GPT-6.1 Sol 和 Sonnet 5.5 来了，再跑一次鹈鹕测试
继续用鹈鹕骑自行车的 HTML 与 SVG 动画任务，记录 GPT-6.1 Sol 和 Sonnet 5.5 的生成结果与本次使用成本。
上次测试完 Opus 5.5、GPT-6-Astra 和 GPT-6-Sol，没过多久，OpenAI 又更新了 GPT-6.1 Sol，Anthropic 也推出了 Sonnet 5.5。
新模型来了，我还是想用同一道题试试。官方的分数可以参考，但拿到一个能打开的网页，看它画成什么样、动起来是否自然，对我来说更直观。
这次继续让鹈鹕骑自行车。
还是那句提示词
创建一个 HTML 文件，用 SVG 画一只鹈鹕骑自行车的 2D 动画。
和上一次的测试一样，我关心的是生成出来的实际页面：鹈鹕和自行车有没有画清楚，车轮、脚踏和身体的动作是否配合，以及页面上的交互能不能用。
两边都选了 High 档位，名字相同，计算量不一定一样。
这次的花费，得分开看
GPT-6.1 Sol 这次用的是 Plus 订阅，跑完后消耗了五小时额度的大约 2%。这个比例只记录本次使用，后续任务的消耗还会变。
Sonnet 5.5 走的是第三方中转，这次实际扣费 0.8793 元，不到一元。
| 模型 | 档位 | 使用方式 | 本次消耗 |
|---|---|---|---|
| GPT-6.1 Sol | High | Plus 订阅 | 五小时额度约 2% |
| Claude Sonnet 5.5 | High | 第三方中转 | 0.8793 元 |
一边扣订阅额度，一边按请求收费，这次没法直接按人民币比高低。我更关心额度够不够日常用，以及这次扣费换来的页面值不值。
官方这次更新了什么
OpenAI 把 GPT-6.1 Sol 定位为 Sol 的升级版，重点是编程、计算机使用和专业工作。官方强调，它在部分评估中更接近 Astra，同时保持较低的成本。我想看看这些改进在这道动画题里是什么样。来源：GPT-6.1 Sol 发布介绍
Sonnet 5.5 的更新同样强调编程能力和效率。Anthropic 的发布资料说，它比 Sonnet 5 更快，也能用更少的 Token 完成一些任务。官方文档列出的发布时间是 2026 年 9 月 28 日。来源：Sonnet 5.5 发布介绍、模型文档
两款模型的标准 API 价格目前都是每百万输入 Token 2 美元、每百万输出 Token 10 美元。实际总费用还要看上下文、输出长度和返工次数，缓存价格也有区别。OpenAI 定价说明、Sonnet 5.5 定价说明
Sonnet 5.5 的官方基准对比表
这张表截自 Anthropic 的 Sonnet 5.5 发布页，列出了编程、知识工作、计算机使用等测试。看表时要留意推理档位和脚注：这里比较的 OpenAI 模型是 GPT-6 Sol，并不是这次测试的 GPT-6.1 Sol，不能拿这一列直接替新模型下结论。
Sonnet 的性能与成本曲线
同一发布页还给出了 Terminal-Bench 4.0 的曲线。横轴是每次尝试的美元成本，纵轴是得分，图例列出了参与比较的模型。它比较的是基准任务中的表现和花费，不是我这次生成动画的中转账单；图中的 GPT-5.6 Sol 也不是 GPT-6.1 Sol。图表来源
再看三张成本曲线
FrontierCode 是另一种编程任务评估。它和上面的 Terminal-Bench 不是同一道题，放在一起看，可以避免只挑一个榜单。图例里的 GPT-6 Sol 是上一代 Sol。官方图表来源
CursorBench 更接近代码库里的工作。读这张图时，我会同时看得分、成本和推理档位；图中比较的是 GPT-5.6 Sol，而不是本次测试的 GPT-6.1 Sol。官方图表来源
最后这张测的是知识工作，补充了动画题之外的表现。官方图表来源
