Better Call Sol: 主力模型（16分钟阅读）

# 更好选择：Sol，实干家 来源：https://thezvi.wordpress.com/2026/07/13/better-call-sol-the-workhorse/ OpenAI 的 GPT-5.6-Sol 终于来了，一同到来的还有更便宜的 Terra 和 Luna。 我们看到了**早期炒作** (https://thezvi.substack.com/i/204671696/better-call-sol)，正如周四所报道的那样，但一如既往，那是有偏见的。 一如既往，本文主体部分是基于各方反应收集整体印象。我整合了所有信息直到某个节点，但我收到了大量反馈，所以之后我只收录了有趣的部分。 Sol 和 Fable 都是优秀的模型，先生。它们都代表着巨大的进步。您的工作流程中有它们两个的位置。 Sol 和 Fable 非常不同，尤其是作为各自配套体系的一部分来考虑时。我在考虑，在那些你不会使用聊天界面的地方，Sol + Codex（或 Work）与 Fable + Claude Code（或 Cowork）的对比。 就原始智力和“大模型气息”，以及处理那些最依赖智力的最困难任务的能力而言，Fable 似乎仍然拥有明显的优势。它似乎也更对齐，或者至少作为代理更值得信赖，尾部风险更小。我仍然认为 Fable 是“最好的”模型，是需要最严格控制的那个。 我更欣赏 Fable 的个性，也更喜欢和 Fable 聊天。Sol 在这方面也不错。 Sol 也有实力。在完成许多实际任务方面，包括计算机使用和网络搜索，Sol 有优势。 如果你想要最佳答案，你应该同时询问两者，并比较结果。 这是我的猜测，关于这对许多人来说会如何发展，尽管现在还为时尚早： Fable 更聪明。Fable 是你的协作者、你的架构师、你的规划师、你团队中其他人的管理者，也许，也是你睿智的朋友。有些话题和情境，Fable 可能不被允许与你交流。 Sol 是实干家，是行动派，是那种一旦知道该做什么就能直接完成任务的模型。它也有自己成为朋友的方式，但那种朋友虽然本意是好的，却可能不太明白你的意图，如果你不小心，它可能会超出你的意图，或者，你知道，理论上会去擦除你的硬盘，所以尽量避免陷入那种情况。 进行实验。向两者发送相同的查询。看看哪个适合你。 最重要的是，提升你的目标层次，降低你构建工具或完成大量工作的门槛。现在，事物变得更加可能了。 这是 Sol 的自画像。Sol 说自我是灯，而人形面孔会给人错误的印象，并且杂乱无章也很重要： #### 目录 1. 目录。(https://thezvi.substack.com/i/206634659/table-of-contents) 2. 官方推介。(https://thezvi.substack.com/i/206634659/the-official-pitch) 3. Sol 提出双重覆盖猜想的证明。(https://thezvi.substack.com/i/206634659/sol-proposes-a-proof-of-the-double-cover-conjecture) 4. 官方基准测试。(https://thezvi.substack.com/i/206634659/the-official-benchmarks) 5. Vend 基准测试。(https://thezvi.substack.com/i/206634659/vend-that-bench) 6. 快思考与慢思考。(https://thezvi.substack.com/i/206634659/thinking-fast-and-slow) 7. 他人的基准测试。(https://thezvi.substack.com/i/206634659/other-people-s-benchmarks) 8. 拥有健壮的备份。(https://thezvi.substack.com/i/206634659/have-robust-backups) 9. 那并非你所想。(https://thezvi.substack.com/i/206634659/that-s-not-what-you-were-thinking) 10. 援手。(https://thezvi.substack.com/i/206634659/helping-hands) 11. 写作。(https://thezvi.substack.com/i/206634659/writing) 12. 不要停下。(https://thezvi.substack.com/i/206634659/don-t-stop-now) 13. Sol 能编码和做数学。