DeepSeek V4.1 Flash 瀏覽器操作評測:在 72 項網頁任務中對比 GPT-6.1 Sol

22 分鐘閱讀
藍色背景上的兩個橘色柑橘形狀與綠葉,用於 DeepSeek V4.1 Flash 與 GPT-6.1 Sol 的對比

對於需要跨多個網站工作的代理,我們會選擇 GPT-6.1 Sol;對於單一網頁應用程式內的工作流程,我們會選擇 DeepSeek V4.1 Flash。每個模型都在 ego-browser 中將我們的 72 項任務各執行兩次,因此每個模型進行了 144 次嘗試。GPT-6.1 Sol 在 144 次嘗試中通過 121 次(84.0%),DeepSeek V4.1 Flash 通過 82 次(56.9%)。在兩個模型每次嘗試都通過的 29 項任務上,GPT-6.1 Sol 平均每項耗時 219.7 秒、費用 $0.310,DeepSeek V4.1 Flash 則為 321.7 秒、$0.047。

閱讀執行紀錄後,我們發現兩個模型的工作方式不同。GPT-6.1 Sol 經常用一條指令處理多個網站,而 DeepSeek V4.1 Flash 一次處理一個頁面,並持續查找。在需要從 8 個或更多網站收集相同欄位的任務中,DeepSeek V4.1 Flash 有 23 次嘗試用盡了全部 100 個步驟。在我們的測試應用程式中,工作在單一網頁應用程式內完成,它的通過率與速度接近 GPT-6.1 Sol,費用約為後者的六分之一。

每個模型也都有需要預先因應的弱點。GPT-6.1 Sol 有時會太早停止查找:在 3 項任務中,它兩次嘗試都失敗,而持續查找的 DeepSeek V4.1 Flash 兩次都通過。DeepSeek V4.1 Flash 雖然給出的答案更少,錯誤答案卻更多:它的 144 次嘗試中有 34 次以錯誤答案結束,GPT-6.1 Sol 則有 23 次。

成功率、速度與費用

GPT-6.1 Sol 在成功率與速度上領先,DeepSeek V4.1 Flash 的費用約為它的 15%。我們在兩個模型每次嘗試都通過的 29 項任務上比較耗時與費用,因此雙方的這些數據都不包含失敗嘗試。全部 72 項任務的結果列則包含失敗的嘗試。

指標GPT-6.1 SolDeepSeek V4.1 Flash
成功率,全部 72 項任務84.0%(144 次嘗試中通過 121 次)56.9%(144 次嘗試中通過 82 次)
每項任務耗時,雙方每次都通過的 29 項任務219.7 s321.7 s
每項任務耗時,全部 72 項任務321.6 s511.4 s
每項任務費用,雙方每次都通過的 29 項任務$0.310$0.047
每項任務費用,全部 72 項任務$0.483$0.071
每次成功嘗試的費用,全部 72 項任務$0.575$0.124
每項任務的工具呼叫次數,全部 72 項任務34.661.6

測試執行於 2026 年 11 月 7 日,兩個模型都使用 ego-browser。每個模型對每項任務各執行兩次。耗時包含等待各模型 API 回應的時間。

DeepSeek V4.1 Flash 費用較低,是因為它的定價更低,而非工作量更少。它平均每項任務呼叫工具 61.6 次,GPT-6.1 Sol 則為 34.6 次。即使按每次成功嘗試計算,DeepSeek V4.1 Flash 的費用也是 $0.124,GPT-6.1 Sol 為 $0.575。

成功率的差距主要來自一類工作。在需要從 8 個或更多網站收集相同欄位的任務中,GPT-6.1 Sol 在 64 次嘗試中通過 51 次,DeepSeek V4.1 Flash 通過 21 次。在網頁應用程式工作流程中,兩個模型在 30 次嘗試中分別通過 29 次與 28 次。

工作類型任務數GPT-6.1 SolDeepSeek V4.1 Flash
網頁應用程式工作流程1596.7% (29/30)93.3% (28/30)
在少量網站上搜尋與比較893.8% (15/16)81.3% (13/16)
研究與綜合分析1266.7% (16/24)62.5% (15/24)
將 X 貼文與其他來源交叉核對5100% (10/10)50.0% (5/10)
從 8 個或更多網站收集相同欄位3279.7% (51/64)32.8% (21/64)
全部任務7284.0% (121/144)56.9% (82/144)

