GPT-5.6 Sol · 社区来源 · 独立测量
Box 十二行业文档评测中，Sol 在金融、公共部门、零售、能源、生命科学、医疗为 76%、74%、72%、61%、60%、58%，GPT-5.5 为 71%、63%、66%、54%、51%、46%；完整样本和评分器未公开。
待验证：本次未能重新核实原文。下方历史数字不代表已核实的当前结果。
基准：Box Complex Work Eval，覆盖十二个行业的真实文档驱动任务。
任务类型：读取源文档、核对数字、尽调、发现专家输出错误和定量分析。
比较：GPT‑5.6 Sol、Terra、Luna 与 GPT‑5.5；页面没有公开完整样本数或 harness 版本。
输入是多年度财务预测、学生成绩重算、零售产品性能、能源运营报告、生命科学测试记录和临床案例等文档任务。
关键验收是数字链条能否保持一致、分母是否正确、报告是否有依据，以及是否避免高风险判断错误。
Box 将模型定位为未来 Box AI / Box AI Studio 的企业工作流选项。
| 行业任务 | GPT‑5.6 Sol | GPT‑5.5 |
|---|---|---|
| Financial Services | 76% | 71% |
| Public Sector | 74% | 63% |
| Retail | 72% | 66% |
| Energy | 61% | 54% |
| Life Sciences | 60% | 51% |
| Healthcare | 58% | 46% |
总体上 Sol 比 GPT‑5.5 高约 1%，但 Box 认为差距集中在更困难、后果更高的数字任务。
数据分析任务总体 Sol 64% 对 GPT‑5.5 57%；零售 80% 对 63%，生命科学 51% 对 27%，医疗 62% 对 50%，金融 78% 对 75%。
平均延迟方面 Terra 比 Sol 快约 16%，Luna 比 Sol 快约 19%；在零售库存/利润分析中，Luna 约以 Sol 一半时间返回完整答案。
Sol 的优势更像“把源文档中的数字链条算对并保持可辩护”，而不是所有知识工作都统一领先。高风险定量分析优先试 Sol；重复、结构化、高吞吐任务再用 Terra/Luna，并以准确率和延迟共同路由。
Box 的内部 benchmark、评分器、样本量、随机种子和原始文档未公开，外部不能完全复跑。
Box 是潜在产品合作方，存在发布选择和场景偏差；结果不能替代跨供应商盲测。
页面用“about 1%”描述总体提升，未给出总样本数和置信区间。
建立十二行业的文档任务集，保留源文档、目标答案和数字核对规则。
对 Sol、Terra、Luna、GPT‑5.5 固定上下文、工具和输出格式。
对金融预测、分母计算、记录重算和临床判断分别设计单独评分器。
记录任务正确率、延迟、成本和错误类型；不要只记录总体平均分。
用隐藏文档和第二批行业任务做外部复核。
Box 明确把“读取源文件、核对数字、运行尽调、审查专家输出”作为 benchmark 任务，而不是聊天偏好问卷。
文章给出了六个行业的 Sol/GPT‑5.5 数值以及数据分析子集的分数。
结论更适合文档驱动的企业分析，不等于 Sol 在开放式写作、前端视觉或长程代码上同样占优。
latency 只给相对百分比，没有服务区域、并发和 token 统计。
这是 Box 自有评测，不应与 Artificial Analysis 的分数直接拼接成统一排名。
Box 将总体结果概括为 Sol “edges past” GPT‑5.5，但随后强调优势集中在最困难的定量任务。
本文中的数字、任务集、推理档位和客户端条件只在所列来源及采集时点内成立。不同版本、不同 harness 或不同提供商的数据不能直接并排比较；未公开的参数保持未知。
需要复测时，请固定模型版本、提供商或客户端、推理档位、工具、任务集版本、样本数和采集日期，并记录失败、重试与人工修正。完整方法和复现步骤见下方来源笔记。
X（Box） · @sidharths00 / Box · 原文发布日期 2026-07-10 · 本站编辑日期 2026-09-20
打开原始来源GPT-5.6 Sol
下载 Tabbit 客户端后检查模型可用性
