GPT-5.6 Sol 视觉能力暴涨三倍，OpenAI 最强视觉 AI 登顶 Roboflow 评测

视觉能力飞跃：从"交白卷"到"三倍提升"

近日，第三方视觉评测机构 Roboflow 发布了一份针对 OpenAI GPT-5.6 系列模型的视觉能力基准测试报告，结果令人震惊。GPT-5.6 Sol 在目标检测任务中得分从上一代 GPT-5.5 的 13.8 分飙升至 46.2 分，暴涨超过三倍，被 Roboflow 项目负责人 SkalskiP 称为"OpenAI 有史以来最强的视觉模型"。

一直以来，目标检测是 GPT 系列模型的"重灾区"。任务本身并不复杂——让模型在图像中准确框出每个物体，但 GPT-5.5 的表现却相当糟糕，基本上"知道图里有东西，但框哪儿全靠蒙"。而 GPT-5.6 Sol 的分数直接飙涨至 46.2，Terra 和 Luna 也分别取得了 44.7 和 43.3 的优异成绩。

值得一提的是，即使是 GPT-5.6 系列中最便宜的 Luna 版本，其检测分数也远远超过了上一代旗舰模型的水平。

全面评测：计数、文档识别、密集场景均获突破

在计数能力方面，Sol 的准确率从 GPT-5.5 的 64.9% 提升至 73%，Terra 和 Luna 分别达到 67.6% 和 66.2%。然而，最令人瞩目的进步在于文档版面识别领域——Sol 能够干净地识别并圈出标题、正文、表格、插图和签名等文档元素，这对于合同处理、发票识别和报表分析等实际应用场景具有重大意义。

在密集场景识别方面，GPT-5.6 同样表现出色。药片、鸡蛋等数十个同类物体密集排列的图像，向来是视觉语言模型的"翻车现场"。由于大模型需要逐个坐标输出检测框，物体越多，漏检、重复和坐标偏差的概率就越高。但 GPT-5.6 Sol 成功应对了这一挑战，甚至能够完成更为刁钻的任务——例如在一张靶纸上，只数出落在指定环数区域内的弹孔数量。

短板犹存：OCR 能力不升反降

然而，Sol 并非完美无缺。在最反常识的测试结果中，Sol 的文字识别（OCR）能力出现了退步。在整段转写方面，Sol 得分 90.7%，略低于 GPT-5.5 的 91.2%。但在"定向提取"任务中，Sol 仅拿下 82.5%，而 GPT-5.5 为 87.6%，差距达 5 个百分点。

Sol 并非不认字——它能准确转写手写笔记，能从冰球比赛直播画面中提取实时比分。但面对药板上那行字小、竖排、低对比度且带有反光的有效期时，却翻车了。

大尺寸图像稳定性问题

Roboflow 在测试中还发现，当图片尺寸达到 2000×2000 像素左右或更大时，Sol 返回的检测框会飘到画面中毫不相干的地方。OpenAI 对此回应称，推理档位越低，这一问题越严重。解决方法是调高推理档位（但会增加 Token 用量和延迟），或在发送给 API 之前先将图片缩小。

性价比之争

在成本方面，Sol 约 2.5 美分/张，处理时间约 10 秒；Terra 约 1 美分/张，约 6 秒；Luna 不到 0.5 美分/张，约 5 秒。相比之下，Google Gemini 3.5 Flash 每张仅 0.8 美分，在检测和计数任务上仍保持领先，堪称"性价比之王"。

GPT-5.6 Sol 这次真正令人意外的是，视觉能力正在从"看懂一张图"跨进"真正干视觉的活"。目标检测、画框、计数、空间关系理解和文档版面分析——这些过去属于专用视觉模型的地盘，如今正在被大语言模型一步步蚕食。

视觉大模型的下半场，已经从"能不能看懂"卷向了"干活准不准"。GPT-5.6 亮出了肌肉，但性价比的战争才刚刚开始。

本文内容基于公开网络资讯整理