每項任務嘗試兩次,成功率是其中通過的嘗試所占的比例。

在網頁應用程式工作流程中,兩個模型的通過率幾乎沒有差別,因此費用成為區分它們的因素。在跨多個網站的任務中,GPT-6.1 Sol 的通過次數多得多。

GPT-6.1 Sol 如何工作

GPT-6.1 Sol 經常用一條指令處理多個網站。任務涉及多個網站時,它會將這些網站保持在不同分頁中,並在每條 ego-browser 指令中推進其中多個網站的工作。兩個模型收到的 ego-browser 技能檔案相同,其中說明了如何在任務需要時同時保持多個分頁開啟。在需要從 8 個或更多網站收集相同欄位的任務中,GPT-6.1 Sol 有 56% 的瀏覽器指令操作了兩個或更多分頁。DeepSeek V4.1 Flash 的這一比例不到 1%。

地震任務展示了這種工作方式。任務要求收集 9 家機構報告的同一場 2025 年地震的時間、規模與深度。GPT-6.1 Sol 在一條指令中讀取 USGS 的事件頁面,開啟 EMSC 事件頁面中的科學資料,開啟 GFZ 的事件頁面,並讓第四個分頁前往 INGV。它兩次嘗試都通過,分別呼叫工具 40 次與 32 次。DeepSeek V4.1 Flash 則在單一分頁中逐一處理這 9 家機構,依序填寫各機構的搜尋表單,兩次嘗試都用盡了全部 100 個步驟。

在我們的執行結果中,GPT-6.1 Sol 呼叫工具更少,也更早完成。在兩個模型每次嘗試都通過的 29 項任務中,它平均每項任務呼叫工具 28.6 次,DeepSeek V4.1 Flash 為 43.0 次。這些任務中有 16 項不屬於網頁應用程式任務,GPT-6.1 Sol 在其中 14 項上更快。在網頁應用程式工作流程中,它只有 3% 的瀏覽器指令操作了兩個或更多分頁,兩個模型的耗時大致相同。

GPT-6.1 Sol 的弱點是有時會太早停止查找。在 3 項任務中,它兩次嘗試都失敗,而 DeepSeek V4.1 Flash 兩次都通過。在 LiveBench 任務中,兩個模型都在排行榜中查找 High 推理強度下的 GPT-5.4,卻只找到 xHigh 對應的列。呼叫工具 12 次後,GPT-6.1 Sol 回報頁面沒有顯示該分數。DeepSeek V4.1 Flash 繼續查找,在同一頁面更下方 Insights 區域的模型選擇器中找到該分數:75.1。

前端框架任務也出現類似情況。一次嘗試中,GPT-6.1 Sol 在 Next.js 的版本發布清單中搜尋「16.3.」,並回報最上面的結果:8 月 21 日發布的 16.3.2。DeepSeek V4.1 Flash 逐頁瀏覽了主要由 canary 建置版本組成的發布清單,找到 9 月 30 日發布的 16.3.8。當 GPT-6.1 Sol 回報某個網站沒有某個值,或直接採用搜尋結果的第一項時,我們會先自行核對該值,再使用答案。

DeepSeek V4.1 Flash 如何工作

DeepSeek V4.1 Flash 一次處理一個頁面,並持續查找,直到找到目標資訊。它平均每項任務呼叫工具 61.6 次,GPT-6.1 Sol 為 34.6 次。正是這種堅持,讓它通過了 GPT-6.1 Sol 失敗的 LiveBench 與前端框架任務。

在單一網頁應用程式內,一次處理一個頁面的方式影響不大。我們的 15 項網頁應用程式工作流程在填入了新資料的測試應用程式中執行,例如差旅預訂應用程式與費用管理應用程式。DeepSeek V4.1 Flash 在其中 30 次嘗試中通過 28 次,GPT-6.1 Sol 通過 29 次。在雙方每次嘗試都通過的 13 項工作流程中,DeepSeek V4.1 Flash 平均每項耗時 173.0 秒、費用 $0.028,GPT-6.1 Sol 為 169.3 秒、$0.170。