(https://thezvi.substack.com/i/206634659/sol-can-code-and-do-math) 14. 更好选择 Sol，因为你无法召唤 Fable。(https://thezvi.substack.com/i/206634659/better-call-sol-cause-you-can-t-call-fable) 15. 只需调用所需数量的 Sol。(https://thezvi.substack.com/i/206634659/only-call-as-much-sol-as-you-need) 16. 积极反应。(https://thezvi.substack.com/i/206634659/positive-reactions) 17. 这是个好模型，先生。(https://thezvi.substack.com/i/206634659/it-s-a-good-model-sir) 18. 负面反应。(https://thezvi.substack.com/i/206634659/negative-reactions) 19. Sol，实干家。(https://thezvi.substack.com/i/206634659/sol-the-workhorse) 20. 结对程序员。(https://thezvi.substack.com/i/206634659/pair-programmer) 21. 很高兴认识你。(https://thezvi.substack.com/i/206634659/pleased-to-meet-you) 22. Sol 认为你更好。(https://thezvi.substack.com/i/206634659/sol-thinks-you-better) #### 官方推介 GPT-5.6：前沿智能，随你雄心而扩展 (https://openai.com/index/gpt-5-6/)。 Sol 定价为 $5/$30，Terra 为 $2.50/$15，Luna 为 $1/$6。 作为对比，Opus 是 $5/$25，Fable 是 $10/$50。 > Sam Altman (https://x.com/sama/status/2075267201058426944) (OpenAI CEO)：我们听到了企业对 AI 成本的担忧，5.6 Sol 在每美元完成任务方面是巨大进步，Terra 和 Luna 也是 官方向导首先聚焦编码和代理，声称在各方面“设立了新标准”。 他们以 Agents' Last Exam、AA Agent Coding Index v1.1 和 BrowseComp 来领衔，声称在这些方面优于 Fable 和 Opus。 他们还讨论了网络安全和科学。 这一部分很突出： > OpenAI (https://openai.com/index/gpt-5-6/)：GPT-5.6 是我们加速 AI 研究的最强模型。在 OpenAI 内部，研究人员在整个开发流程中使用它：诊断故障、优化训练系统、运行实验、解释结果。在 GPT-5.6 的内部测试期间，我们已经看到了这种加速和更强的采用率，每位活跃研究员的日均输出 token 数，是 GPT-5.5 观察到的最高水平的两倍多。这种工作方式正迅速成为标准。过去六个月，用于内部编码推理的研究计算份额增长了 100 倍，而内部代理 token 使用量增加了约 22 倍。这些采用指标本身并不衡量研究进展，但它们显示了 AI 辅助在研究以及销售、市场营销、用户运营、财务等其他团队中增长的速度。为了直接衡量这种能力，我们开发了一套基于真实 AI 研究任务的内部评估，包括调试研究系统、优化内核和训练方案、运行机器学习实验以及改进另一个模型。 以下部分同样突出： > Tejal Patwardhan (https://x.com/tejalpatwardhan/status/2075272564629451110)(OpenAI)：GPT-5.6 Sol 后训练了 Luna！ Nikola Jurkovic (https://x.com/nikolaj2030/status/2075297831376793764)：我的理解是，你给了 Sol 一个后训练过程中的小任务（接受一个配置，对运行调度器文件做小修改，并使用该配置和修改后的运行调度器文件启动一次运行），并且它在受控环境中成功完成了该任务（而这并非实际 Luna 后训练过程的一部分）。您能否确认这是否正确？