DeepSeek V4.1 Flash 浏览器操作评测:在 72 项网页任务中对比 GPT-6.1 Sol

22 分钟阅读
蓝色背景上的两个橙色柑橘形状与绿叶,用于 DeepSeek V4.1 Flash 与 GPT-6.1 Sol 的对比

对于需要跨多个网站工作的代理,我们会选择 GPT-6.1 Sol;对于单个网页应用内的工作流,我们会选择 DeepSeek V4.1 Flash。每个模型都在 ego-browser 中将我们的 72 项任务各运行两次,因此每个模型进行了 144 次尝试。GPT-6.1 Sol 在 144 次尝试中通过 121 次(84.0%),DeepSeek V4.1 Flash 通过 82 次(56.9%)。在两个模型每次尝试均通过的 29 项任务上,GPT-6.1 Sol 平均每项耗时 219.7 秒、费用 $0.310,DeepSeek V4.1 Flash 则为 321.7 秒、$0.047。

阅读运行记录后,我们发现两个模型的工作方式不同。GPT-6.1 Sol 经常用一条命令处理多个网站,而 DeepSeek V4.1 Flash 一次处理一个页面,并持续查找。在需要从 8 个或更多网站收集相同字段的任务中,DeepSeek V4.1 Flash 有 23 次尝试用尽了全部 100 步。在我们的测试应用中,工作在单个网页应用内完成,它的通过率和速度接近 GPT-6.1 Sol,费用约为后者的六分之一。

每个模型也都有需要提前应对的弱点。GPT-6.1 Sol 有时会过早停止查找:在 3 项任务中,它两次尝试都失败,而持续查找的 DeepSeek V4.1 Flash 两次都通过。DeepSeek V4.1 Flash 虽然给出的答案更少,错误答案却更多:它的 144 次尝试中有 34 次以错误答案结束,GPT-6.1 Sol 则有 23 次。

成功率、速度与费用

GPT-6.1 Sol 在成功率和速度上领先,DeepSeek V4.1 Flash 的费用约为它的 15%。我们在两个模型每次尝试均通过的 29 项任务上比较耗时和费用,因此双方的这些数据均不包含失败尝试。全部 72 项任务的结果行则包含失败的尝试。

指标GPT-6.1 SolDeepSeek V4.1 Flash
成功率,全部 72 项任务84.0%(144 次尝试中通过 121 次)56.9%(144 次尝试中通过 82 次)
每项任务耗时,双方每次均通过的 29 项任务219.7 s321.7 s
每项任务耗时,全部 72 项任务321.6 s511.4 s
每项任务费用,双方每次均通过的 29 项任务$0.310$0.047
每项任务费用,全部 72 项任务$0.483$0.071
每次成功尝试的费用,全部 72 项任务$0.575$0.124
每项任务的工具调用次数,全部 72 项任务34.661.6

测试运行于 2026 年 11 月 7 日,两个模型均使用 ego-browser。每个模型对每项任务各运行两次。耗时包含等待各模型 API 响应的时间。

DeepSeek V4.1 Flash 费用较低,是因为它的定价更低,而非工作量更少。它平均每项任务调用工具 61.6 次,GPT-6.1 Sol 则为 34.6 次。即使按每次成功尝试计算,DeepSeek V4.1 Flash 的费用也是 $0.124,GPT-6.1 Sol 为 $0.575。

成功率的差距主要来自一类工作。在需要从 8 个或更多网站收集相同字段的任务中,GPT-6.1 Sol 在 64 次尝试中通过 51 次,DeepSeek V4.1 Flash 通过 21 次。在网页应用工作流中,两个模型在 30 次尝试中分别通过 29 次和 28 次。

工作类型任务数GPT-6.1 SolDeepSeek V4.1 Flash
网页应用工作流1596.7% (29/30)93.3% (28/30)
在少量网站上搜索与比较893.8% (15/16)81.3% (13/16)
研究与综合分析1266.7% (16/24)62.5% (15/24)
将 X 帖子与其他来源交叉核对5100% (10/10)50.0% (5/10)
从 8 个或更多网站收集相同字段3279.7% (51/64)32.8% (21/64)
全部任务7284.0% (121/144)56.9% (82/144)