預訂符合政策的差旅就是一個典型例子。任務要求代理在差旅政策允許範圍內預訂來回航班、選擇靠走道座位,並預訂距離會場一英里內的飯店。兩個模型兩次嘗試都通過。DeepSeek V4.1 Flash 平均每項耗時 189.2 秒、費用 $0.033,GPT-6.1 Sol 為 199.4 秒、$0.253。

跨越 8 個或更多網站時,同樣的工作方式會耗盡步驟。在這 32 項任務中,DeepSeek V4.1 Flash 在 64 次嘗試中通過 21 次,GPT-6.1 Sol 通過 51 次。DeepSeek 平均每項呼叫工具 82.2 次,是 GPT-6.1 Sol 的 41.1 次的兩倍。在 DeepSeek 用盡全部 100 個步驟的 26 次嘗試中,有 23 次發生在這類任務上。

當 DeepSeek V4.1 Flash 給出答案時,我們會將其結論與它自己列出的資料及讀過的頁面核對。它有 62 次嘗試失敗:34 次以錯誤答案結束,28 次沒有給出答案。在這 28 次中,26 次用盡了全部 100 個步驟,1 次因 DeepSeek API 傳回伺服器錯誤而結束。GPT-6.1 Sol 的全部 23 次失敗都以錯誤答案結束。在旗艦手機任務的一次嘗試中,DeepSeek V4.1 Flash 自己的表格列出 Galaxy S26 重 167 g,但表格下方的文字卻將重 186 g 的 motorola signature 稱為最輕的手機。

選擇哪個模型

在 ego-browser 中,需要代理跨多個網站工作時,使用 GPT-6.1 Sol。它通過了 84.0% 的嘗試,且從未用盡步驟。在需要從 8 個或更多網站收集相同欄位的任務中,它在 64 次嘗試中通過 51 次,也更早完成了跨多個網站的工作。

單一網頁應用程式內的工作流程,使用 DeepSeek V4.1 Flash。在我們的測試應用程式中,它在 30 次嘗試中通過 28 次,耗時與 GPT-6.1 Sol 大致相同,費用約為後者的六分之一。對於跨 8 個或更多網站的工作,我們不會依賴它,因為它在這類任務的 64 次嘗試中只通過 21 次。

少量網站的資訊查詢與研究任務,需要在時間與費用之間取捨。DeepSeek V4.1 Flash 在資訊查詢任務的 16 次嘗試中通過 13 次,在研究任務的 24 次嘗試中通過 15 次;GPT-6.1 Sol 分別通過 16 次中的 15 次,以及 24 次中的 16 次。這兩類任務中,DeepSeek V4.1 Flash 都更便宜,也更耗時。

ego(lite) 中的 BLS CPI 查詢,已選取 2023–2025 年範圍並啟用年度平均值
ego(lite) 中的 BLS CPI 查詢,已啟用年度平均值。此介面示範為本次修訂提供,與 11 月 7 日的基準測試執行分開。 檢視原圖

無論選擇哪個模型,都要核對答案中的關鍵值。兩個模型有時都會給出看似完整、卻含有錯誤數值的答案。我們在 ego-browser 中以高推理強度執行了兩個模型。ego-browser 與 ego(lite) 一同提供,並將其作為代理的瀏覽器進行控制。

常見問題

DeepSeek V4.1 Flash 的瀏覽器操作能力與 GPT-6.1 Sol 一樣好嗎?

在單一網頁應用程式內,兩者接近;跨多個網站時則不然。在網頁應用程式工作流程中,DeepSeek V4.1 Flash 在 30 次嘗試中通過 28 次,GPT-6.1 Sol 通過 29 次。在需要從 8 個或更多網站收集相同欄位的任務中,DeepSeek V4.1 Flash 在 64 次嘗試中通過 21 次,GPT-6.1 Sol 通過 51 次。全部 72 項任務中,它們分別通過了 56.9% 與 84.0% 的嘗試。

為什麼 GPT-6.1 Sol 在瀏覽器中比 DeepSeek V4.1 Flash 更快?