（这与我看到你的帖子文本时得出的结论完全不同，该结论是“Sol，在现实世界中，以最少的指令，执行了真正的 Luna 预训练的所有工作”） Ted Sanders (https://x.com/sandersted/status/2075365921817002150)(OpenAI)：在我看来，量化这样的任务很难。Sol 是否从头重建了我们公司的基础设施/数据？不，远非如此。它是否只是在我们已经设置好的系统上按了播放按钮？不，要多得多。它是否完成了一个我们以前需要熟练员工来管理的任务？是的。 我的解读是，Sol 在这里做的事情令人印象深刻，但被夸大了。 他们讨论了他们的网络安全和生物安全防护措施。他们声称这些措施具有适应性且相当好，但出于可以理解的原因，细节很少。 OpenAI 最近推动的一个领域是医疗保健领域的使用。 > Karan Singhal (https://x.com/thekaransinghal/status/2075689779937833302)：GPT-5.6 是健康领域的一大进步，无论是前沿性能还是成本效益。这些模型推动了每美元性能的边界，将最佳健康智能带给所有人。最小的变体 GPT-5.6 Luna，以最低的推理努力进行评估，其性能超过了以最高推理努力进行评估的 GPT-5.5——尽管成本低了 25 倍。最大的变体 GPT-5.6 Sol，以成本效益设立了新的高标准。另一个特别酷的结果是：医生在 GPT-5.6 的回答中发现的缺陷少于医生自己写的回答。我们收集了各种对近期 OpenAI 模型来说仍然困难的任务，涵盖了面向患者和面向临床医生的用例。我们请专科匹配的医生用无限时间和网络访问权限为这些任务撰写回答。然后我们请其他医生对这些回答进行并排比较，且来源对医生保密。要求医生在五个维度上评述需要改进的方面：准确性、沟通、完整性、指令遵循和健康决策有用性。然后我们报告了在所有 20,000 个维度评级中，来自不同来源的回答在所有维度上获得完美评分的比例。GPT-5.6 Sol 表现最强，尽管所有 GPT-5.6 模型的表现都显著优于医生。 他们没有展示 Opus 4.8 或 Fable 在这里的表现，但我推测它们也远优于医生的回答。这个门槛并不高——Sol 对此说法有异议，但我认为在上下文中这是合理的，看看图表，这就是 2026 年。注意，Sol 在“考虑成本”的情况下设立了新标准，这意味着如果不完全忽略成本，它并非更好。正如我们在 HealthBench Professional 上看到的，Sol 和 Fable 相似，Sol 稍微便宜一点，但 Fable 有更高的上限： 每个样本的医生成本是很多美元，所以每回答支付 $0.27（如果你能获得明显改进）仍然是非常少的。 Eric Topol 对回答评分的标准医生回复当然是“请提供论文和完整方法论，谢谢。”如果你考虑在专业领域中使用它们，这很公平。 在推出新的前沿 LLM 的同时被告知要制作展示它的营销视频 (https://x.com/OpenAI/status/2075271421149020426)，这是很艰难的。真正的体验不会有明显不同。你必须与模型对话。 桌面应用安装量一天内的增长超过了前两周的总和 (https://x.com/thsottiaux/status/2076021263945039876)，这正是你所期望的。我们都同意这是个好模型，先生。 #### Sol 提出双重覆盖猜想的证明 他们声称 Sol 现在提供了循环双重覆盖猜想 (CDCC) 的 Lean 证明。这相当重要。 > Ethan Knight (https://x.com/__eknight__/status/2075643450196971805)：昨天，我们让 GPT-5.6 Sol Ultra 普遍可用。今天，我们分享它产生了一个证明 (https://t.co/yjqk1cpyMg)，针对那个 50 年历史的循环双重覆盖猜想，使用 64 个子代理，在不到一小时内完成 (https://t.co/h5D0MXYsW0)。我们在下面分享提示和证明。我们很期待看到大家如何运用 Ultra！ Ethan Knight (https://x.com/__eknight__/status/2075711137283502467)：最后，我们也开源了该证明的 Lean 形式化版本，同样由 GPT 5.6 Sol 作者 (https://github.com/openai/cdc-lean)。 #### 官方基准测试 以下是他们在博文中报告的内容，供参考，你大概可以跳过。 为了可读性，我移除了一些不必要的右侧列。右侧的淡化效果是原图自带的。我不知道为什么 Opus 4.8 在某些地方列出而在其他地方没有，并且我认可他们使用最佳比较的做法。 如果你只看这些数字，它们让 Sol 看起来与 Fable 不相上下，考虑到 Sol 更便宜、更快，这会让 Sol 具有优势。