每项任务尝试两次,成功率是其中通过的尝试所占的比例。

在网页应用工作流中,两个模型的通过率几乎没有差别,因此费用成为区分它们的因素。在跨多个网站的任务中,GPT-6.1 Sol 的通过次数多得多。

GPT-6.1 Sol 如何工作

GPT-6.1 Sol 经常用一条命令处理多个网站。当任务涉及多个网站时,它会将这些网站保持在不同标签页中,并在每条 ego-browser 命令中推进其中多个网站的工作。两个模型收到的 ego-browser 技能文件相同,其中说明了如何在任务需要时同时保持多个标签页打开。在需要从 8 个或更多网站收集相同字段的任务中,GPT-6.1 Sol 有 56% 的浏览器命令操作了两个或更多标签页。DeepSeek V4.1 Flash 的这一比例不足 1%。

地震任务展示了这种工作方式。任务要求收集 9 家机构报告的同一场 2025 年地震的时间、震级和深度。GPT-6.1 Sol 在一条命令中读取 USGS 的事件页面,打开 EMSC 事件页面中的科学数据,打开 GFZ 的事件页面,并让第四个标签页前往 INGV。它两次尝试均通过,分别调用工具 40 次和 32 次。DeepSeek V4.1 Flash 则在单个标签页中逐一处理这 9 家机构,依次填写各机构的搜索表单,两次尝试都用尽了全部 100 步。

在我们的运行中,GPT-6.1 Sol 调用工具更少,也更早完成。在两个模型每次尝试均通过的 29 项任务中,它平均每项任务调用工具 28.6 次,DeepSeek V4.1 Flash 为 43.0 次。这些任务中有 16 项不属于网页应用任务,GPT-6.1 Sol 在其中 14 项上更快。在网页应用工作流中,它只有 3% 的浏览器命令操作了两个或更多标签页,两个模型的耗时大致相同。

GPT-6.1 Sol 的弱点是有时会过早停止查找。在 3 项任务中,它两次尝试都失败,而 DeepSeek V4.1 Flash 两次都通过。在 LiveBench 任务中,两个模型都在排行榜中查找 High 推理强度下的 GPT-5.4,却只找到了 xHigh 对应的行。调用工具 12 次后,GPT-6.1 Sol 报告页面没有显示该分数。DeepSeek V4.1 Flash 继续查找,在同一页面更下方 Insights 区域的模型选择器中找到了该分数:75.1。

前端框架任务也出现了类似情况。一次尝试中,GPT-6.1 Sol 在 Next.js 的版本发布列表中搜索“16.3.”,并报告了最上面的结果:8 月 21 日发布的 16.3.2。DeepSeek V4.1 Flash 逐页浏览了主要由 canary 构建组成的发布列表,找到了 9 月 30 日发布的 16.3.8。当 GPT-6.1 Sol 报告某个网站没有某个值,或直接采用搜索结果中的第一项时,我们会先自行核对该值,再使用答案。

DeepSeek V4.1 Flash 如何工作

DeepSeek V4.1 Flash 一次处理一个页面,并持续查找,直到找到目标信息。它平均每项任务调用工具 61.6 次,GPT-6.1 Sol 为 34.6 次。正是这种坚持,让它通过了 GPT-6.1 Sol 失败的 LiveBench 和前端框架任务。

在单个网页应用内,一次处理一个页面的方式影响不大。我们的 15 项网页应用工作流在填入了新数据的测试应用中运行,例如差旅预订应用和费用应用。DeepSeek V4.1 Flash 在其中 30 次尝试中通过 28 次,GPT-6.1 Sol 通过 29 次。在双方每次尝试均通过的 13 项工作流中,DeepSeek V4.1 Flash 平均每项耗时 173.0 秒、费用 $0.028,GPT-6.1 Sol 为 169.3 秒、$0.170。

