GPT-5.6 Sol：从看懂图到干视觉活

最新的视觉大模型测试结果显示，GPT-5.6系列的Sol版本，堪称当前表现最出色的通用视觉AI之一。

近期，第三方视觉评测机构针对GPT-5.6全系列机型展开了基准测试，测试覆盖了实际落地中最常见的视觉任务：目标识别、物体计数、文字提取以及精准信息抽取。

在核心的目标检测任务中，上一代GPT-5.5仅获得13.8分，这个成绩在视觉模型领域几乎等同于未完成任务；而本次测试的Sol版本直接拿到46.2分，提升幅度超过三倍。同系列的Terra和Luna版本也表现亮眼，得分分别为44.7和43.3；其中定位入门级的Luna，即便成本更低，其检测成绩也远超上一代的旗舰机型。

负责本次测试的机构相关负责人评价称，GPT-5.6 Sol是OpenAI推出以来表现最出色的视觉模型。

物体计数任务的表现同样实现了提升：Sol的识别准确率从GPT-5.5的64.9%提升至73%，Terra和Luna的准确率也分别达到67.6%和66.2%。

具体来看，GPT-5.6系列的核心优势体现在多个实际场景中：

首先是文档版面识别能力表现突出，无论是文档标题、正文段落、表格、插图还是手写签名，Sol都能精准地框选对应区域。对于合同、发票、报表处理这类办公场景来说，这一点至关重要——几乎所有自动化文档处理流程的第一步，都是先定位需要提取信息的板块，再进行后续的文字识别工作。

即便是物体密集的场景，GPT-5.6也能稳定完成任务。比如药片、鸡蛋这类数十个同类物体堆叠的图片，一直是视觉大模型的传统难点：这类场景中，模型需要逐个生成物体的坐标框，物体越多，输出的坐标序列越长，出现漏检、重复框选或者坐标偏移的概率就越高。

更具挑战性的测试中，比如要求模型统计靶纸上指定环数区域内的弹孔数量，Sol也能准确完成任务——它不仅能明确需要统计的目标，还能精准理解规则限定的区域范围，这类精准的空间理解能力是实打实的进步。

不过，GPT-5.6也并非完美，其文字识别能力反而出现了小幅退步：

在整段文字转写任务中，Sol的准确率为90.7%，仅比GPT-5.5的91.2%略低0.5个百分点，差距并不明显；但在定向信息提取任务中，比如从发票中提取指定的日期信息，Sol的准确率仅为82.5%，相比GPT-5.5的87.6%下降了5个百分点。

这并非代表Sol完全无法识别文字：它可以准确转写手写笔记，也能从复杂场景中提取指定的日期信息，甚至能读取脏污轮胎弧面上的印刷尺寸编号，还能按照指定格式提取冰球比赛直播画面中的实时比分。但在面对药板上的有效期文字时，Sol出现了识别失误——这类文字尺寸极小、竖排排列、对比度低且带有反光，成为了它的识别难点。

这种反差也让人颇为意外：一个能精准理解体育直播画面的模型，却在处理日常药品包装上的细节文字时出现了失误。

此外，Sol也存在明显的稳定性问题：在部分高分辨率图片中，模型生成的检测框会偏移到与目标物体无关的区域，和真实物体几乎没有重叠，而且这些错误的框往往排列得异常整齐，比如呈一条直线或者均匀分布。

当测试机构将这类异常样例反馈给OpenAI后，官方给出的解释是：当输入图片的尺寸达到2000×2000像素及以上时，Sol的表现会变得不稳定，且推理档位越低，这种不稳定的情况越明显。

针对这个问题，有两种临时解决方案：一是调高推理档位，虽然能提升稳定性，但会增加Token消耗、推理延迟和使用成本；二是更简单实用的方法：在调用API之前，先将图片尺寸缩小或者裁剪，就能有效避免这类问题。

从使用成本和速度来看，测试机构实测的数据显示：Sol单张图片处理成本约2.5美分，耗时约10秒；Terra约1美分/张，耗时6秒；入门级的Luna成本不到0.5美分，耗时仅5秒。

而竞品Gemini 3.5 Flash的单张处理成本仅0.8美分，比Sol低约三分之二，且在本次基准测试的检测和计数任务中表现依然领先，因此在高频批量的视觉检测任务中，Gemini Flash依然是性价比最高的选择。

总的来说，GPT-5.6 Sol最让人惊喜的突破在于，其视觉能力已经从单纯的“看懂图片”进阶到了“真正完成视觉业务工作”的阶段。目标定位、框选、计数、空间关系理解、文档版面拆分——这类过去专属专用视觉模型的任务场景，正在被通用大模型逐步覆盖。

视觉大模型的竞争已经进入下半场：不再是“能不能看懂图片”，而是“干活的精准度够不够高”。GPT-5.6系列已经展示了强大的视觉能力，但通用大模型在视觉领域的性价比竞争，才刚刚拉开序幕。