPT-6 Luna 图像理解退化的 bug
如果你用 GPT-6 Sol 或 Luna 做过视觉任务觉得变差了，现在可以去 API 或 Codex 里重新试试，OpenAI 已把 bug 修好。
Sep 26
Chinese contentGPT-6 Sol 登陆 Agent Arena：净改进提升 7.7%，排名升至第 6
OpenAI 的 GPT-6 Sol 上 Agent Arena 了，净改进 +7.7% 排第 6，确认成功率排第 4，API 价格还比 GPT-5.6 便宜一半。
Chinese contentLMArena周报：GPT-6 Sol 与 Claude Opus 5.5 登场
LMArena 用不到 60 秒讲清 GPT-6 Sol 和 Claude Opus 5.5 到来这周的动态，赶时间可以直接刷这条视频。
Sep 24
Chinese contentArena 上线 Claude Opus 5.5 与 GPT-6 Sol 对比输出
Claude Opus 5.5 和 GPT-6 Sol 都上了 Arena，可以直接并排看两个模型的输出，还能自己上手测。
Sep 23
Chinese contentNext.js 新一期评测：GPT-6 Sol 与 Opus 5.5 同达 97%
Vercel 又更新 Next.js 评测了，GPT-6 Sol 首秀就并列第一，Grok 4.7 便宜一半到七倍，选模型前可以看看这份榜单。
Chinese contentGPT-6 Sol 上线 Perplexity，全部用户可用
Perplexity 全量开放 GPT-6 Sol 了，自家评测说比 Opus 5 便宜五倍还更强，写论文做深度调研的可以试试。
Chinese contentGPT-6 Sol 上线 Perplexity，成为 Computer 默认 Light 选项
GPT-6 Sol 已经进 Perplexity 了，还直接是 Computer 里 Light 档的默认模型，想省事的朋友可以直接试试。
Chinese contentLovable 接入 GPT-6 Sol，自建基准显示优于 GPT-5.6 Sol
做网页应用的朋友看下：Lovable 已经换上 GPT-6 Sol，官方测下来比 GPT-5.6 Sol 高 6-12%，指令遵循提升最明显。
