我们用三款浏览器工具对比了 GPT-6.1 Sol 与 GPT-6 Sol 的浏览器使用表现

12 分钟阅读
蓝色背景上,三个逐渐变大的圆形内布满云朵,用于 GPT-6.1 Sol 浏览器评测。

对于本次测试的 pi 浏览器智能体配置,相较 GPT-6 Sol,我们会选择 GPT-6.1 Sol,理由是它能完成更多任务、模型成本更低,而非速度能稳定提升。在这次 GPT-6.1 Sol 浏览器使用测试中,两款模型分别通过 Playwright CLI、agent-browser 和 ego-browser,对 25 项网页任务各执行一次,因此每款模型在每款工具中都有 25 次尝试。GPT-6.1 Sol 在 Playwright CLI 中通过了 25 次尝试中的 19 次,在 agent-browser 中通过了 25 次中的 20 次,在 ego-browser 中通过了 25 次中的 24 次。GPT-6 Sol 对应通过了 12、14 和 18 次。对于每款工具内两款模型共同通过的任务,GPT-6.1 Sol 的平均耗时分别为 275.6、327.1 和 195.0 秒,单题成本分别为 $0.287、$0.339 和 $0.372。GPT-6 Sol 的平均耗时分别为 291.3、324.0 和 220.2 秒,单题成本分别为 $0.640、$0.595 和 $0.735。

新增的成功主要来自跨站数据收集任务,这类任务要求从 9 到 16 个网站收集相同字段。每款工具各有十项这类任务;合计 30 次尝试中,GPT-6.1 Sol 通过了 20 次,GPT-6 Sol 通过了 6 次。汇总三款工具,有 19 次尝试从 GPT-6 Sol 失败变为 GPT-6.1 Sol 成功,没有出现相反的变化。

在两款模型共同通过的任务上,GPT-6.1 Sol 的工具调用更少。在 ego-browser 中,它有 43.7% 的浏览器脚本引用两个或更多标签页,或在已有标签页的同时新开一个标签页;GPT-6 Sol 的这一比例为 0.4%。这只是对所观察脚本的描述,不能证明标签页使用带来了新增的成功。GPT-6.1 Sol 在 75 次尝试中仍有 12 次失败,其中十次虽给出了答案,却包含错误或遗漏的值。

即使按 GPT-6 Sol 的费率计算 GPT-6.1 Sol 的已记录 token 用量,成本优势依然存在。对于两者共同通过的任务,这样算出的单题成本在 Playwright CLI、agent-browser 和 ego-browser 中分别为 $0.402、$0.477 和 $0.523,每款工具内都低于 GPT-6 Sol。速度表现则有快有慢:GPT-6.1 Sol 在两款工具中的平均耗时更低,在 agent-browser 中略高;而在两款工具中,它更快完成的共同成功任务还不到一半。

模型与浏览器工具成功率平均单题耗时平均单题成本
GPT-6.1 Sol 搭配 Playwright CLI76.0% (19/25)275.6 s$0.287
GPT-6 Sol 搭配 Playwright CLI48.0% (12/25)291.3 s$0.640
GPT-6.1 Sol 搭配 agent-browser80.0% (20/25)327.1 s$0.339
GPT-6 Sol 搭配 agent-browser56.0% (14/25)324.0 s$0.595
GPT-6.1 Sol 搭配 ego-browser96.0% (24/25)195.0 s$0.372
GPT-6 Sol 搭配 ego-browser72.0% (18/25)220.2 s$0.735

每行的成功率涵盖全部 25 次尝试。耗时和成本只涵盖该工具内两款模型共同通过的任务:Playwright CLI 中有 12 项,agent-browser 中有 14 项,ego-browser 中有 18 项。耗时是等待模型与执行工具所用时间之和,不包括测试框架在步骤之间花费的时间。每款工具内的模型配对都是一次独立比较,因此这些不同任务组的结果不能用来给工具的耗时或成本排名。

成功率

GPT-6.1 Sol 在每款工具中都完成了更多测试任务,提升最大的是跨站收集。Playwright CLI 多通过了七次,agent-browser 多通过了六次,ego-browser 也多通过了六次。汇总三款工具,两款模型共同通过了 44 次尝试,只有 GPT-6.1 Sol 通过的有 19 次,两者都失败的有 12 次。