在我們的執行結果中,GPT-6.1 Sol 所需的工具呼叫更少,部分原因是它經常用一條指令處理多個網站。在需要從 8 個或更多網站收集相同欄位的任務中,它有 56% 的瀏覽器指令操作了兩個或更多分頁,DeepSeek V4.1 Flash 的這一比例不到 1%。在兩個模型每次嘗試都通過的 29 項任務中,GPT-6.1 Sol 平均每項呼叫工具 28.6 次、耗時 219.7 秒,DeepSeek V4.1 Flash 為 43.0 次、321.7 秒。在網頁應用程式工作流程中,兩者的耗時大致相同。

處理瀏覽器任務時,DeepSeek V4.1 Flash 比 GPT-6.1 Sol 便宜多少?

DeepSeek V4.1 Flash 的費用約為 GPT-6.1 Sol 的 15%。在兩個模型每次嘗試都通過的 29 項任務中,DeepSeek V4.1 Flash 的平均每項費用為 $0.047,GPT-6.1 Sol 為 $0.310。全部 72 項任務中,DeepSeek V4.1 Flash 的平均每項費用為 $0.071,GPT-6.1 Sol 為 $0.483。按每次成功嘗試計算,DeepSeek V4.1 Flash 的費用為 $0.124,GPT-6.1 Sol 為 $0.575。

為什麼 DeepSeek V4.1 Flash 會在跨多個網站的任務中失敗?

它在這類任務中的失敗約有一半來自用盡步驟。在需要從 8 個或更多網站收集相同欄位的任務中,它一次處理一個頁面,平均每項呼叫工具 82.2 次,GPT-6.1 Sol 為 41.1 次。它在這類任務中失敗的 43 次嘗試裡,有 23 次用盡了全部 100 個步驟,未給出答案。

為什麼 GPT-6.1 Sol 會答錯某些瀏覽器任務?

在 LiveBench 與前端框架任務中,它太早停止了查找。在 LiveBench 任務中,GPT-6.1 Sol 呼叫工具 12 次後回報頁面沒有顯示某個分數,而 DeepSeek V4.1 Flash 在同一頁面更下方的 Insights 區域找到該分數。在 GPT-6.1 Sol 兩次嘗試都失敗的 3 項任務中,DeepSeek V4.1 Flash 兩次都通過。

DeepSeek V4.1 Flash 比 GPT-6.1 Sol 更容易出錯嗎?

是的,DeepSeek V4.1 Flash 的 144 次嘗試中,有 34 次以錯誤答案結束;GPT-6.1 Sol 有 23 次。DeepSeek V4.1 Flash 給出的答案還更少,因為它有 28 次嘗試未給出答案。在旗艦手機任務的一次嘗試中,它自己的表格列出 Galaxy S26 重 167 g,但摘要卻將一部重 186 g 的手機稱為最輕的手機。

DeepSeek V4.1 Flash 能在網頁應用程式中填表並執行工作流程嗎?

可以。在我們測試應用程式中的 15 項網頁應用程式工作流程裡,DeepSeek V4.1 Flash 在 30 次嘗試中通過 28 次,GPT-6.1 Sol 在 30 次嘗試中通過 29 次。任務包括預訂差旅、核銷鎖箱收款,以及簽核費用報告。在兩個模型每次嘗試都通過的 13 項任務中,DeepSeek V4.1 Flash 的平均每項費用為 $0.028,GPT-6.1 Sol 為 $0.170。

哪些瀏覽器任務上,DeepSeek V4.1 Flash 能比 GPT-6.1 Sol 以更低費用完成?

主要是單一網頁應用程式內的工作流程,15 項網頁應用程式工作流程中有 11 項符合三個條件。在這 11 項任務上,DeepSeek V4.1 Flash 的通過次數與 GPT-6.1 Sol 相同,耗時最多比後者長 10%,費用不到後者的三分之一。另外三項任務也符合相同條件:依據 FRED 與 BLS 資料編寫通膨簡報,根據講課內容、程式碼與論文整理學習筆記,以及根據九份 Linux 發行版安全公告核對同一個 sudo CVE。

DeepSeek V4.1 Flash 的工具呼叫次數與 GPT-6.1 Sol 相比如何?

