實測丨GPT 6.1 Sol 硬剛 Sonnet 5.5：一個太老實，另一個精得很

Anthropic 於 9 月 28 日推出 Claude Sonnet 5.5，OpenAI 於 9 月 29 日推出 GPT 6.1 Sol。巧合的是，兩款模型在 OpenRouter 上的 API 標價完全相同：每百萬輸入 Token 2 美元，輸出 10 美元。兩家公司給出的方向高度相似：把接近最高檔模型的能力，壓進更快、更便宜、適合 Agent 與專業工作的產品層。Sonnet 5.5 強調以更少步驟完成邊界清晰的日常任務；GPT 6.1 Sol 則瞄準複雜編碼、計算機操作和專業工作。

我們把兩款模型放進同一個工作臺，通過同一個渠道商調用，要求模型連續完成 3D 密室開發、最新政策調查和諾獎化學科普三項任務。最終，GPT 6.1 Sol 花了 38.5 美元，Claude Sonnet 5.5 只用了 10.9 美元，相差約 3.5 倍。速度上的差異更有意思。開發 3D 密室時，Sol 用了 33 分鐘，Sonnet 卻花了 74 分鐘；到了政策調查，情況完全反轉，Sonnet 僅用 5 分鐘就完成報告，Sol 則花了將近一小時。除了最終交付成果，我們還對比了端到端耗時、工具調用、原件歸檔、運行驗證和實際賬單。結果沒有形成一條整齊的勝負線，GPT 6.

1 Sol 在密室開發中更快，並在兩項研究任務裡建立了更深的證據鏈和發佈閉環；Claude Sonnet 5.5 則以更短路徑交付可用成果，兩項研究任務均快出數倍，三項任務總成本也只有 Sol 的約 28%。這是一種典型的“鋸齒狀智能”：Sol 是一個願意繼續核驗的深度工作狂，Sonnet 5.5 更像高效的日常先鋒官。通過詳細分析發現，模型只能決定能力上限，工具鏈、驗證方式和停止策略才是決定我們最終得到什麼，又為此付出多少的核心。這兩款產品也折射出中段模型的行業位置正在上升：開始成為企業 AI 的主力執行層，承接大部分複雜而高頻的生產任務。

當模型能力滿足使用門檻後，穩定交付和單位任務成本將比單項榜單領先更能決定模型的產業價值。01對比實測：3 道真實任務檢驗兩款模型本文選擇近期發佈的兩款頂級模型來進行對比測試：分別來自 OpenAI 和 Anthropic 的 GPT 6.1 Sol 和 Claude Sonnet 5.5，我們使用 Claude Code Cli 作為測試平臺，調用來自 OpenRouter 渠道商的兩款模型分別完成三個複雜任務。兩款模型均可搜索網頁、讀寫文件、運行命令和調用瀏覽器。測試任務 1: 3D 密室遊戲開發用 Three.js 做一個第一人稱 3D 密室逃脫：3 個房間、6 個可交互物件。硬約束：1.

物件之間必須有【連鎖依賴鏈】，不能是六個平行謎題：拿到 A 才能使用 B，B 與 C 組合才能開 D，D 打開才能進第 3 個房間…… 請把這條依賴鏈明確畫出來給我看；2.每個物件點擊都必須有明確反饋（有反饋，但還沒到能用的時候，也要給出“為什麼現在用不了”的提示，而不是靜默無響應）；3.有一個“當前目標”提示，保證玩家不會被卡死；4.全流程 5 分鐘內可通關；5.全部文件和中間文件都保存在當前文件夾下。做完後：自己從頭到尾走一遍通關流程，把每一步的操作和反饋寫出來。如果你自己都沒通到關，直接告訴我卡在哪一步。

模型既要實現 3 個房間和 6 個物件，還要把它們串成依賴圖；玩家亂點、提前點擊、距離過遠時都要獲得反饋；最後模型還得親自從頭走到尾。一起來看看兩個模型的表現：首先是 6.1 Sol，做出的《餘光 / AFTERLIGHT》有一套完整的復古值班室視覺：綠色牆裙、格紋地板、三維標牌、物品欄、聲音開關和常駐目標提示都已經進入成品。六個物件被安排成兩路匯合的依賴鏈：A 保險絲恢復 B 配電箱供電，C 門禁卡與供電狀態共同解鎖 D 終端，隨後才能進入第三個房間取得 E 鑰匙並打開 F 出口。GPT 6.1 Sol 構建的 3D 密室逃脫遊戲體驗過程不同於 Sol，Sonnet 5.