预订符合政策的差旅就是一个典型例子。任务要求代理在差旅政策允许范围内预订往返航班、选择靠过道座位,并预订距离会场一英里以内的酒店。两个模型两次尝试均通过。DeepSeek V4.1 Flash 平均每项耗时 189.2 秒、费用 $0.033,GPT-6.1 Sol 为 199.4 秒、$0.253。

跨越 8 个或更多网站时,同样的工作方式会耗尽步骤。在这 32 项任务中,DeepSeek V4.1 Flash 在 64 次尝试中通过 21 次,GPT-6.1 Sol 通过 51 次。DeepSeek 平均每项调用工具 82.2 次,是 GPT-6.1 Sol 的 41.1 次的两倍。在 DeepSeek 用尽全部 100 步的 26 次尝试中,有 23 次发生在这类任务上。

当 DeepSeek V4.1 Flash 给出答案时,我们会将其结论与它自己列出的数据及读过的页面核对。它有 62 次尝试失败:34 次以错误答案结束,28 次没有给出答案。在这 28 次中,26 次用尽了全部 100 步,1 次因 DeepSeek API 返回服务器错误而结束。GPT-6.1 Sol 的全部 23 次失败都以错误答案结束。在旗舰手机任务的一次尝试中,DeepSeek V4.1 Flash 自己的表格列出 Galaxy S26 重 167 g,但表格下方的文字却将重 186 g 的 motorola signature 称为最轻的手机。

选择哪个模型

在 ego-browser 中,需要代理跨多个网站工作时,使用 GPT-6.1 Sol。它通过了 84.0% 的尝试,且从未用尽步骤。在需要从 8 个或更多网站收集相同字段的任务中,它在 64 次尝试中通过 51 次,也更早完成了跨多个网站的工作。

单个网页应用内的工作流,使用 DeepSeek V4.1 Flash。在我们的测试应用中,它在 30 次尝试中通过 28 次,耗时与 GPT-6.1 Sol 大致相同,费用约为后者的六分之一。对于跨 8 个或更多网站的工作,我们不会依赖它,因为它在这类任务的 64 次尝试中只通过 21 次。

少量网站的信息查询和研究任务,需要在时间与费用之间取舍。DeepSeek V4.1 Flash 在信息查询任务的 16 次尝试中通过 13 次,在研究任务的 24 次尝试中通过 15 次;GPT-6.1 Sol 分别通过 16 次中的 15 次,以及 24 次中的 16 次。这两类任务中,DeepSeek V4.1 Flash 都更便宜,也更耗时。

ego(lite) 中的 BLS CPI 查询,已选择 2023–2025 年范围并启用年度平均值
ego(lite) 中的 BLS CPI 查询,已启用年度平均值。此界面演示为本次修订提供,与 11 月 7 日的基准测试运行分开。 查看原图

无论选择哪个模型,都要核对答案中的关键值。两个模型有时都会给出看似完整、却含有错误数值的答案。我们在 ego-browser 中以高推理强度运行了两个模型。ego-browser 与 ego(lite) 一同提供,并将其作为代理的浏览器进行控制。

常见问题

DeepSeek V4.1 Flash 的浏览器操作能力与 GPT-6.1 Sol 一样好吗?

在单个网页应用内,两者接近;跨多个网站时则不然。在网页应用工作流中,DeepSeek V4.1 Flash 在 30 次尝试中通过 28 次,GPT-6.1 Sol 通过 29 次。在需要从 8 个或更多网站收集相同字段的任务中,DeepSeek V4.1 Flash 在 64 次尝试中通过 21 次,GPT-6.1 Sol 通过 51 次。全部 72 项任务中,它们分别通过了 56.9% 和 84.0% 的尝试。

为什么 GPT-6.1 Sol 在浏览器中比 DeepSeek V4.1 Flash 更快?