全部 72 項任務中,DeepSeek V4.1 Flash 平均每項呼叫工具 61.6 次,比 GPT-6.1 Sol 的 34.6 次約多 78%。在需要從 8 個或更多網站收集相同欄位的任務中,DeepSeek V4.1 Flash 平均每項呼叫 82.2 次,是 GPT-6.1 Sol 的 41.1 次的兩倍。在網頁應用程式工作流程中,DeepSeek V4.1 Flash 平均每項呼叫 33.3 次,GPT-6.1 Sol 為 26.0 次。

DeepSeek V4.1 Flash 值得用於瀏覽器代理嗎?

單一網頁應用程式內的工作流程值得用:DeepSeek V4.1 Flash 在其中 30 次嘗試中通過 28 次,費用約為 GPT-6.1 Sol 的六分之一。對於需要跨多個網站工作的代理,GPT-6.1 Sol 是更好的選擇,因為它通過了 84.0% 的嘗試,而 DeepSeek V4.1 Flash 為 56.9%。

測試方法

我們於 2026 年 11 月 7 日在 macOS 上執行兩個模型,使用 ego-browser 與 ego(lite) 0.6.3.2。兩個模型都在 pi 代理框架中執行,配有 ego-browser 的技能檔案。我們透過模型識別碼 deepseek-flash 與 gpt-6.1-sol 呼叫它們,並使用高推理強度。兩個模型的每次嘗試都限 100 個步驟。一步是模型的一次回應,幾乎每一步模型都會呼叫一次工具。每個模型都將 72 項任務各執行兩次,因此每個模型進行了 144 次嘗試。

ego(lite) 的 Spaces 總覽,顯示正在執行的 BLS CPI 查詢及旁邊的另一個 Space
BLS 查詢示範期間的 ego(lite) Spaces 總覽。此介面示範為本次修訂提供,與 11 月 7 日的基準測試執行分開。 檢視原圖

這 72 項任務都是複雜的網頁自動化任務。有些在真實網站上執行,有些在填入了新資料的測試應用程式中執行。我們按每項任務要求完成的工作類型分組:

工作類型任務數任務範例
網頁應用程式工作流程15預訂符合政策的差旅
在少量網站上搜尋與比較8依據 FRED 編寫通膨簡報,並與 BLS 核對
研究與綜合分析12追溯 Wikipedia 表格的資訊來源
將 X 貼文與其他來源交叉核對5將 X 上的 SpaceX 發射貼文與 Wikipedia 核對
從 8 個或更多網站收集相同欄位3212 家中央銀行的利率決策

每項任務只屬於一個分組。核對 X 貼文的 5 項任務自成一組,即使它們涉及 8 個帳號也不例外。

每項任務根據 3 至 10 個檢查項目評分。只有全部檢查項目通過,該次嘗試才算通過。

為了解各模型的工作方式,我們閱讀了兩個模型各次嘗試的會話紀錄。如果模型在某條指令中傳給 ego-browser 的指令碼讀取或操作了兩個或更多分頁,就將該瀏覽器指令計為使用了兩個或更多分頁。

成功率是通過的嘗試所占的比例。本文所有按任務計算的數值,包括耗時、費用與工具呼叫次數,都是該任務兩次嘗試的平均值。耗時從嘗試開始算到最終答案;若未給出答案,則算到最後一步,且包含等待各模型 API 回應的時間。費用是每次嘗試的 token 用量按提供方價格折算的金額。每次成功嘗試的費用,是全部 144 次嘗試的總費用除以通過次數。比較耗時與費用時,除非句子另有說明,我們都使用兩個模型每次嘗試都通過的 29 項任務。

下方「結果」欄中,「通過次數相同,費用更低」表示 DeepSeek V4.1 Flash 的通過次數與 GPT-6.1 Sol 相同,耗時最多比後者長 10%,費用不到後者的三分之一。「通過次數相同,但更慢」表示兩個模型的通過次數相同,但該任務未符合上述耗時與費用條件。

