GPT-5.6 Sol性能暴涨3倍成OpenAI最强视觉AI

什么情况？！

GPT-5.6 Sol，竟然是一直被低估的「视觉大师」。

最近，第三方视觉评测机构Roboflow，把GPT-5.6「全家桶」放进自家的VLM基准测试里完整跑了一遍。

测试项目都很接地气，基本就是视觉模型最常见也最实用的任务：目标检测、物体计数、OCR识别、信息抽取。

仅看目标检测这一项，上一代GPT-5.5只拿到13.8分。这个成绩在视觉模型领域里，几乎等于没交出像样答卷。

而这次Sol直接冲到了46.2，涨幅超过三倍。

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

GPT-5.6「超大杯」

OpenAI最强视觉AI

长期以来，目标检测一直是GPT系列在视觉能力上的短板。任务本身并不复杂：让模型在图片中把每个目标准确框出来。

上一代GPT-5.5的表现，大致就是「知道画面里有东西，但具体框在哪里基本靠猜」。

这一次，GPT-5.6 Sol的检测分数直接飙升到46.2，提升超过三倍。

更值得注意的是，Terra和Luna也紧随其后，分别达到44.7和43.3。

尤其是Luna，作为这一代里价格最低的版本，目标检测成绩依然明显压过上一代旗舰模型。

在物体计数方面，整体分数也同步上涨。

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

那么，GPT-5.6的视觉能力到底强在哪？

最亮眼的一项，是文档版面识别。标题、正文、表格、插图、签名等区域，Sol都能相对干净、准确地标注出来。

这对合同处理、票据识别、报表分析等场景意义很大，因为几乎所有文档自动化流程的第一步，都是先定位「该看哪一块」，然后再进行文字识别与信息提取。

即使面对密集场景，GPT-5.6也顶住了压力。

像药片、鸡蛋这类几十个同类物体挤在一起的图片，向来是VLM最容易翻车的典型场景。

原因在于，大模型输出检测框时，本质上是一个坐标一个坐标地生成数字。目标越多，输出越长，漏检、重复、坐标偏移的概率也就越高。

甚至还有更高难度的测试：给一张靶纸，只要求它统计落在指定环数区域内的弹孔数量。

Sol直接答对了，它不仅知道该数什么，还能理解规则的边界到底在哪里。

不得不说，这部分能力的提升是非常扎实的。

全能？不存在的

最出人意料的一点也在这里：Sol的OCR识字能力，反而出现了退步。

在OCR整段转写任务中，Sol拿到90.7%，比GPT-5.5的91.2%低了0.5个百分点，差距并不算大。

不过，在“定向提取”这类任务上，问题就更明显了。它不是要求转写全文，而是只抽取某一条关键信息，比如从票据中提取日期。这个项目里，Sol只有82.5%，而GPT-5.5是87.6%，下降了5个百分点。

这并不意味着它不会认字。手写笔记它可以整段转写，也能准确找出日期；脏轮胎弧面上印着的尺寸编号，它同样能读出来。

此外，像冰球比赛直播画面中的实时比分，它也能按照指定格式准确输出。

真正翻车的，是药板上那一行有效期：字体小、竖排、低对比度，而且还有明显反光。

一个能读懂体育转播画面的模型，却未必能准确读出你手里那盒药的过期时间。

OpenAI承认了

图一大框就飘

在部分图片中，Sol返回的检测框会漂移到画面里毫不相关的位置。

这些框与真实物体几乎没有重叠，而且往往排列得异常整齐：要么是一条直线，要么是一组均匀分布的框。

Roboflow把这些案例反馈给了OpenAI，对方也给出明确回复：当图片尺寸达到约2000×2000像素或更大时，Sol会变得不稳定，而且推理档位越低，这种不稳定现象越明显。

目前解决方法有两个。第一种是提高推理档位，稳定性确实会更好，但Token消耗、响应延迟和整体成本也会同步上升。

第二种则是最朴素但也最有效的办法：在把图片发送给API之前，先进行缩小或裁剪处理。

再看整体成本，Roboflow实测给出的价格和速度如下：

Sol：约2.5美分/张，约10秒；Terra：约1美分/张，约6秒；Luna：不到0.5美分/张，约5秒

而Gemini 3.5 Flash每张约0.8美分，比Sol便宜约三分之二，在这套基准测试里的目标检测和物体计数表现也依然领先。

对于高频、大批量的检测和计数任务来说，Gemini Flash仍然是当前更突出的「性价比之王」。

所以，GPT-5.6 Sol这次真正让人惊讶的地方在于，它的视觉能力正在从「看懂一张图」，迈向「真正完成视觉任务」。

无论是目标检测、画框、物体计数、空间关系理解，还是文档版面分析，

这些过去更像是专用计算机视觉模型主场的能力，如今正在被通用大模型一步步蚕食。

视觉大模型的下半场竞争，已经从「能不能看懂」，转向了「干活准不准、成本划不划算」。

GPT-5.6已经秀出了肌肉，但围绕性能、价格与效率的战争，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

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：GPT-5.6 Sol性能暴涨3倍成OpenAI最强视觉AI要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题