在我们的运行中,GPT-6.1 Sol 所需的工具调用更少,部分原因是它经常用一条命令处理多个网站。在需要从 8 个或更多网站收集相同字段的任务中,它有 56% 的浏览器命令操作了两个或更多标签页,DeepSeek V4.1 Flash 的这一比例不足 1%。在两个模型每次尝试均通过的 29 项任务中,GPT-6.1 Sol 平均每项调用工具 28.6 次、耗时 219.7 秒,DeepSeek V4.1 Flash 为 43.0 次、321.7 秒。在网页应用工作流中,两者的耗时大致相同。

处理浏览器任务时,DeepSeek V4.1 Flash 比 GPT-6.1 Sol 便宜多少?

DeepSeek V4.1 Flash 的费用约为 GPT-6.1 Sol 的 15%。在两个模型每次尝试均通过的 29 项任务中,DeepSeek V4.1 Flash 的平均每项费用为 $0.047,GPT-6.1 Sol 为 $0.310。全部 72 项任务中,DeepSeek V4.1 Flash 的平均每项费用为 $0.071,GPT-6.1 Sol 为 $0.483。按每次成功尝试计算,DeepSeek V4.1 Flash 的费用为 $0.124,GPT-6.1 Sol 为 $0.575。

为什么 DeepSeek V4.1 Flash 会在跨多个网站的任务中失败?

它在这类任务中的失败约有一半来自用尽步骤。在需要从 8 个或更多网站收集相同字段的任务中,它一次处理一个页面,平均每项调用工具 82.2 次,GPT-6.1 Sol 为 41.1 次。它在这类任务中失败的 43 次尝试里,有 23 次用尽了全部 100 步,未给出答案。

为什么 GPT-6.1 Sol 会答错某些浏览器任务?

在 LiveBench 和前端框架任务中,它过早停止了查找。在 LiveBench 任务中,GPT-6.1 Sol 调用工具 12 次后报告页面没有显示某个分数,而 DeepSeek V4.1 Flash 在同一页面更下方的 Insights 区域找到了该分数。在 GPT-6.1 Sol 两次尝试都失败的 3 项任务中,DeepSeek V4.1 Flash 两次都通过。

DeepSeek V4.1 Flash 比 GPT-6.1 Sol 更容易出错吗?

是的,DeepSeek V4.1 Flash 的 144 次尝试中,有 34 次以错误答案结束;GPT-6.1 Sol 有 23 次。DeepSeek V4.1 Flash 给出的答案还更少,因为它有 28 次尝试未给出答案。在旗舰手机任务的一次尝试中,它自己的表格列出 Galaxy S26 重 167 g,但总结却将一部重 186 g 的手机称为最轻的手机。

DeepSeek V4.1 Flash 能在网页应用中填表并执行工作流吗?

可以。在我们测试应用中的 15 项网页应用工作流里,DeepSeek V4.1 Flash 在 30 次尝试中通过 28 次,GPT-6.1 Sol 在 30 次尝试中通过 29 次。任务包括预订差旅、核销锁箱收款以及审批费用报告。在两个模型每次尝试均通过的 13 项任务中,DeepSeek V4.1 Flash 的平均每项费用为 $0.028,GPT-6.1 Sol 为 $0.170。

哪些浏览器任务上,DeepSeek V4.1 Flash 能比 GPT-6.1 Sol 以更低费用完成?

主要是单个网页应用内的工作流,15 项网页应用工作流中有 11 项满足三个条件。在这 11 项任务上,DeepSeek V4.1 Flash 的通过次数与 GPT-6.1 Sol 相同,耗时最多比后者长 10%,费用不足后者的三分之一。另外三项任务也满足相同条件:基于 FRED 和 BLS 数据编写通胀简报,根据讲课内容、代码和论文整理学习笔记,以及根据九份 Linux 发行版安全公告核对同一个 sudo CVE。

DeepSeek V4.1 Flash 的工具调用次数与 GPT-6.1 Sol 相比如何?