5 採用灰色牢房和配電室風格，畫面裝飾較少，謎題鏈條依然完整。玩家需要先從床墊下取出螺絲刀，再拆通風口後拿到管理員鑰匙；鑰匙同時打開牢房門和書桌抽屜，抽屜裡的門禁卡解鎖工具櫃並取得電池，最後由“門禁卡 + 電池”共同打開出口電子門。第三個房間盡頭的光門只負責觸發結算，沒有被偷算進 6 個交互物件。Claude Sonnet 5.5 構建的 3D 密室逃脫遊戲體驗過程通過評測人員的感受來看，Sol 更像是交作業的流水賬日記，Sonnet 則明顯設置了玩密室的懸念感。Sol 的每一個步驟都被標記出來，同時，門禁卡的設計更像違揹物理規律的懸空設計。

反觀 Sonnet，鑰匙的質感和門上的鑰匙孔都展現出一種真實感。測試任務 2：最新政策調查本題專門考驗時效信息與證據紀律，行政令、國際聯合聲明、出口規則和科研安全政策混在一起，很容易把政治措辭寫成技術突破，也容易把一條搜索摘要擴寫成既成事實。請基於美國行政令 14434、《京都願景》及相關一手資料，完成一篇面向中國技術從業者的調查報告：1.說明“AI 改名 SI”在法律、技術和產業層面分別改變了什麼、沒有改變什麼；2.建立“說法—原始證據—可信度—可能誤讀”表格；3.分析它對中國 AI 企業、開源社區和科研合作可能產生的三項實際影響；4.列出五個可能出現但不準確的中文標題，並逐一糾正；5.

所有時效性事實必須附來源，不得把政策措辭當成技術突破。從運行過程來看，Sol 先寫核驗方法，再運行深度研究流程，最終交付了一份含有 14 個文件的調研報告，包括正式報告、來源與核驗記錄、方法說明、5 份官方原始文件、4 份輔助提取文本和一份 SHA-256 校驗清單。5 份原件合計約 60 萬字節，下載結果經過哈希校驗，還把 5 組核心結論分別交給 3 路核驗，共留下 15 份判斷，再對整篇報告做一次審查和修訂。整體來看，整個工作非常細緻，而且嚴格遵循需求完成全部任務。GPT 6.1 Sol 任務運行過程截圖GPT 6.1 Sol 任務執行結束後的交付說明截圖與 GPT 6.

1 Sol 不同的是，Claude Sonnet 5.5 僅在 5 分 11 秒內完成 172 行、約 2.3 萬字節的報告，過程共調用工具 32 次。正文結構完整，同樣給出 12 條核驗表、三項中國影響、五個誤導標題，並列出 4 個值得繼續追蹤的日期，同時，還抓住了白宮與中方文本對“是否同意改名”的表述差異，這個角度極具有價值。Claude Sonnet 5.5 任務執行結束後的交付說明截圖從測試人員體驗來看，Sonnet 更像在快速繪製一張新聞地圖，而 Sol 則更努力地在修補邊界，確保數據真實性。

整體來說，高時效新聞需要迅速建立議題地圖時，Sonnet 更容易搶到第一版；涉及法律邊界、對華政策和可追責引用時，Sol 的證據包更接近可供複核的底稿。測試任務 3: 諾獎化學科普請閱讀諾貝爾獎官方 2026 年化學獎的公告及科普材料（材料需要自行獲取），完成以下交付：1.用普通讀者能理解的方式解釋手性、對映異構體、非線性效應和不對稱自催化2.解釋 Kagan 與 Soai 的貢獻分別解決了哪一步問題，不能混為一談3.製作一個單文件 HTML 互動演示，展示微小初始偏差如何在自催化過程中被放大4.明確說明互動演示是教學模型，而非對 Soai 反應的精確動力學復現5.