任务类型每款工具的任务数Playwright CLIagent-browserego-browser
跨站数据收集105 比 26 比 09 比 4
在一到三个网站中查询87 比 47 比 78 比 8
开放式研究33 比 23 比 33 比 2
业务网页应用工作流44 比 44 比 44 比 4

每个单元格先列 GPT-6.1 Sol 的通过次数,再列 GPT-6 Sol 的通过次数;每项任务只尝试一次。模型变化对跨站任务完成情况的影响最大。在四项测试应用任务中,两款模型使用每款工具都通过了全部尝试,因此这类任务中更换模型的理由是成本。

GPT-6 Sol 输给 GPT-6.1 Sol 的 19 次尝试中,六次耗尽了步骤预算却没有给出答案,13 次给出了答案但包含错误或遗漏的值。汇总全部 75 次尝试,GPT-6 Sol 有九次耗尽预算,GPT-6.1 Sol 有两次。一步是模型的一次回复,每次尝试的预算都是 100 步。

SaaS 合规任务展示了一次答错导致的失败。任务要求查询截至 2026 年 9 月 30 日九家供应商的认证情况,包括该供应商各产品版本中最高的 FedRAMP 授权等级。在 ego-browser 中,GPT-6 Sol 浏览了 Asana 信任页面上的链接,却将 Asana 的结果写为 "none"。GPT-6.1 Sol 沿着 Government 链接打开了 Asana Gov,并从一篇新闻稿中确认其获得了 FedRAMP Moderate 授权。

回放已记录的浏览器命令:当前 Asana Gov 页面显示其已获 FedRAMP Moderate 认证
GPT-6.1 Sol 执行 SaaS 合规任务的回放,对应总计 38 步中的第 21 步。当前页面显示已获 FedRAMP Moderate 认证;10 月 22 日的运行记录了其授权情况。原始运行:2026 年 10 月 22 日。回放截图摄于 2026 年 11 月 10 日。 查看原图

GPT-6.1 Sol 用 38 步满足了全部检查要求。GPT-6 Sol 在 22 步后停止,而且 Asana 的错误值还影响了它统计的已获授权供应商数量。

最终表格中的字段正确值GPT-6 Sol 的填写值
Asana:最高 FedRAMP 授权等级Moderate,通过 Asana Gov 获得none(无)
FedRAMP 达到 Moderate 或更高等级的供应商6,包括 Asana5,不包括 Asana

GPT-6.1 Sol 自己的失败同样需要检查:它的 12 次失败中,有十次给出了包含错误或遗漏值的答案。如果要根据结果做决策,仅有一张看似填完的表格还不够可靠。

两款模型如何工作

完成相同且两者都成功的任务时,GPT-6.1 Sol 的工具调用更少。在共同成功任务上,它在 Playwright CLI 中平均每题调用 32.6 次,GPT-6 Sol 则为 42.3 次;在 agent-browser 中为 34.1 次,对比 50.5 次;在 ego-browser 中为 29.8 次,对比 40.1 次。一次工具调用是指调用一次智能体工具,例如 bash 或文件读取器。

在 ego-browser 中,GPT-6.1 Sol 的 735 个脚本中有 321 个涉及多个标签页或创建新标签页;GPT-6 Sol 的 1,044 个脚本中有四个这样做。在 Playwright CLI 和 agent-browser 中,GPT-6.1 Sol 分别有 15.8% 和 9.3% 的 bash 调用执行了标签页命令,GPT-6 Sol 对应为 2.5% 和 2.2%。这些比例描述的是不同接口,因此应在每款工具内部比较两款模型。

央行任务展示了长任务中的差异。它要求查询十二家央行在 2026 年的首次利率决议,包括表决情况和下次公布日期。GPT-6 Sol 每个脚本处理一家央行,到第 90 步才处理到第十二家,最终耗尽预算,没有写出表格。GPT-6.1 Sol 的 38 个浏览器脚本中,有 30 个使用了两个标签页;它在第 35 步处理到该央行,在第 42 步完成了表格。

回放已记录的浏览器命令:智能体控制的浏览器窗口中,两个标签页分别打开美联储 FOMC 日历和欧洲央行货币政策决议
已记录命令的回放。GPT-6.1 Sol 通过 ego-browser 执行央行任务:在两个标签页中加载美联储 FOMC 日历和欧洲央行决议。共 42 步中的第 6 步。原始运行:2026 年 10 月 22 日。回放画面于 2026 年 11 月 10 日在 ego(lite) 中截取。 查看原图

