Indlæser kataloget…
Indlæser kataloget…
OpenAIs ræsonneringsmodel med lukkede vægte, et kontekstvindue på 1.050.000 tokens, obligatorisk ræsonneringsniveau og indbyggede leverandørdrevne værktøjer, placeret mellem GPT-6 Sol og flagskibet GPT-6 Astra.
Oversigt. GPT-6.1 Sol er en model med lukkede vægte fra OpenAI, der blev udgivet den 29. september 2026 som en opdatering af GPT-6 Sol. Den er placeret mellem denne og flagskibsmodellen GPT-6 Astra i GPT-6-serien. Den tager imod tekst og billeder som inddata og returnerer tekst. Modellen arbejder med et kontekstvindue på 1.050.000 tokens med op til 128.000 tokens per svar. Som udvikler vælger du denne model, når en opgave kræver ræsonnering på næsten flagskibsniveau over meget store mængder materiale, og du er villig til at acceptere en ræsonneringsrunde på hver forespørgsel til gengæld.
Vigtigste styrker. Målt på ræsonneringsniveauet `xhigh` opnår GPT-6.1 Sol et AA Intelligence Index på 51, MMLU-Pro 0,85, SciCode 0,56, AA-Omniscience-nøjagtighed på 0,61 og en GDPval-AA Elo på 1510. Den skiller sig især ud ved arbejde med lange kontekster: AA-LCR 0,80 mod et kontekstvindue på 1.050.000 tokens, hvoraf op til 922.000 tokens kan være inddata i prompten. Værktøjsbrugen er bred og drevet af leverandøren og dækker over `web_search`, `file_search`, `code_interpreter`, `computer_use`, `hosted_shell`, `apply_patch`, Skills, `mcp` og `tool_search`. Ræsonneringsniveauet kan konfigureres mellem `low`, `medium`, `high`, `xhigh` og `max`. Promptcaching sker automatisk, så gentagne lange præfikser caches uden brug af en cache-primitiv på klientsiden.
Anvendelsesområder. Brug GPT-6.1 Sol til forskning og dokumenttunge opgaver, der kræver ræsonnering over hundredtusindvis af tokens, hvor AA-LCR-resultatet og de indbyggede værktøjer `file_search` og `web_search` klarer indhentningen i én arbejdsgang. Den er velegnet til agentiske behandlingskæder, der kræver fejlretning i mange trin, da ræsonnering altid er slået til, og de leverandørdrevne værktøjer håndterer kodegenerering, browserlignende handlinger og eksterne værktøjsservere. Da der ikke findes en tilstand uden ræsonnering, og den gennemsnitlige hastighed for uddata er omkring 63 tokens per sekund, passer den bedst til interaktivt arbejde med forespørgsel og svar frem for svartidskritiske stier med høj gennemstrømning.
Begrænsninger. Ræsonnering er obligatorisk: ræsonneringsniveauet accepterer `low` til `max`, men `none` og `minimal` understøttes ikke, så der findes ingen hurtig vej uden ræsonnering. Desuden afvises `temperature` og `top_p` helt, hvilket fjerner muligheden for at styre samplingen. Værktøjskald er kun tilgængelige via Responses-API'et, så den samme model betjent over Chat Completions kan ikke kalde værktøjer. Fine-tuning understøttes ikke, træningsdataene slutter den 30. april 2026, og uddata er kun tekst uden mulighed for lyd som inddata eller tale som uddata.
Bemærkning om suverænitet. GPT-6.1 Sol er bygget af OpenAI, en amerikansk modelskaber, så den direkte rute er underlagt CLOUD Act. Standardbehandling understøtter dataplacering i både USA og EU, hvilket Fast-tilstand dog ikke gør. OpenAI oplyser, at data sendt til deres API ikke bruges til ingen træning på dine data, medmindre kunden udtrykkeligt tilmelder sig. De tilbyder ingen dataopbevaring (ZDR) og modificeret overvågning af misbrug til godkendte kunder; ellers opbevares logfiler til overvågning af misbrug i op til 30 dage. Dataplacering i EU kræver desuden godkendelse af kontrollerne til overvågning af misbrug. Ud fra de tilgængelige beviser er det ikke en suveræn løsning.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L0 | 1,81 / 9,07€+9 betingede priser | Online |
20 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Værktøjskald og udvidet ræsonnering er standardprofilen for agenter til redigering af kodebaser, der læser, retter og kører test i en løkke. Størrelse, kontekstvindue og benchmarks for kodegenerering er ikke oplyst, så rangering mod konkurrenter med kendte scorer er ikke mulig.
Værktøjskald er en indbygget egenskab, hvilket er kernekravet for struktureret funktionskald i applikations-backends. Udvidet ræsonnering forbedrer opbygningen af argumenter og fejlhåndtering ved misformaterede kald.
Udvidet ræsonnering er målrettet netop denne type opgaver: nedbrydning i flere trin før svar. Understøttelse af værktøjskald gør det muligt at udføre planen frem for blot at beskrive den.
Eksplicit værktøjskald plus udvidet ræsonnering er præcis den kombination, agentisk orkestrering afhænger af – planlægning over værktøjsgrafer med et bevidst ræsonneringstrin. Intet oplyst kontekstvindue betyder, at meget lange historikker med værktøjsspor ikke er verificeret.
Værktøjskald understøtter handlingslaget (klik, navigering, udfyldning af formularer), og udvidet ræsonnering hjælper med at håndtere ændringer i sidens tilstand. Der er ikke oplyst nogen egenskaber for billedforståelse, så browsing baseret på screenshots ville kræve en ekstern parser.
Værktøjskald muliggør CRM- og ordreopslag direkte i samtalen. Udvidet ræsonnering øger svartiden, hvilket er en omkostning i realtidssupport; der er ingen benchmark-beviser for dialogkvaliteten.
Kompetent til tildeling af labels med ræsonneringsspor i tvivlstilfælde, selvom udvidet ræsonnering øger svartiden og prisen sammenlignet med en dedikeret klassifikator. Ingen offentliggjorte klassifikationsscorer.
Udvidet ræsonnering passer godt til trinvis gennemgang af kode. Kontekstvinduet er ikke angivet, så forklaringer af hele kodebaser er ikke verificeret.
Udvidet ræsonnering er velegnet til fejlfinding og konsistenstjek på tværs af filer; værktøjskald gør det muligt at hente omkringliggende kode. Der er ikke offentliggjort nogen SWE-Bench eller lignende score for denne variant.
Modeller med fokus på ræsonnering håndterer struktur og sammenhæng i argumentationen godt over lange uddata. Da der ikke er offentliggjort benchmarks for kontekstvindue eller skrivekvalitet, kan der ikke gives garantier.
Ingen egenskaber for billedforståelse eller billeder som inddata er oplyst, hvilket OCR og udtræk af sidelayout kræver. Brug en model med billedforståelse eller en dedikeret OCR-model.
Billedforståelse er ikke blandt de oplyste egenskaber (kun værktøjskald og udvidet ræsonnering). QA baseret på billeder understøttes ikke.
Ingen understøttelse af lyd eller egenskaber for speaker-embedding. Ligger helt uden for denne models oplyste anvendelsesområde.
Ingen egenskaber for lyduddata er oplyst. TTS kræver en dedikeret model til talesyntese.
Ingen egenskaber for lyd som inddata er oplyst – profilen indeholder kun værktøjskald og udvidet ræsonnering. Tale til tekst kræver en dedikeret ASR-model.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "openai/gpt-6.1-sol",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på