GPT-6.1 Sol：编程和专业工作
下面六张图来自 OpenAI 的 GPT-6.1 Sol 发布页，由我截取后放到这里。曲线里的成本是官方评估任务的美元花费，与这次 Plus 额度消耗分开看。
DeepSWE 对应真实代码库里的软件工程任务。我关注的是新 Sol 相对旧 Sol 的位置，以及接近 Astra 的得分要付出多少成本。它测的任务比这次单文件动画复杂得多。
GDP.pdf 看的是复杂 PDF 文档中的专业问题。图例特意标出了 Opus 5.5 的回退机制，比较时不能忽略这个条件。
业务流程和计算机使用
AutomationBench 看多步骤业务工作流。除了模型名称，图中也标出了回退机制。看这张图时，我会把任务完成率和总花费放在一起比。
OSWorld 是计算机使用任务；这里明确写的是 2.0 离线集。前面 Anthropic 的表格列的是 OSWorld 2.1，两个版本的分数不能直接拿来排高低。
科研任务和事实错误
Terminal-Bench Science 对应科研工作流。它与 Sonnet 图表里的 Terminal-Bench 4.0 是不同评估，名字相似，不代表分数能互相比较。
最后这张的纵轴是事实错误率，越低越好。这些提示经过特意挑选，不代表日常所有回答的出错概率。我把它放在最后，是想在看完能力曲线后，也看看模型回答是否可靠。
以上图表来源：OpenAI：推出 GPT-6.1 Sol。
补充：GPT-6.1 Sol 的官方价格
这张截自 OpenAI 的 GPT-6.1 Sol 模型文档，单位是每百万 Token 的美元价格。这里列的是 API 费用；我这次使用 Plus 消耗的 2% 额度不能直接按它换算成人民币。
GPT-6.1 Sol：海边骑行，连小页面也一起做了
Sol 这版的配色很轻。浅蓝色的海、薄荷绿的自行车，加上一条珊瑚色围巾，画面没有特别强的对比，看着比较舒服。背景里还有灯塔、海鸟和岸边的小草。
它不只交了一张 SVG。页面上方有“海风骑行”的标题和小图标，底下有暂停按钮和分档速度按钮，整个结果比较像一个完整的小网页。自行车的车轮、车架和链罩也都有画出来。
实际打开后，背景和骑行动作都在变化。暂停后按钮变成“继续”，可以再恢复播放。速度控制走的是切换档位的方式，不是滑块。
Sonnet 5.5：画面更直接，骑车的主角更显眼
Sonnet 这版给鹈鹕戴了蓝色头盔，系上红色围巾，骑的是红色自行车。天空、太阳、树和公路的颜色也更鲜明，主角在画面里占的比例比较大。
和 Sol 相比，它没有额外的页面标题区，主要就是动画画面和下面的控制区。暂停按钮旁边放了速度滑块，可以连续调整速度。车架、辐条和链条都比较显眼，方便直接观察自行车的结构。
这一版同样能运行，暂停按钮也能切换到“继续”。如果只看截图，头盔和长喙会先吸引注意；想看脚踏和腿的配合，还是直接打开动画更清楚。
看结果时，我更在意这些细节
截图能看到配色和构图，但这次交付的是动画。车轮在转，脚却没踩到踏板，或者脚踏和身体各动各的，这些问题需要让页面跑起来才看得清楚。
交互也一样。暂停按钮能不能同时停下所有动作，改变速度后动作是否还同步，手机上有没有被裁掉的控制区，都是我想实际检查的地方。
本轮两个生成结果已经放进文章，可以自己操作。上一篇的三个演示也能直接打开，想比较新旧结果，可以回去一起看。
这次先留下什么印象
这两份结果都把题目做成了能运行的页面。Sol 的页面包装更完整，海边的配色也更柔和；Sonnet 则把注意力更多地放在主角和自行车上，颜色更醒目，速度滑块也很直接。
如果只按这两份成品选视觉风格，我更容易把 Sol 这版当成一个可以继续完善的小网页，把 Sonnet 这版当成一个直接展示骑行动画的作品。这次就按成品的画风和交互聊，不给模型整体能力排座次。
两份原始页面和费用都留在这里了。以后再跑同一道题，正好回来看看画面和消耗有什么变化。