完整結果

每個儲存格先顯示 2 次嘗試中的通過次數,再顯示每項任務的耗時與費用。耗時與費用都是該任務兩次嘗試的平均值,耗時包含等待各模型 API 回應的時間。

任務工作類型結果GPT-6.1 SolDeepSeek V4.1 Flash
將未配對的卡片扣款加入費用報告網頁應用程式工作流程通過次數相同,費用更低2/2, 169.6 s, $0.1932/2, 157.1 s, $0.026
核銷鎖箱收款網頁應用程式工作流程通過次數相同,費用更低2/2, 185.2 s, $0.1412/2, 184.3 s, $0.025
簽核差旅費用報告網頁應用程式工作流程通過次數相同,費用更低2/2, 156.3 s, $0.1202/2, 144.6 s, $0.020
預訂符合政策的差旅網頁應用程式工作流程通過次數相同,費用更低2/2, 199.4 s, $0.2532/2, 189.2 s, $0.033
將服務監控設定調整至符合標準網頁應用程式工作流程通過次數相同,費用更低2/2, 133.9 s, $0.1312/2, 119.3 s, $0.024
承運商準點表現檢視與告警規則網頁應用程式工作流程通過次數相同,費用更低2/2, 198.1 s, $0.1402/2, 213.7 s, $0.042
申領每日餐費津貼網頁應用程式工作流程通過次數相同,費用更低2/2, 123.4 s, $0.1092/2, 93.2 s, $0.018
申報每日里程網頁應用程式工作流程通過次數相同,但更慢2/2, 246.6 s, $0.2282/2, 282.4 s, $0.036
考量休假安排,補齊值班班次網頁應用程式工作流程通過次數相同,費用更低2/2, 85.6 s, $0.1082/2, 69.0 s, $0.013
依補貨點建立採購單網頁應用程式工作流程通過次數相同,但更慢2/2, 116.7 s, $0.1232/2, 146.9 s, $0.019
為損壞訂單提出退貨申請網頁應用程式工作流程通過次數相同,但更慢2/2, 238.5 s, $0.2932/2, 297.5 s, $0.045
依錯誤預算凍結或解除凍結部署網頁應用程式工作流程通過次數相同,費用更低1/2, 90.1 s, $0.0861/2, 74.1 s, $0.013
將發票與付款配對,並提出爭議網頁應用程式工作流程通過次數相同,費用更低2/2, 212.0 s, $0.2142/2, 224.6 s, $0.042
回滾凍結期間發布的版本網頁應用程式工作流程GPT-6.1 Sol 通過次數更多2/2, 115.4 s, $0.1111/2, 241.3 s, $0.040
撰寫並提交事故檢討報告網頁應用程式工作流程通過次數相同,費用更低2/2, 135.5 s, $0.1582/2, 126.7 s, $0.026
航班搜尋網站上不停站航班的最低票價在少量網站上搜尋與比較通過次數相同,但更慢1/2, 380.6 s, $0.4921/2, 1058.9 s, $0.096
比較三款 Mac 筆記型電腦在少量網站上搜尋與比較通過次數相同,但更慢2/2, 278.5 s, $0.5292/2, 320.4 s, $0.065
依據 FRED 編寫通膨簡報,並與 BLS 核對在少量網站上搜尋與比較通過次數相同,費用更低2/2, 117.8 s, $0.1582/2, 93.6 s, $0.019
四家英國公司的 KYC 資訊快照在少量網站上搜尋與比較GPT-6.1 Sol 通過次數更多2/2, 181.1 s, $0.2691/2, 170.1 s, $0.034
將臨床試驗與藥品仿單配對在少量網站上搜尋與比較GPT-6.1 Sol 通過次數更多2/2, 338.8 s, $0.4871/2, 293.6 s, $0.052
核對六部電影的票房在少量網站上搜尋與比較通過次數相同,但更慢2/2, 189.2 s, $0.2092/2, 210.5 s, $0.028
根據講課內容、程式碼與論文整理學習筆記在少量網站上搜尋與比較通過次數相同,費用更低2/2, 215.6 s, $0.4222/2, 232.5 s, $0.041
MDN 與 Can I use 上的網頁功能在少量網站上搜尋與比較通過次數相同,但更慢2/2, 161.8 s, $0.1972/2, 430.5 s, $0.049
Wayback 存檔快照中的 API 價格研究與綜合分析DeepSeek V4.1 Flash 通過次數更多0/2, 410.4 s, $0.3002/2, 1111.2 s, $0.065
ARC Prize 排行榜圖表研究與綜合分析通過次數相同,但更慢2/2, 197.0 s, $0.2472/2, 341.1 s, $0.081
核對每週 AI 回顧中的 10 項說法研究與綜合分析GPT-6.1 Sol 通過次數更多2/2, 184.3 s, $0.3310/2, 307.3 s, $0.059
比較五個中國模型 API 的每月費用研究與綜合分析通過次數相同,但更慢2/2, 205.8 s, $0.3442/2, 278.6 s, $0.055
