AI 日报：GPT-6.1 Sol、Sonnet 5.5 与智能体工具链更新

Latent Space1 天前

概览

10 月 1—2 日，AI 社区整体较为平静，但仍有几条值得关注的技术动态：新模型继续围绕成本与性能展开竞争，智能体工具链持续扩展，决策模型和本地推理生态出现新进展，研究侧则聚焦多工具环境下的智能体训练与强化学习效率。

模型：GPT-6.1 Sol 与 Sonnet 5.5 的成本—性能竞争

GPT-6.1 Sol 定价与定位

OpenAI 的 GPT-6.1 Sol 被定位为更便宜、更快的模型。其价格为：

输入：每百万 token 2 美元
输出：每百万 token 10 美元

相比之下，GPT-6 Astra 的价格为每百万输入 / 输出 token 10 / 50 美元。

社区转述的评测结果显示，Sol 在部分基准中表现较强：

在 DeepSWE v1.1 上，据称比 GPT-6 Sol 高 6.4 分；
在 AutomationBench 上，据称比 Opus 5.5 高 2.2 分；
OpenAI 员工将其描述为“好、便宜且快”。

另有开发者反馈称，Sol 很偏好使用 codemode，这与 GPT 系列模型接受相关训练的说法相吻合。

Agent Arena 排名

在 Agent Arena 中：

Sol [Max] 进入第 5 名，成绩为 +11.23%；
每个任务的中位成本为 0.56 美元；
相比 GPT-6 Sol，成本低 39%，分数高 1.52；
相比 GPT-6 Astra，成本低 81%，分数差距在 1.04 分以内。

Sonnet 5.5 [Max] 则以 +12.5% 的成绩进入第 3 名，并在 Chat 类别排名第 1。不过其每任务成本为 2.74 美元，高于排名第 2 的 Opus 5.5 的 1.58 美元，因此未进入帕累托前沿。

目前 Anthropic 模型占据 Agent Arena 前三名。

Code Arena 与 Text Arena

在 WebDev 排名中，Sol 曾短暂进入第 3 名，随后被 Sonnet 5.5 挤到第 4 名。

其他变化包括：

Sonnet 在 WebDev 中距离 GPT-6 Astra [Max] 约 2 分，但成本低约 80%；
Gemini 4 Argon [High] 在 Text Arena 中排名第 1；
开源模型 MiMo-V2.6-Pro 与 Flash 分别进入 Agent Arena 开源模型第 5 和第 9 名。

其他独立评测

WeirdML v3 的不完整评测显示：

Sol token 使用效率较高，接近 Astra，但峰值能力较低；
Sonnet 5.5 超过 Opus 5；
Grok 4.7 超过 Kimi-K3。

Design Arena 分析了 324 份模型“思考摘要”，发现：

Astra 的模糊表述频率约为 Opus 5.5 的 20 倍；
Opus 在约五分之四的摘要中较早给出明确判断。

StepFun 的 Step 5 Preview 在 Vals 中位列开源权重模型第 7，每任务成本为 2.54 美元，平均每个任务耗时接近两小时，支持 100 万 token 上下文窗口。

未确认传闻

社区中还出现两条未确认消息：

Claude Fable 5.5 可能在下周发布，并据称超过因安全问题推迟的 “Astra 6.1”；发布者明确表示无法验证这些说法；
有人发现 “GPT-6 Astra Lite” 条目，并猜测其可能与 Sol 是同一模型。

决策模型与本地推理生态

llama.cpp 新增 /v1/systemone 端点，用于本地运行类似 Jev 的决策模型推理。

智能体、助手与开发者工具

OpenAI dot

Sam Altman 表示，dot 是他最喜欢的 OpenAI 产品，并称它会随着学习个人工作流而持续改进。

dot 的能力包括：

跨应用保留上下文；
协调 Codex 任务；
标记需要用户关注的事项。

社区中也有人将其与 Grokbot 的多智能体“幕僚长”模式比较，还有开发者用树莓派、Telegram 网关和任意模型自制类似方案。

Meta Muse 硬件生态

Meta 开源了用于 Muse 硬件的 ESP32 固件和 Linux SDK，方便开发者构建兼容 Muse 的设备。

Meta 还制作了 5,000 台 Muse Home Link 智能家居桥接设备，面向订阅用户限量免费提供。

智能体运行框架扩展

DeepSeek Harness 发布了 macOS 与 Windows 桌面版本，Linux 用户可通过 npm 安装 @deepseek-ai/dsh。

Claude Code 生态中，Mods 被定义为带有中间件式钩子的插件。新的 “You should know” 插件会启动一个侧边智能体，提醒用户可能错过的重要输出。

Pi 方面，其运行能力扩展到 Cloudflare Durable Objects，并通过 agents SDK v0.26.0 支持相关部署，同时 Pi v1.0 也已发布。

T3 Code 重写

T3 Code 用户数已超过 40 万。其历时 4 个月的重写 PR 已合并，包含：

823 次提交；
涉及 1,912 个文件。

新版本加入的能力包括：

Pi 支持；
跨提供商 delegate_task；
ACP 注册表；
线程分叉；
对话中途切换模型；
子智能体 lineage 视图；
定时任务。

平台更新

OpenAI Agents API 新增：

一次调用即可使用浏览器计算机；
Bedrock Managed Agents；
可移植环境。

同时官方声称：

turn reliability 达到 99.97%；
工具调用速度提升 20%。

Cursor Rollouts 的新能力是：当发现回归问题时，它可以定位引入问题的 PR，创建 issue，并提供一键云端智能体修复。

Cloudflare 方面：

Sandbox SDK 1.0 允许 Durable Objects 直接控制沙箱容器；
同时推出了请求 Traces 功能。

研究：智能体训练、长程控制与强化学习效率

Hugging Face 的多 harness 强化学习研究显示，同一组模型权重在不同运行框架中的表现差异可能很大：一个 harness 得分为 62%，另一个只有 33%。

研究方法是使用代理层兼容 OpenAI、Anthropic 和 Gemini API 格式，并记录采样 token ID 与 logprobs，用于训练，同时无需修改现有 harness。

结果包括：

LFM2.5-2.6B 在四个 harness 上从 42% 提升到 54%；
工具调用次数减少 31%；
基于 3,189 条 Qwen3.8-27B rollout 的监督微调在 47.5% 附近进入平台期；
训练器、数据与 7 个训练后模型均已开放。

另一项与 credit assignment 相关的工作 ProVer 使用 judge 定位轨迹中的关键片段，再通过片段前后的 rollout 估计该片段优势。其报告称，相比 GRPO：

Qwen3.5-2B 相对提升 9.91%；
Qwen3.5-4B 相对提升 7.12%。

小结

当天没有单一爆炸性新闻，但可以看到几条持续趋势：模型竞争继续向“性价比”维度倾斜，智能体工具链从封闭产品走向可扩展框架，本地决策模型生态开始成形，而研究侧正在更认真地处理多工具环境、credit assignment 和长程任务训练问题。