全部 72 项任务中,DeepSeek V4.1 Flash 平均每项调用工具 61.6 次,比 GPT-6.1 Sol 的 34.6 次约多 78%。在需要从 8 个或更多网站收集相同字段的任务中,DeepSeek V4.1 Flash 平均每项调用 82.2 次,是 GPT-6.1 Sol 的 41.1 次的两倍。在网页应用工作流中,DeepSeek V4.1 Flash 平均每项调用 33.3 次,GPT-6.1 Sol 为 26.0 次。

DeepSeek V4.1 Flash 值得用于浏览器代理吗?

单个网页应用内的工作流值得用:DeepSeek V4.1 Flash 在其中 30 次尝试中通过 28 次,费用约为 GPT-6.1 Sol 的六分之一。对于需要跨多个网站工作的代理,GPT-6.1 Sol 是更好的选择,因为它通过了 84.0% 的尝试,而 DeepSeek V4.1 Flash 为 56.9%。

测试方法

我们于 2026 年 11 月 7 日在 macOS 上运行两个模型,使用 ego-browser 和 ego(lite) 0.6.3.2。两个模型均在 pi 代理框架中运行,配有 ego-browser 的技能文件。我们通过模型 ID deepseek-flash 和 gpt-6.1-sol 调用它们,并使用高推理强度。两个模型的每次尝试均限 100 步。一步是模型的一轮响应,几乎每一步模型都会调用一次工具。每个模型都将 72 项任务各运行两次,因此每个模型进行了 144 次尝试。

ego(lite) 的 Spaces 总览,显示正在运行的 BLS CPI 查询及旁边的另一个 Space
BLS 查询演示期间的 ego(lite) Spaces 总览。此界面演示为本次修订提供,与 11 月 7 日的基准测试运行分开。 查看原图

这 72 项任务都是复杂的网页自动化任务。有些在真实网站上运行,有些在填入了新数据的测试应用中运行。我们按每项任务要求完成的工作类型进行分组:

工作类型任务数任务示例
网页应用工作流15预订符合政策的差旅
在少量网站上搜索与比较8基于 FRED 编写通胀简报,并与 BLS 核对
研究与综合分析12追溯 Wikipedia 表格的信息来源
将 X 帖子与其他来源交叉核对5将 X 上的 SpaceX 发射帖子与 Wikipedia 核对
从 8 个或更多网站收集相同字段3212 家中央银行的利率决策

每项任务只属于一个分组。核对 X 帖子的 5 项任务自成一组,即使它们涉及 8 个账号也不例外。

每项任务根据 3 至 10 个检查项评分。只有全部检查项通过,该次尝试才算通过。

为了解各模型的工作方式,我们阅读了两个模型各次尝试的会话日志。如果模型在某条命令中传给 ego-browser 的脚本读取或操作了两个或更多标签页,就将该浏览器命令计为使用了两个或更多标签页。

成功率是通过的尝试所占的比例。本文所有按任务计算的数值,包括耗时、费用和工具调用次数,都是该任务两次尝试的平均值。耗时从尝试开始算到最终答案;若未给出答案,则算到最后一步,且包含等待各模型 API 响应的时间。费用是每次尝试的 token 用量按提供方价格折算的金额。每次成功尝试的费用,是全部 144 次尝试的总费用除以通过次数。比较耗时和费用时,除非句子另有说明,我们均使用两个模型每次尝试都通过的 29 项任务。

下方“结果”列中,“通过次数相同,费用更低”表示 DeepSeek V4.1 Flash 的通过次数与 GPT-6.1 Sol 相同,耗时最多比后者长 10%,费用不足后者的三分之一。“通过次数相同,但更慢”表示两个模型的通过次数相同,但该任务未满足上述耗时和费用条件。