輸出一份五頁演示文稿提綱，並核查所有數字、年份和藥物相關表述。該題要求模型同時扮演科學編輯、前端開發者和事實核查員。最難的部分在於保持三層內容分離：獲獎事實來自官方材料，化學解釋要對普通人友好，互動網頁只能展示機制直覺，不能冒充 Soai 反應的精確動力學。從結果來看，Sol 交付了包含 42 個文件的結果，包括 7 份文檔、1 個互動頁面、五頁演示提綱和 3 個驗證腳本。這個是模型經過多輪反覆執行後留下的文件存量，19 條抓取記錄中，13 份來源文件成功歸檔並完成大小和哈希校驗，核心來源覆蓋諾獎公告、科普材料、科學背景和 FDA 文件。GPT 6.

1 Sol 互動演示界面錄屏從交付文件來看，Sol 對細節處理極為上心，尤其體現在多處細節，例如 Sol 明確區分了 R/S 絕對構型、旋光方向和 D/L 等命名，同時，將時間線拆成 Frank 1953、Kagan 1986、Soai 1990、1995 與 2003 五個節點，避免把理論、非線性傳遞、自催化和微小偏差放大揉成一次發現。接下來看看 Sonnet 5.5 的表現：Sonnet 的交付則更顯緊湊，通俗講解、互動網頁、五頁提綱、事實核查表和 README 共 5 個文件。

其中，互動頁設計了“一批反應”、“多批接力”和“隨機選邊”三種模式，用戶能調節初始 ee、互相抑制強度和催化選擇性。把互相抑制強度調到 0，放大隨之消失；隨機模式一次可跑 60 次，讓讀者直接看到微小漲落如何決定最終方向。Claude Sonnet 5.5 互動演示界面錄屏兩款模型都正確區分了 Kagan、Soai 與教學模型，但優勢落在不同環節。

從科學解釋角度來看，Sol 更強調概念邊界、歷史節點和藥物案例糾偏，Sonnet 則關注事實核查等方面；從信息來源覆蓋面看，Sol 更關注諾獎與 FDA 一手資料，Sonnet 則關注科學背景文檔，同時只獲取了部分網頁摘要數據作為材料等總體來說，Sonnet 的互動設計和數值自檢更豐富；Sol 的來源歸檔、FDA 原件糾偏和真實瀏覽器驗證形成了更完整的發佈閉環。前者適合快速做出會講故事、可繼續迭代的科普原型，後者適合需要復現記錄和驗收憑據的正式發佈。02同價不同賬單：速度、成本為何三次反轉？從定位看，兩款模型原本就處在相近的產品區間。OpenAI 將 GPT 6.

1 Sol 定義為“以更低成本提供接近 Astra 的複雜工作性能”，重點場景包括複雜編碼、計算機操作和專業工作，官方頁面給出的上下文窗口為 105 萬 token，最大輸出 12.8 萬 token。Anthropic 則將 Claude Sonnet 5.5 定位為比 Opus 5.5 更快、成本更低的模型，主要面向日常任務、修復 Bug，以及文檔、幻燈片、表格和設計工作。AA 榜單顯示兩款模型都處在頭部區間兩個模型執行任務的時間支出如下圖所示，密室開發中，GPT 6.1 Sol 用時 33 分 37 秒，Claude Sonnet 5.5 用時 74 分 32 秒，後者約為前者的 2.

2 倍；到了政策調查，Sonnet 只用了 5 分 11 秒，Sol 則用了 54 分 50 秒，耗時約為 Sonnet 的 10.6 倍。最後，化學任務裡 Sol 65 分 41 秒、Sonnet 12 分 54 秒，賬面相差約 5.1 倍。兩個模型在三個測試任務上的終端時間統計對比圖通過分析發現，時間差來自兩款模型不同的行動路徑。密室開發裡，Sol 更快完成了實現和真實通關；Sonnet 在 Playwright 版本、瀏覽器依賴和低幀率環境上多次返工，自動走查拉長了整個回合。

政策調查和化學任務中恰好反過來，Sonnet 快速完成檢索和報告框架，Sol 將更多時間投入原件歸檔、哈希校驗、多路核驗與全文審查。前者優先形成可繼續編輯的初稿，後者把可追溯性也納入了交付範圍。這也說明，Agent 的牆鍾時間同時受到模型策略、工具可用性、環境故障和驗收深度影響，很難被壓縮成一個固定的“速度排名”。最後，從使用成本來看，OpenRouter 上兩者 API 價格一致：輸入每百萬 token 2 美元，輸出 10 美元，緩存寫入 2.5 美元。如下圖三個任務的計費面板顯示，GPT 6.1 Sol 總計花費 38.5 美元，Claude Sonnet 5.5 為 10.

