GPT-5.6 Sol暴涨3倍，OpenAI最强视觉AI登顶！

  新智元报道  

什么？！

GPT-5.6 Sol，竟是隐藏的「视觉大师」。

最近，第三方视觉评测机构Roboflow，把GPT-5.6 「全家桶」拖进自家VLM基准跑了一圈。

测试的内容，都是最实在的活儿：找东西、数东西、认字、抽信息。

仅在目标检测这项，上一代GPT-5.5只拿到13.8分。这个分数，在视觉模型圈里基本等于交白卷。

这次Sol冲到了46.2，三倍还多。

Roboflow项目负责人SkalskiP直言，「GPT-5.6 Sol是OpenAI有史以来最强的视觉模型」！

一直以来，目标检测是GPT系列的重灾区。任务很简单：就是让模型在图上把每个东西框出来。

上一代GPT-5.5的表现，基本等于「知道图里有东西，但框哪儿全靠蒙」。

GPT-5.6 Sol分数，直接飙涨至46.2，三倍多。

更有意思的是，Terra和Luna也紧跟在后面，44.7和43.3。

值得一提的是，Luna是这一代里最便宜的那档，它的检测分照样把上一代旗舰按在地上摩擦。

在计数方面，分数同样在涨。

Sol的准确率从GPT-5.5的64.9%升到73%，Terra和Luna分别是67.6%和66.2%。

那么，GPT-5.6具体强在哪？

文档版面识别最亮眼，标题、正文、表格、插图、签名，Sol都能干净地圈出来。

这件事对做合同、发票、报表处理的人来说不是小事：几乎所有文档流水线的第一步，都是先找到「该看哪一块」，再去认字。

就连密集场景，GPT-5.6也扛住了。

药片、鸡蛋这类几十个同款物体挤在一起的图，是VLM的传统翻车现场。

因为大模型画框，是一个坐标一个坐标地把数字打出来，东西越多，输出越长，漏掉、重复、坐标写飞的概率就越高。

甚至还有更刁的：一张靶纸，只让它数落在指定环数区域里的弹孔。

Sol直接做对了，它不仅知道要数什么，还知道规则管到哪儿为止。

不得不说，这一块的进步是实打实的。

最反常识的一段在这儿：Sol的认字能力，是退步的。

OCR整段转写，Sol拿90.7%，比GPT-5.5的91.2%低了半个点，差别不大。

但「定向提取」这一项，不要全文，只要那一条信息，比如把发票上的日期揪出来，Sol只拿下了82.5%，GPT-5.5 是87.6%，掉了5个点。

它不是不认字。手写笔记它能整段转写，也能准确挑出日期，脏轮胎弧面上印的尺寸编号它读得出来。

还有，冰球比赛直播画面里的实时比分，它能按你指定的格式吐出来。

翻车的是药板上那行有效期：字小、竖排、低对比度、还有反光。

左右滑动查看

一个能读懂比赛转播画面的模型，却读不出你手里那盒药什么时候过期。

在部分图片上，Sol返回的检测框会飘到画面里毫不相干的地方。

跟真实物体几乎零重叠，而且这些框往往排得异常整齐：一条直线，或者均匀分布的一组。

Roboflow把这些样例发给了OpenAI。对方的回复很干脆：Sol在图片尺寸达到2000×2000像素左右或更大时，会变得不稳定，推理档位调得越低，越不稳定。

解法有两个。一是调高推理档位，稳是稳了，但Token用量、延迟、账单全跟着涨。

二是最土也最有效的那个：在发给API之前，先把图缩小或者裁一刀。

再来看整个账单，Roboflow实测下来的成本和速度：

而Gemini 3.5 Flash每张0.8美分，比Sol便宜三分之二，检测和计数在这套基准上还继续领先。

面对高频、大批量的检测计数任务，Gemini Flash仍是「性价比之王」。

所以，GPT-5.6 Sol这次真正让人意外的，是视觉能力正在从「看懂一张图」，跨进「真正干视觉的活」。

找目标、画框、计数、理解空间关系、拆文档版面。

这些过去更像是专用视觉模型的地盘，如今正在被大模型一点点吃掉。

视觉大模型的下半场，已经从「能不能看懂」卷向了「干活准不准」。

GPT-5.6亮出了肌肉，但性价比的战争，才刚刚开始。

参考资料：

https://blog.roboflow.com/openai-gpt-5-6/ 

https://x.com/josephofiowa/status/2089430540864909719?s=20

编辑：桃子