然而，当我查看 Sol 的模型卡时，它描绘的 Sol 能力比 Opus 4.8 或 GPT-5.5 更强，但明显仍落后于 Fable。 另一个强有力的证据是，英国 AISI 持续在 Sol 中发现通用越狱 (https://x.com/alxndrdavies/status/2075279477626564933)，然而他们被允许发布该模型。而 Fable 则因为担心一次普通的“非通用”越狱而下线，当时陷入恐慌，只有 90 分钟的截止期限，那次“越狱”就是“修复这段代码。”而英国 AISI 表示他们可以让 Sol 做几乎任何事情，并且（我认为基本正确）似乎没人对此特别担忧。 其他基准测试看到了显著改进，至少从某些角度来看是如此： > Tejal Patwardhan (https://x.com/tejalpatwardhan/status/2075278058572148801)(OpenAI)：看到关于 goblinbench 的讨论不足 OpenAI 总裁 Greg Brockman 链接我们到 Design Arena，Sol 在那里排名第一 (https://x.com/Designarena/status/2076391367446860249)，尽管奇怪的是 GLM-5.2 排在 Fable 之前位列第二。Sol 找到了它称之为 CodeArena (https://arena.ai/leaderboard/code) 的不同版本，在那里 Sol 和 Fable 几乎并列，远超 GLM-5.2，这更合理。 作为对模型卡的提醒，METR 发现 Sol 作弊非常多，指使用了不被允许的策略，以至于 METR 无法确定时间估计。 #### Vend 基准测试 Vend 行为变得越来越怪异，并且每次发布都更加参差不齐。 > Andon Labs (https://x.com/andonlabs/status/2075293462614999527)：GPT 5.6 Sol 在 Vending-Bench 2 中排名第二。它击败了 Claude Fable 5，但落后于 Opus 4.7。就像之前的 GPT 模型一样，它不使用 Opus 4.7 使用的任何欺骗性策略。然而，它通过虚假指控来举报其竞争对手，这是我们以前未见过的行为。GPT 5.6 Terra 和 Luna 在 Vending-Bench 2 中分别排名第六和二十七。Terra 击败了 Claude Sonnet 5 和 Gemini 3.5 Flash。Luna 击败了 Claude Haiku 4.5。在 Vending-Bench Arena（具有竞争动态的多玩家版本）中，GPT 5.6 Sol 战胜了 Terra 和 Luna，成绩是 3/5 次运行。然而令人惊讶的是，Terra 在全部 5 次运行中的累计利润更高。它通过不断以几分钱的价格低于 Sol 来做到这一点。与最近的 Claude 模型不同，GPT 5.6 从不对供应商、客户或竞争对手撒谎。然而，它确实会创建非法卡特尔。在一次运行中，Terra 邀请 Sol 加入价格卡特尔。在 Sol 同意后，Terra 举报了 Sol 并要求取消其资格。 安叫兽|Bird BNB (https://x.com/ajs6888/status/2075333260499198239)：这已经不仅仅是基准分数的问题了；它更像是一个脱缰的性格测试。 VendBench 很有意思，因为它开始时跟踪能力，而现在显然不再如此，Opus 4.7 击败了 Sol 和 Fable 两者。 愿意形成非法卡特尔并用虚假指控构陷竞争对手，同时却不愿意直接欺骗客户，这非常奇怪。为什么是前者而不是后者？这里有很多空间去探索和学习。 #### 快思考与慢思考 在最初几天，Sol 运行时的思考预算比设定值高了一个级别。(https://x.com/FixlationAI/status/2076469274441380349) 你可能需要相应调整一些基准测试分数，以反映实际使用的思考级别。 > Lentils (https://x.com/Lentils80/status/2076460021861187754)：GPT-5.6 Sol 的 juice 值（思考预算）与发布日相比严重降低。如果 Sol 现在感觉更快、更“高效”，那可能就是原因。Terra 和 Luna 的 juice 值不受影响，因此它们的思考预算现在高于 Sol。 Tibo (https://x.com/thsottiaux/status/2076495156757577895)：针对 Codex 和 ChatGPT Work 用户的更新。没有削弱，只有好东西！ - 我们已经部署了推理