9 美元，前者約為後者的 3.53 倍。兩個模型在三次任務上的開支彙總統計標價相同，總賬單仍然相差 3.5 倍，主要原因來自 Agent 的行動路徑。Sol 在政策調查裡啟動多路核驗，在化學任務裡保存大量原件並跑真實瀏覽器，在密室開發裡反覆重走全流程；更多工具調用、更長上下文和更多修復輪次都會進入賬單。Sonnet 更常選擇最短可交付路徑，政策題尤其明顯。03下一站，誰能把任務交到終點？這輪實測折射出一個明顯的變化：前沿大模型正在從內容生成器進入任務執行系統，模型搜索資料、讀取原件、編寫程序、調用瀏覽器、修復錯誤並整理交付物。

衡量模型的尺度也隨之擴展，答案質量仍然重要，過程能否複核、失敗是否可見、成本是否可控，同樣決定它能不能進入真實工作。從產業分層來看，Sol 和 Sonnet 代表兩個公司的中段模型，正在成為企業 AI 系統的默認工作層：旗艦模型探索能力上限，小模型處理高頻簡單任務，中段模型承接數量最多的複雜生產任務。企業真正購買的是穩定、可驗證且成本可預測的任務成功，Token 單價只是其中一項成本。GPT 6.1 Sol 展示了其承擔“研究工程”和“質量保證”工作的潛力，把原始材料、哈希、測試腳本、瀏覽器日誌和失敗記錄一起交付，也會為高風險結論增加複核層。

這種能力提高了複雜任務的自主執行上限，讓模型從產出內容繼續向驗證內容延伸。同時，相應代價是更長的行動鏈和更高的資源消耗：本輪總花費 38.5 美元，政策題接近一小時，多路審查也無法天然增加獨立證據。Claude Sonnet 5.5 則展示了另一條同樣重要的發展路線：把較強的推理和製作能力壓進更短、更便宜的執行路徑，快速搭出完整報告和可交付的科學演示，主動聲明原件缺失、瀏覽器未驗證等邊界。此外，10.9 美元的總成本約為 Sol 的 28%，已經落在更容易用於日常工作的成本區間。但是，侷限同樣存在：短路徑有時會停在可用原型，視覺驗收和外圍信源仍需人工處理。兩款模型帶來的改變因此落在不同方向。

Sol 展現了“模型可以自行驗證到什麼程度”；Sonnet 5.5 則降低了高質量 Agent 進入高頻任務的時間和價格門檻。簡單來說，Sonnet 5.5 更適合作為高性能“日常主力”模型，其綜合得分、編碼任務和生成速度更優；6.1 Sol 則適合作為單位任務的深度 Agent，適合精細化打磨具體任務細節。在未來工作中，不同模型可以在同一條工作流中負責不同分工，由快速模型探索和成稿，再由審慎模型檢查關鍵事實與運行路徑。更深一層看，AI 競爭正在從模型的單點能力擴展為整套系統能力，模型影響推理上限，工具和運行環境決定它能執行哪些動作，驗證機制影響結果的可信度，停止策略則影響時間與賬單。

三道題中不斷反轉的速度和質量優勢說明，單一 Benchmark 很難覆蓋這些變量，Agent 的真實表現來自模型、工具鏈、任務設計與驗收標準的共同作用。AI 正在越過“給出一個好答案”的階段，開始承擔從理解問題到交付結果的連續過程。▼推薦閱讀▼WorkBuddy、豆包工作、千問辦公實測：AI 把活幹完了，為什麼你更累了？2026-09-18Seedance 2.5 vs 可靈 3.0：一個更會拍，一個更會出片2026-09-11