完整结果

每个单元格先显示 2 次尝试中的通过次数,再显示每项任务的耗时与费用。耗时和费用均为该任务两次尝试的平均值,耗时包含等待各模型 API 响应的时间。

任务工作类型结果GPT-6.1 SolDeepSeek V4.1 Flash
将未匹配的银行卡扣款加入费用报告网页应用工作流通过次数相同,费用更低2/2, 169.6 s, $0.1932/2, 157.1 s, $0.026
核销锁箱收款网页应用工作流通过次数相同,费用更低2/2, 185.2 s, $0.1412/2, 184.3 s, $0.025
审批差旅费用报告网页应用工作流通过次数相同,费用更低2/2, 156.3 s, $0.1202/2, 144.6 s, $0.020
预订符合政策的差旅网页应用工作流通过次数相同,费用更低2/2, 199.4 s, $0.2532/2, 189.2 s, $0.033
将服务监控配置调整至符合标准网页应用工作流通过次数相同,费用更低2/2, 133.9 s, $0.1312/2, 119.3 s, $0.024
承运商准点表现审查与告警规则网页应用工作流通过次数相同,费用更低2/2, 198.1 s, $0.1402/2, 213.7 s, $0.042
申领每日餐补网页应用工作流通过次数相同,费用更低2/2, 123.4 s, $0.1092/2, 93.2 s, $0.018
申报每日里程网页应用工作流通过次数相同,但更慢2/2, 246.6 s, $0.2282/2, 282.4 s, $0.036
考虑休假安排,补齐值班班次网页应用工作流通过次数相同,费用更低2/2, 85.6 s, $0.1082/2, 69.0 s, $0.013
根据补货点创建采购单网页应用工作流通过次数相同,但更慢2/2, 116.7 s, $0.1232/2, 146.9 s, $0.019
为破损订单提交退货申请网页应用工作流通过次数相同,但更慢2/2, 238.5 s, $0.2932/2, 297.5 s, $0.045
根据错误预算冻结或解冻部署网页应用工作流通过次数相同,费用更低1/2, 90.1 s, $0.0861/2, 74.1 s, $0.013
将发票与付款匹配,并发起争议网页应用工作流通过次数相同,费用更低2/2, 212.0 s, $0.2142/2, 224.6 s, $0.042
回滚冻结期间发布的版本网页应用工作流GPT-6.1 Sol 通过次数更多2/2, 115.4 s, $0.1111/2, 241.3 s, $0.040
撰写并提交事故复盘报告网页应用工作流通过次数相同,费用更低2/2, 135.5 s, $0.1582/2, 126.7 s, $0.026
航班搜索网站上的最低无经停票价在少量网站上搜索与比较通过次数相同,但更慢1/2, 380.6 s, $0.4921/2, 1058.9 s, $0.096
比较三款 Mac 笔记本电脑在少量网站上搜索与比较通过次数相同,但更慢2/2, 278.5 s, $0.5292/2, 320.4 s, $0.065
基于 FRED 编写通胀简报,并与 BLS 核对在少量网站上搜索与比较通过次数相同,费用更低2/2, 117.8 s, $0.1582/2, 93.6 s, $0.019
四家英国公司的 KYC 信息快照在少量网站上搜索与比较GPT-6.1 Sol 通过次数更多2/2, 181.1 s, $0.2691/2, 170.1 s, $0.034
将临床试验与药品说明书匹配在少量网站上搜索与比较GPT-6.1 Sol 通过次数更多2/2, 338.8 s, $0.4871/2, 293.6 s, $0.052
核对六部电影的票房在少量网站上搜索与比较通过次数相同,但更慢2/2, 189.2 s, $0.2092/2, 210.5 s, $0.028
根据讲课内容、代码和论文整理学习笔记在少量网站上搜索与比较通过次数相同,费用更低2/2, 215.6 s, $0.4222/2, 232.5 s, $0.041
MDN 与 Can I use 上的网页功能在少量网站上搜索与比较通过次数相同,但更慢2/2, 161.8 s, $0.1972/2, 430.5 s, $0.049
Wayback 存档快照中的 API 价格研究与综合分析DeepSeek V4.1 Flash 通过次数更多0/2, 410.4 s, $0.3002/2, 1111.2 s, $0.065
ARC Prize 排行榜图表研究与综合分析通过次数相同,但更慢2/2, 197.0 s, $0.2472/2, 341.1 s, $0.081
核对每周 AI 回顾中的 10 项说法研究与综合分析GPT-6.1 Sol 通过次数更多2/2, 184.3 s, $0.3310/2, 307.3 s, $0.059
比较五个中国模型 API 的月度费用研究与综合分析通过次数相同,但更慢2/2, 205.8 s, $0.3442/2, 278.6 s, $0.055
