第三方视觉评测机构 Roboflow 在自家 VLM 基准中测试了 GPT-5.6 系列后表示，GPT-5.6 Sol 已成为 OpenAI 目前最强的视觉模型。按 Roboflow 项目负责人 SkalskiP 的说法，「GPT-5.6 Sol 是 OpenAI 有史以来最强的视觉模型」。
目标检测分数从 13.8 升至 46.2
Roboflow 这轮测试覆盖了找目标、计数、识别文字和抽取信息等常见视觉任务。目标检测是 GPT 系列过去表现较弱的一项，任务要求模型在图像中把各个对象框出来。
在这一项上，上一代 GPT-5.5 只拿到 13.8 分，而 GPT-5.6 Sol 升至 46.2，提升超过 3 倍。Terra 和 Luna 也排在后面，分数分别为 44.7 和 43.3。
Luna 虽然是这一代中价格最低的档位，但其检测成绩仍高于上一代旗舰。
计数和版面识别同步提升
计数任务的成绩也有所上升。GPT-5.6 Sol 的准确率从 GPT-5.5 的 64.9% 提高到 73%，Terra 和 Luna 分别为 67.6% 和 66.2%。
Roboflow 提到，GPT-5.6 在文档版面识别上的表现尤为突出。以 Sol 为例，标题、正文、表格、插图和签名都能较为干净地框出。这类能力直接关系到合同、发票和报表处理，因为许多文档流程的第一步都是先定位需要读取的区域，再进入识别环节。
在密集场景里，GPT-5.6 也能处理更多同类物体同时出现的图片，例如药片、鸡蛋这类目标大量堆叠的场景。Roboflow 还举了一个更复杂的例子：在一张靶纸上，仅统计落在指定环数区域内的弹孔。按其描述，Sol 完成了这一任务，不只识别了目标，也遵守了计数规则。
OCR 转写基本持平，定向提取下滑
不过，Sol 并非所有视觉能力都在上升。Roboflow 的测试显示，Sol 的认字能力出现分化。
在 OCR 整段转写任务中，Sol 得分 90.7%，略低于 GPT-5.5 的 91.2%。差距不大。但在定向信息提取任务中，也就是不需要全文，只提取单条指定信息，例如从发票中取出日期，Sol 得分 82.5%，低于 GPT-5.5 的 87.6%，下滑约 5 个点。
按 Roboflow 的描述，Sol 能转写手写笔记，也能准确提取日期；对于轮胎弧面上的尺寸编号，以及冰球比赛直播画面中的实时比分，它也能按指定格式输出。出错的案例则出现在药板有效期这类场景，特点是文字较小、竖排、对比度低且伴随反光。
OpenAI：大图下检测框可能失稳
Roboflow 还发现，在部分图片中，Sol 返回的检测框会漂移到与真实物体几乎没有重叠的位置，而且这些框常常呈现异常整齐的排列方式，例如排成一条直线或均匀分布。
Roboflow 将相关样例反馈给 OpenAI 后，后者回应称，当图片尺寸达到约 2000×2000 像素或更大时，Sol 会变得不稳定；推理档位调得越低，这种不稳定越明显。
按文中说法，处理办法主要有两种：一是提高推理档位，但 Token 用量、延迟和成本都会随之上升；二是在调用 API 前先缩小图片，或者裁剪图片。
成本和速度对比
Roboflow 给出的实测数据显示：
- Sol：约 2.5 美分/张，约 10 秒
- Terra：约 1 美分/张，约 6 秒
- Luna：不到 0.5 美分/张，约 5 秒
对比之下，Gemini 3.5 Flash 每张约 0.8 美分，价格低于 Sol，且在这套基准上的检测和计数成绩仍然领先。Roboflow 据此认为，在高频、大批量的检测和计数任务中，Gemini Flash 仍是更具性价比的方案。
视觉模型竞争转向执行能力
这次测试最突出的变化，是 GPT-5.6 的视觉能力开始从「看懂一张图」走向更具体的执行任务，包括目标定位、画框、计数、空间关系理解和文档版面拆分。
Roboflow 的测试结果显示，GPT-5.6 Sol 已在多个视觉任务上较 GPT-5.5 明显提升，但在定向 OCR 提取、超大尺寸图像稳定性以及成本效率上，仍有明确边界。
本文来自微信公众号「新智元」，作者为 ASI启示录。