對 8 個前沿模型進行《歐盟人工智慧法》揭露稽核研究與綜合分析雙方都未通過0/2, 555.1 s, $1.0070/2, 530.4 s, $0.126
根據六份更新日誌列出 9 月上線的 API 模型研究與綜合分析GPT-6.1 Sol 通過次數更多2/2, 148.2 s, $0.2601/2, 378.5 s, $0.078
超過歐盟運算量門檻的模型研究與綜合分析GPT-6.1 Sol 通過次數更多2/2, 94.0 s, $0.0951/2, 170.2 s, $0.034
為 GLM 5.3 選擇 OpenRouter 端點研究與綜合分析通過次數相同,但更慢2/2, 222.2 s, $0.3052/2, 363.4 s, $0.067
依六項要求,為德國保險理賠選擇模型研究與綜合分析DeepSeek V4.1 Flash 通過次數更多1/2, 155.3 s, $0.2612/2, 285.0 s, $0.057
根據 6 個定價頁面計算支援工單工作負載的費用研究與綜合分析通過次數相同,但更慢1/2, 334.8 s, $0.5591/2, 399.2 s, $0.101
閱讀一份 LiveBench 發布說明研究與綜合分析DeepSeek V4.1 Flash 通過次數更多0/2, 67.8 s, $0.1292/2, 215.3 s, $0.050
追溯 Wikipedia 表格的資訊來源研究與綜合分析GPT-6.1 Sol 通過次數更多2/2, 286.6 s, $0.2220/2, 514.5 s, $0.060
8 筆俱樂部簽約:將 X 貼文與俱樂部網站核對將 X 貼文與其他來源交叉核對GPT-6.1 Sol 通過次數更多2/2, 1099.5 s, $1.4850/2, 2198.8 s, $0.080
8 次產品發布:將 X 貼文與新聞稿核對將 X 貼文與其他來源交叉核對GPT-6.1 Sol 通過次數更多2/2, 583.1 s, $0.7250/2, 1451.6 s, $0.086
8 所大學在 X 上的諾貝爾獎貼文將 X 貼文與其他來源交叉核對GPT-6.1 Sol 通過次數更多2/2, 790.7 s, $0.8351/2, 2557.1 s, $0.117
8 個開源專案的安全發布:將 X 貼文與安全公告核對將 X 貼文與其他來源交叉核對通過次數相同,但更慢2/2, 426.5 s, $0.7242/2, 1306.2 s, $0.117
將 X 上的 SpaceX 發射貼文與 Wikipedia 核對將 X 貼文與其他來源交叉核對通過次數相同,但更慢2/2, 156.2 s, $0.1662/2, 841.3 s, $0.044
11 家氣象機構的 2025 年氣候聲明從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多1/2, 616.5 s, $1.0760/2, 556.2 s, $0.120
2025 年 8 座機場的運量從 8 個或更多網站收集相同欄位通過次數相同,但更慢1/2, 609.4 s, $1.0151/2, 750.7 s, $0.127
9 個聯賽的 2025-26 賽季冠軍從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 577.7 s, $1.1930/2, 798.0 s, $0.110
8 個品牌網站上的 8 款相機從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 381.1 s, $0.5111/2, 540.1 s, $0.083
8 份開發者調查從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 348.6 s, $0.5850/2, 537.0 s, $0.122
9 款電動 SUV從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 557.3 s, $1.1110/2, 620.2 s, $0.104
9 個開放權重模型從 8 個或更多網站收集相同欄位通過次數相同,但更慢1/2, 448.1 s, $0.7031/2, 548.0 s, $0.110
9 家 SaaS 供應商的合規情況從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多1/2, 434.7 s, $0.5980/2, 452.0 s, $0.081
9 項標準的現行版本從 8 個或更多網站收集相同欄位通過次數相同,但更慢2/2, 282.9 s, $0.6752/2, 386.3 s, $0.059
9 個品牌的旗艦手機從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 439.4 s, $0.6200/2, 509.0 s, $0.077