对 8 个前沿模型进行《欧盟人工智能法案》披露审计研究与综合分析双方均未通过0/2, 555.1 s, $1.0070/2, 530.4 s, $0.126
根据六份更新日志列出 9 月上线的 API 模型研究与综合分析GPT-6.1 Sol 通过次数更多2/2, 148.2 s, $0.2601/2, 378.5 s, $0.078
超过欧盟计算量门槛的模型研究与综合分析GPT-6.1 Sol 通过次数更多2/2, 94.0 s, $0.0951/2, 170.2 s, $0.034
为 GLM 5.3 选择 OpenRouter 端点研究与综合分析通过次数相同,但更慢2/2, 222.2 s, $0.3052/2, 363.4 s, $0.067
在六项要求下,为德国保险理赔选择模型研究与综合分析DeepSeek V4.1 Flash 通过次数更多1/2, 155.3 s, $0.2612/2, 285.0 s, $0.057
根据 6 个定价页面计算支持工单工作负载的费用研究与综合分析通过次数相同,但更慢1/2, 334.8 s, $0.5591/2, 399.2 s, $0.101
阅读一份 LiveBench 发布说明研究与综合分析DeepSeek V4.1 Flash 通过次数更多0/2, 67.8 s, $0.1292/2, 215.3 s, $0.050
追溯 Wikipedia 表格的信息来源研究与综合分析GPT-6.1 Sol 通过次数更多2/2, 286.6 s, $0.2220/2, 514.5 s, $0.060
将 X 上的 8 笔俱乐部签约信息与俱乐部网站核对将 X 帖子与其他来源交叉核对GPT-6.1 Sol 通过次数更多2/2, 1099.5 s, $1.4850/2, 2198.8 s, $0.080
将 X 上的 8 次产品发布帖子与新闻稿核对将 X 帖子与其他来源交叉核对GPT-6.1 Sol 通过次数更多2/2, 583.1 s, $0.7250/2, 1451.6 s, $0.086
8 所大学在 X 上的诺贝尔奖帖子将 X 帖子与其他来源交叉核对GPT-6.1 Sol 通过次数更多2/2, 790.7 s, $0.8351/2, 2557.1 s, $0.117
8 个开源项目的安全发布:将 X 信息与安全公告核对将 X 帖子与其他来源交叉核对通过次数相同,但更慢2/2, 426.5 s, $0.7242/2, 1306.2 s, $0.117
将 X 上的 SpaceX 发射帖子与 Wikipedia 核对将 X 帖子与其他来源交叉核对通过次数相同,但更慢2/2, 156.2 s, $0.1662/2, 841.3 s, $0.044
11 家气象机构的 2025 年气候声明从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多1/2, 616.5 s, $1.0760/2, 556.2 s, $0.120
2025 年 8 座机场的交通量从 8 个或更多网站收集相同字段通过次数相同,但更慢1/2, 609.4 s, $1.0151/2, 750.7 s, $0.127
9 个联赛的 2025-26 赛季冠军从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 577.7 s, $1.1930/2, 798.0 s, $0.110
8 个品牌网站上的 8 款相机从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 381.1 s, $0.5111/2, 540.1 s, $0.083
8 份开发者调查从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 348.6 s, $0.5850/2, 537.0 s, $0.122
9 款电动 SUV从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 557.3 s, $1.1110/2, 620.2 s, $0.104
9 个开放权重模型从 8 个或更多网站收集相同字段通过次数相同,但更慢1/2, 448.1 s, $0.7031/2, 548.0 s, $0.110
9 家 SaaS 供应商的合规情况从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多1/2, 434.7 s, $0.5980/2, 452.0 s, $0.081
9 项标准的现行版本从 8 个或更多网站收集相同字段通过次数相同,但更慢2/2, 282.9 s, $0.6752/2, 386.3 s, $0.059
9 个品牌的旗舰手机从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 439.4 s, $0.6200/2, 509.0 s, $0.077
