GPT-5.6 Sol：OpenAI最强视觉模型问世

上周，OpenAI正式推出GPT-5.6系列模型，包括Sol、Terra和Luna三个版本。在发布直播中，团队重点展示了这些模型在桌面应用操作和用户界面代理方面的潜力，而这一切都依赖于更强大的视觉理解能力。为评估其真实性能，技术平台Roboflow在其即将发布的视觉语言模型（VLM）基准中对三款新模型进行了全面测试。

测试涵盖目标检测、计数、OCR识别及数据提取等核心视觉任务。结果显示，GPT-5.6 Sol无疑是OpenAI迄今为止最强的视觉模型。尤其在目标检测领域，其性能实现了质的飞跃——mAP@50从GPT-5.5的13.8大幅提升至46.2，而Terra和Luna也分别达到44.7和43.3，将此前的明显短板转变为实用能力。

文档布局分析是GPT-5.6 Sol的另一大亮点。模型能准确识别标题、段落、表格、图像乃至签名等元素，为后续的OCR和结构化数据提取奠定基础。这一能力对自动化办公、合同处理等场景具有重要价值。

在密集场景下，如药丸或鸡蛋堆叠图像中，传统VLM常因输出文本过长而出现漏检、重复或坐标错误。但Sol仍能保持较高准确率，成功识别大多数对象。这得益于其改进的视觉-语言对齐机制和更强的空间推理能力。

值得注意的是，提示工程对检测结果影响显著。测试发现，要求GPT-5.6返回以像素为单位的绝对XYXY坐标格式可获得最佳性能。若使用Gemini 3.5 Flash偏好的归一化YXYX格式（0–1000范围），其mAP会下降约15个点。这凸显了不同模型在输出规范上的差异。

然而，研究团队也发现Sol在处理高分辨率图像（约2000×2000像素及以上）时稳定性下降，尤其在低推理强度设置下。此时模型可能生成无意义的边界框，如整齐排列的矩形或均匀分布的组块，与实际物体位置严重不符。

对此，OpenAI团队确认该问题是已知限制，并建议通过图像裁剪或缩放预处理来缓解。提高推理强度虽可改善稳定性，但会带来更高的计算成本、延迟和token消耗，需在精度与效率间权衡。

目前，用户可在Roboflow Playground中直接测试Sol、Terra和Luna，并与Claude Fable 5、Gemini 3.5 Flash等竞品在同一视觉任务上进行横向对比。这一开放测试环境有助于开发者快速评估模型适用性。

总体而言，GPT-5.6 Sol的发布标志着OpenAI在多模态AI领域的重大进展。其在实用视觉任务上的突破，不仅推动了UI自动化代理的发展，也为文档智能、工业质检等应用场景提供了新的技术可能。

随着VLM基准的正式发布，业界将获得更统一的评估标准，进一步促进视觉语言模型的迭代与优化。而OpenAI此次的技术跃进，无疑为整个AI社区树立了新的标杆。