9 家 CI 服務的免費方案從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 350.6 s, $0.5250/2, 617.3 s, $0.118
9 個無伺服器平台的免費方案從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 209.9 s, $0.3191/2, 390.7 s, $0.077
9 場開發者大會的主題演講從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 429.1 s, $0.5860/2, 949.7 s, $0.114
9 個地區最近一次選舉從 8 個或更多網站收集相同欄位雙方都未通過0/2, 582.7 s, $1.1140/2, 625.3 s, $0.120
9 個語言執行階段的最新版本從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 326.9 s, $0.6380/2, 464.1 s, $0.090
9 款桌面瀏覽器的最新穩定版從 8 個或更多網站收集相同欄位通過次數相同,但更慢2/2, 263.2 s, $0.5102/2, 552.6 s, $0.104
9 個前端框架的最新穩定版從 8 個或更多網站收集相同欄位DeepSeek V4.1 Flash 通過次數更多0/2, 252.0 s, $0.3752/2, 425.9 s, $0.069
9 個司法管轄區的最低工資從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 520.4 s, $0.8340/2, 630.3 s, $0.088
9 個音樂服務中的同一張專輯從 8 個或更多網站收集相同欄位通過次數相同,但更慢2/2, 260.6 s, $0.6602/2, 485.6 s, $0.055
10 個來源中同一本書的各版次從 8 個或更多網站收集相同欄位DeepSeek V4.1 Flash 通過次數更多1/2, 315.6 s, $0.4772/2, 498.5 s, $0.061
9 個撞擊測試計畫中的同一款汽車從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多1/2, 345.1 s, $0.5240/2, 609.2 s, $0.104
8 家監管機構的同一種藥品資料從 8 個或更多網站收集相同欄位雙方都未通過0/2, 52.7 s, $0.0600/2, 614.5 s, $0.117
9 家機構的同一場地震資料從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 321.3 s, $0.7500/2, 694.1 s, $0.109
8 家分級機構的同一款遊戲資料從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 496.2 s, $0.6590/2, 666.1 s, $0.092
10 個博物館館藏中的同一幅版畫從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 465.4 s, $0.7770/2, 693.7 s, $0.098
9 份發行版安全公告中的同一個 sudo CVE從 8 個或更多網站收集相同欄位通過次數相同,費用更低2/2, 389.0 s, $0.4872/2, 280.1 s, $0.045
9 個全國性榜單同一週的榜首從 8 個或更多網站收集相同欄位通過次數相同,但更慢2/2, 530.8 s, $0.7712/2, 631.1 s, $0.090
9 家機構的第二季 GDP 初估值從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 471.3 s, $0.9271/2, 616.9 s, $0.105
12 家中央銀行的利率決策從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 374.9 s, $0.6200/2, 496.5 s, $0.109
9 個供應商產品版本的支援日期從 8 個或更多網站收集相同欄位通過次數相同,但更慢2/2, 273.8 s, $0.3902/2, 327.4 s, $0.065
9 個套件登錄平台中的 protobuf 執行階段從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多1/2, 415.8 s, $0.5440/2, 566.7 s, $0.082
9 個電影節的最高獎項從 8 個或更多網站收集相同欄位GPT-6.1 Sol 通過次數更多2/2, 628.3 s, $0.9690/2, 665.1 s, $0.093

更新紀錄:2026 年 11 月 9 日首次發布,採用 2026 年 11 月 7 日的執行結果;72 項任務中,每個模型對每項任務各嘗試兩次。

繼續閱讀