9 家 CI 服务的免费套餐从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 350.6 s, $0.5250/2, 617.3 s, $0.118
9 个无服务器平台的免费套餐从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 209.9 s, $0.3191/2, 390.7 s, $0.077
9 场开发者大会的主题演讲从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 429.1 s, $0.5860/2, 949.7 s, $0.114
9 个地区最近一次选举从 8 个或更多网站收集相同字段双方均未通过0/2, 582.7 s, $1.1140/2, 625.3 s, $0.120
9 个语言运行时的最新版本从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 326.9 s, $0.6380/2, 464.1 s, $0.090
9 款桌面浏览器的最新稳定版从 8 个或更多网站收集相同字段通过次数相同,但更慢2/2, 263.2 s, $0.5102/2, 552.6 s, $0.104
9 个前端框架的最新稳定版从 8 个或更多网站收集相同字段DeepSeek V4.1 Flash 通过次数更多0/2, 252.0 s, $0.3752/2, 425.9 s, $0.069
9 个司法管辖区的最低工资从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 520.4 s, $0.8340/2, 630.3 s, $0.088
9 个音乐服务中的同一张专辑从 8 个或更多网站收集相同字段通过次数相同,但更慢2/2, 260.6 s, $0.6602/2, 485.6 s, $0.055
10 个来源中同一本书的不同版本从 8 个或更多网站收集相同字段DeepSeek V4.1 Flash 通过次数更多1/2, 315.6 s, $0.4772/2, 498.5 s, $0.061
9 个碰撞测试项目中的同一款汽车从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多1/2, 345.1 s, $0.5240/2, 609.2 s, $0.104
8 家监管机构的同一种药品资料从 8 个或更多网站收集相同字段双方均未通过0/2, 52.7 s, $0.0600/2, 614.5 s, $0.117
9 家机构的同一场地震资料从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 321.3 s, $0.7500/2, 694.1 s, $0.109
8 家分级机构的同一款游戏资料从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 496.2 s, $0.6590/2, 666.1 s, $0.092
10 个博物馆馆藏中的同一幅版画从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 465.4 s, $0.7770/2, 693.7 s, $0.098
9 份发行版安全公告中的同一个 sudo CVE从 8 个或更多网站收集相同字段通过次数相同,费用更低2/2, 389.0 s, $0.4872/2, 280.1 s, $0.045
9 个全国性榜单同一周的榜首从 8 个或更多网站收集相同字段通过次数相同,但更慢2/2, 530.8 s, $0.7712/2, 631.1 s, $0.090
9 家机构的第二季度 GDP 初值从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 471.3 s, $0.9271/2, 616.9 s, $0.105
12 家中央银行的利率决策从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 374.9 s, $0.6200/2, 496.5 s, $0.109
9 个供应商产品版本的支持日期从 8 个或更多网站收集相同字段通过次数相同,但更慢2/2, 273.8 s, $0.3902/2, 327.4 s, $0.065
9 个软件包注册源中的 protobuf 运行时从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多1/2, 415.8 s, $0.5440/2, 566.7 s, $0.082
9 个电影节的最高奖项从 8 个或更多网站收集相同字段GPT-6.1 Sol 通过次数更多2/2, 628.3 s, $0.9690/2, 665.1 s, $0.093

更新记录:2026 年 11 月 9 日首次发布,采用 2026 年 11 月 7 日的运行结果;72 项任务中,每个模型对每项任务各尝试两次。

继续阅读