这为了解两次尝试各自如何展开提供了有用证据,并不是对标签页策略的单独测试。更广泛的完成情况是:跨站任务合计 30 次尝试中,GPT-6.1 Sol 通过了 20 次;GPT-6 Sol 则在 30 次中通过了 6 次。

速度

速度不会成为我们更换模型的理由。在共同成功任务上,GPT-6.1 Sol 在 Playwright CLI 中平均耗时 275.6 秒,GPT-6 Sol 为 291.3 秒;在 agent-browser 中为 327.1 秒,对比 324.0 秒;在 ego-browser 中为 195.0 秒,对比 220.2 秒。这些平均值包含等待模型和执行工具的时间,且都在同一款工具内基于相同任务计算。

逐题计数能更清楚地体现取舍。在 Playwright CLI 的 12 项共同成功任务中,GPT-6.1 Sol 有五项更快;在 agent-browser 的 14 项中有七项更快;在 ego-browser 的 18 项中也有七项更快。两款工具中平均耗时更低,不代表大多数具体任务都更快完成。在这套配置中,完成情况和成本的改善才是选择它的更充分理由。

成本

在每款工具内两款模型共同完成的任务上,GPT-6.1 Sol 的成本都更低。它在 Playwright CLI 的全部 12 项共同成功任务中都更便宜,在 agent-browser 的 14 项中有 13 项更便宜,在 ego-browser 的 18 项中有 17 项更便宜。表格将已记录的 token 用量变化与模型费率变化区分开来。

浏览器工具GPT-6.1 Sol按 GPT-6 Sol 费率计算 GPT-6.1 Sol 的 token 用量GPT-6 Sol
Playwright CLI$0.287$0.402$0.640
agent-browser$0.339$0.477$0.595
ego-browser$0.372$0.523$0.735

以下是每款工具内共同成功任务的平均单题模型成本。我们采用OpenAI 的标准 API 费率:两款模型的未缓存输入 token 均为每百万个 $2.00,输出 token 均为每百万个 $10.00。缓存输入方面,GPT-6.1 Sol 为每百万个 token $0.10,GPT-6 Sol 为 $0.20。这些是按 API 费率折算的 token 成本,并非智能体订阅价格。

计入失败尝试后,Playwright CLI 中两款模型的平均单题成本分别为 $0.410 和 $0.752,agent-browser 中为 $0.586 和 $0.833,ego-browser 中为 $0.430 和 $0.842。汇总全部尝试、按各模型自身费率计算时,GPT-6.1 Sol 成本更低。在共同成功任务上,即使按 GPT-6 Sol 的费率重新计价,它的成本也更低。

该选哪款模型

对于本文的 pi 配置和所涵盖的任务,我们会选择高推理强度的 GPT-6.1 Sol。它在每款工具中通过的任务更多、成本更低,而且 75 组比较中,没有一组从 GPT-6 Sol 成功变成 GPT-6.1 Sol 失败。但这些结果并不支持我们预期速度会稳定提升。

在跨站收集中,通过次数由 30 次尝试中的 6 次提高到 30 次中的 20 次。GPT-6.1 Sol 仍有十次失败,因此我们会先检查返回的表格再使用。对于四项测试应用工作流,两款模型都通过了全部尝试,模型成本才是有参考价值的差异。

测试配置使用 pi 智能体运行框架、高推理强度、bash,以及浏览器工具的 skill 文件。ego-browser 驱动 ego(lite),Playwright CLI 和 agent-browser 则驱动 Chrome。每款工具内部的模型对比使用相同的工具版本和指引。

ego(lite) 在这次对比中的角色

ego(lite) 是由 ego-browser 驱动的浏览器,并非被比较的模型。ego-browser 集成指南介绍了这种连接方式;在其他配置中,Playwright CLI 和 agent-browser 驱动的则是 Chrome。

先在同一款工具内选择模型,再比较工具。每款工具的模型成本和耗时平均值,都基于该工具自身的共同成功任务,因此这些平均值不能用于给工具彼此排名。对类似 pi 任务有参考价值的是已记录的完成情况与模型成本取舍,速度结果则仍有快有慢。

常见问题

对于浏览器智能体,GPT-6.1 Sol 比 GPT-6 Sol 更好吗?

在我们的 pi 配置中,GPT-6.1 Sol 在三款工具内都通过了更多测试任务,任务总数均为 25 项。它在 Playwright CLI、agent-browser 和 ego-browser 中分别通过了 19、20 和 24 次尝试,GPT-6 Sol 则分别通过了 12、14 和 18 次。没有一组比较出现旧模型成功、新模型失败的情况。

GPT-6.1 Sol 比 GPT-6 Sol 成本更低吗?

对于两款模型共同通过的任务,GPT-6.1 Sol 在每款工具中的平均模型成本都更低。两者单题成本分别为 $0.287 对 $0.640、$0.339 对 $0.595,以及 $0.372 对 $0.735。即使按 GPT-6 Sol 的费率计算它已记录的 token 用量,成本仍然更低。

GPT-6.1 Sol 比 GPT-6 Sol 更快吗?

按等待模型与执行工具的时间之和计算,GPT-6.1 Sol 在两款工具中平均耗时更低,在 agent-browser 中略高。在 Playwright CLI、agent-browser 和 ego-browser 内,它分别在 12 项共同成功任务中的五项、14 项中的七项和 18 项中的七项上更快。我们会因为完成情况和成本选择它,而非指望速度稳定提升。

GPT-6.1 Sol 的浏览器使用方式有什么变化?

在共同成功任务上,GPT-6.1 Sol 在每款工具内都使用了更少的工具调用。在 ego-browser 中,它有 43.7% 的脚本涉及多个标签页或创建了新标签页,GPT-6 Sol 则为 0.4%。75 次尝试中,GPT-6.1 Sol 有两次耗尽步骤预算却没有给出答案,GPT-6 Sol 则有九次。

有没有 GPT-6 Sol 通过而 GPT-6.1 Sol 失败的任务?

没有,在这些各含 25 项任务的对比中未出现这种情况。汇总三款工具,有 19 个结果从 GPT-6 Sol 失败变为 GPT-6.1 Sol 成功,没有相反的变化。两款模型共同通过了 44 次尝试,共同失败了 12 次。

GPT-6.1 Sol 在浏览器中仍会犯哪些错误?

汇总三款工具,GPT-6.1 Sol 的 75 次尝试中有 12 次失败。其中十次给出了包含错误或遗漏值的答案,两次耗尽了步骤预算。看似完成的表格仍可能有误。

GPT-6.1 Sol 的跨站数据收集表现如何?

十项任务要求从 9 到 16 个网站收集相同字段;GPT-6.1 Sol 在合计 30 次尝试中通过了 20 次,GPT-6 Sol 则在 30 次中通过了 6 次。大多数新增的成功来自这组任务。GPT-6.1 Sol 在这一组中仍有十次失败。

浏览器工具会改变哪款模型完成更多任务吗?

GPT-6.1 Sol 在三款测试工具内都通过了更多任务。在 Playwright CLI 中多通过了七次,在 agent-browser 和 ego-browser 中各多通过了六次。速度方面的取舍则因工具而异。

在单个网页应用中使用 GPT-6.1 Sol 值得吗?

对于全部四项测试应用工作流,两款模型使用每款工具都通过了所有尝试。更换模型并没有改善这些应用中的完成情况,但降低了平均模型成本。这支持在本次测试配置中出于成本原因选择 GPT-6.1 Sol。

测试方法

我们通过 pi 智能体运行框架,以高推理强度运行 gpt-6.1-sol 和 gpt-6-sol,配置 bash 并为每款浏览器工具提供一个 skill 文件。ego-browser 的运行开始于 2026 年 10 月 22 日,Playwright CLI 和 agent-browser 的运行开始于 2026 年 11 月 5 日。六组主要运行均使用同一台 Apple silicon Mac,同时执行十项任务。

主要对比采用 25 项任务,这些任务在全部六种模型与工具组合中都有首次尝试记录。我们从所有组合中都排除了最低工资任务和 MDN 兼容性任务,因为至少有一次存档尝试已被后来的针对性重跑替换。计入的尝试来自 2026 年 10 月 22 日和 11 月 5 日。

使用的工具为 Playwright CLI 0.1.22、agent-browser 0.39.1 和 ego-browser v2.1.0。每款工具内,两款模型采用相同的工具版本、skill 文件、步骤预算和任务检查项。每次尝试最多可使用 100 次模型回复,之后框架便会终止该次尝试。

25 项任务包括十项跨站数据收集、八项在一到三个网站中查询的任务、三项开放式研究,以及四项测试网页应用工作流。我们根据任务定义,将每项任务归入一个类别。示例和完整结果均采用相同的 25 项任务范围。

一次尝试,是一款模型通过一款工具执行一项任务。一次工具调用会调用一个智能体工具;在包含工具调用的 7,202 次回复中,有 7,200 次恰好发起一次工具调用。一个 ego-browser 脚本,是一次 ego-browser nodejs 调用。通过意味着最终答案满足该任务规定的每项检查,包括交付物完整性检查。

耗时是已记录的模型 API 等待时间与工具执行时间之和,不包括步骤之间的框架处理时间。速度和成本比较采用每款工具内两款模型共同通过的任务。模型成本按所述 token 费率计算已记录的用量,并在文中明确说明时计入失败尝试。重新计价时,固定 GPT-6.1 Sol 的用量不变,改用 GPT-6 Sol 的费率。

对于 ego-browser 的标签页使用,我们统计了每款模型全部 25 次尝试中引用多个页面标签或创建另一个页面的脚本。对于其他工具,我们统计了含标签页命令的 bash 调用。这些观察针对各工具的特定接口;打开或引用标签页本身,并不能证明它们在并发执行。

完整结果

每个单元格列出一次尝试的结果、等待模型加执行工具的耗时(秒),以及模型 token 成本(美元)。这里的耗时和成本包含失败尝试;概览平均值则只采用上文定义的共同成功任务。全部计入的任务及六种组合均已列出。

任务任务类型Playwright CLI,GPT-6.1 SolPlaywright CLI,GPT-6 Solagent-browser,GPT-6.1 Solagent-browser,GPT-6 Solego-browser,GPT-6.1 Solego-browser,GPT-6 Sol
在测试旅行应用中预订符合政策的行程业务网页应用工作流通过,197.4 s,$0.224通过,164.0 s,$0.528通过,286.8 s,$0.285通过,267.5 s,$0.427通过,177.9 s,$0.311通过,142.9 s,$0.387
按标准统一 1 级服务的监控配置业务网页应用工作流通过,145.5 s,$0.153通过,124.1 s,$0.245通过,331.8 s,$0.414通过,283.0 s,$0.607通过,137.6 s,$0.125通过,91.3 s,$0.215
将二月发票与付款匹配,并发起争议处理业务网页应用工作流通过,253.0 s,$0.309通过,154.0 s,$0.362通过,520.4 s,$0.433通过,501.4 s,$1.052通过,190.6 s,$0.239通过,184.3 s,$0.420
按供应商根据库存水平创建采购订单业务网页应用工作流通过,189.5 s,$0.164通过,116.4 s,$0.344通过,307.2 s,$0.244通过,367.2 s,$0.630通过,164.5 s,$0.172通过,125.2 s,$0.191
Apple 美国商店的三种 MacBook 配置在一到三个网站中查询通过,314.1 s,$0.367通过,357.8 s,$0.651通过,348.5 s,$0.440通过,471.0 s,$0.620通过,223.1 s,$0.483通过,191.8 s,$1.160
Wes Anderson 六部电影在 Box Office Mojo 和 Wikipedia 上的票房在一到三个网站中查询通过,180.9 s,$0.151通过,496.1 s,$0.594通过,334.7 s,$0.339通过,487.0 s,$0.570通过,142.0 s,$0.179通过,105.2 s,$0.237
在 Companies House 上对四家英国公司做 KYC 筛查在一到三个网站中查询通过,185.8 s,$0.178通过,226.0 s,$0.583通过,579.3 s,$0.393通过,319.4 s,$0.708通过,177.9 s,$0.423通过,121.2 s,$0.529
将 2021 年的特应性皮炎试验与对应药品说明书核对在一到三个网站中查询通过,332.6 s,$0.352未通过,583.0 s,$0.744通过,317.1 s,$0.418通过,482.8 s,$0.857通过,234.4 s,$0.450通过,252.3 s,$0.796
将 FRED 上的三条 CPI 序列与 BLS 核对在一到三个网站中查询通过,441.5 s,$0.221通过,417.7 s,$0.262通过,429.0 s,$0.372通过,265.7 s,$0.922通过,97.4 s,$0.187通过,44.5 s,$0.164
航班搜索网站上飞往丹佛的不经停航班最低票价在一到三个网站中查询通过,411.5 s,$0.471未通过,616.3 s,$0.948未通过,872.9 s,$1.109未通过,690.9 s,$1.342通过,338.0 s,$0.609通过,385.3 s,$1.503
将 X 上一周的 SpaceX 发射帖文与 Wikipedia 核对在一到三个网站中查询未通过,118.0 s,$0.088未通过,363.3 s,$0.491通过,224.4 s,$0.151通过,239.4 s,$0.577通过,112.7 s,$0.183通过,499.8 s,$0.269
将一场 YouTube 讲座与其 GitHub 脚本及 arXiv 论文核对在一到三个网站中查询通过,467.3 s,$0.700未通过,454.7 s,$0.922通过,221.6 s,$0.349通过,235.8 s,$0.395通过,94.7 s,$0.274通过,132.1 s,$0.574
九家音乐服务如何收录同一张专辑跨站数据收集未通过,440.3 s,$0.603未通过,419.9 s,$1.117通过,678.2 s,$0.995未通过,688.6 s,$1.068未通过,180.2 s,$0.489未通过,227.8 s,$1.179
十二家央行在 2026 年的首次利率决议跨站数据收集通过,686.3 s,$0.917未通过,713.3 s,$1.273未通过,694.0 s,$1.008未通过,674.2 s,$1.069通过,318.3 s,$0.643未通过,377.3 s,$2.641
九场开发者大会的开幕主题演讲跨站数据收集通过,726.0 s,$0.960通过,701.9 s,$2.388通过,507.9 s,$0.949未通过,459.7 s,$1.606通过,488.4 s,$1.174通过,473.4 s,$1.495
九款电动 SUV 的美国市场规格跨站数据收集通过,756.9 s,$0.771未通过,730.6 s,$0.964未通过,495.9 s,$0.801未通过,595.0 s,$1.071通过,413.6 s,$0.843未通过,316.8 s,$1.471
Hugging Face 上九个开放权重模型的准入表跨站数据收集未通过,537.6 s,$0.719未通过,616.2 s,$0.986通过,651.6 s,$1.020未通过,663.4 s,$1.194通过,352.8 s,$0.804通过,330.1 s,$1.198
九款旗舰手机的英国官方规格跨站数据收集通过,575.9 s,$0.635未通过,642.9 s,$0.773通过,786.8 s,$0.942未通过,392.0 s,$0.743通过,348.1 s,$0.704未通过,270.2 s,$0.765
来自九个 SaaS 信任中心的合规矩阵跨站数据收集未通过,683.8 s,$0.577未通过,560.0 s,$0.642未通过,704.3 s,$0.736未通过,464.7 s,$0.542通过,299.8 s,$0.592未通过,185.1 s,$0.451
九个无服务器平台的免费套餐跨站数据收集通过,369.2 s,$0.395通过,441.0 s,$0.491未通过,582.5 s,$0.529未通过,763.6 s,$1.241通过,199.4 s,$0.360通过,267.4 s,$1.331
八个开源项目在 X 和官网上的安全版本发布跨站数据收集未通过,318.5 s,$0.392未通过,334.8 s,$0.903通过,619.8 s,$0.892未通过,670.8 s,$1.468通过,231.5 s,$0.441通过,434.8 s,$2.405
X 帖文与新闻稿中的八次消费电子产品发布跨站数据收集未通过,404.1 s,$0.401未通过,397.8 s,$0.917通过,675.0 s,$0.924未通过,528.6 s,$1.139通过,389.1 s,$0.541未通过,567.1 s,$1.101
从 ARC Prize 排行榜图中读取成本和分数开放式研究通过,171.3 s,$0.185通过,239.0 s,$1.092通过,361.3 s,$0.466通过,304.5 s,$0.357通过,84.9 s,$0.201通过,83.5 s,$0.257
根据 Epoch AI 数据统计超过欧盟计算量门槛的模型数开放式研究通过,132.7 s,$0.132通过,57.9 s,$0.139通过,106.5 s,$0.147通过,116.1 s,$0.159通过,62.2 s,$0.090通过,99.0 s,$0.105
追溯 Wikipedia 大语言模型列表中的十条引文开放式研究通过,340.0 s,$0.189未通过,654.3 s,$0.435通过,211.0 s,$0.300通过,194.6 s,$0.451通过,169.6 s,$0.244未通过,151.4 s,$0.202

继续阅读