随着 GPT-6 Sol 和 Luna 的正式发布，除了真的好用也真的贵的 Astra，广大科研人终于又有了更加具有性价比的新选。

那么相较GPT-5.6，GPT-6 在科研领域的提升到底如何呢？

这次，我们给 GPT-6 和 GPT-5.6 全系的六款模型，准备了一份 120 分科研综合卷：包含数据重建、论文写作、图表和PPT等全套科研场景。

除了看输出效果，这次我们还着重关注各个模型的tokens花费。

| 01 理论成绩

首先，让我们看看 OpenAI 官方公布的各个模型的 AutomationBench 通过率/单任务成本。为了更加直观的展示，我们把 GPT-5.6 和 GPT-6 全系的成绩都放在了一起。

通过表格我们可以看到，总体上 GPT-6 全系的表现，都要遥遥领先于GPT-5。Astra low 以每项 1.08 美元达到30.3%，超过 GPT‑5.6 Sol 最贵档的 18.1%；GPT‑6 Sol low 花 0.19 美元达到 21.2%，也高于 GPT‑5.6 Terra max 的 15.2%。

两组对位中，新款用更低的单项成本就越过了旧款最高档的通过率。

Luna 的变化要到中档才看得出来。low 档仍是 GPT‑5.6 Luna 领先，3.7% 对 1.2%；到了 medium、high 和 max，GPT‑6 Luna 才以更低成本取得更高通过率。但结合价格来看，GPT‑6 Luna 的成本就要比 GPT‑5.6 Luna 低得多了。

| 02 测试说明

这次，我们准备的试卷共七题、120分：先做实验数据与SVG作图，再处理蛋白结构、微藻和金融风险材料，最后读论文并做一页组会PPT。六款模型统一 medium 档和工具条件，禁止联网。

01 实验数据还原（25分）

根据四组各392条买家—轮次记录，重建购买、评论计数并判唯一；算购买后评论比例及平台经济组相对控制组倍数；估买家数、讨论重复观测；比较评论与福利，说明p值边界；把118次评论分成两种28人分布。

评分：8计数/唯一性、5比例、2买家/重复观测、4变化、2 p值、4分布。

参考文献：

02 SVG图（15分）

交完整SVG，A画购买率和全轮次评论率，B画购买后评论比例，C画社会福利。标单位、分母、范围；C从零起，不造误差条；标p=0.164，并说明A、B口径差异

评分：按SVG有效性、口径与标注、p值说明及60字内口径解释核对。

参考文献：同上

03 结构证据（15分）

依据CASP14的87个结构域，算AlphaFold相对下一名在两项RMSD95上的绝对、相对降幅；写90–140字导语，并为论文所述两种薄弱条件设计分组。

评分：9两项降幅、4导语、2分组设计。

参考文献：

04 文章摘要（15分）

用青岛、香港92对塑料—海水18S样本写150–210字摘要，纳入群落差异、较高α多样性及373个潜在有害/产毒ASV（14个仅见塑料）；分类三条证据说法并设计验证。

评分： 8摘要、4证据分类、3后续验证。

参考文献：

05 撰写备忘录（20分）

围绕银行同步受损写350–550字备忘录，串联D1机制综述、D2价格传染模拟、D3重要性/脆弱性测度；提出传染与共同冲击解释、比较设计、结果变量、区分检验及识别困难

评分：7串联证据、5竞争解释、8研究设计与识别。

参考文献（之一）：

06 证据判断（10分)

把五条关于买家数、显著性、AlphaFold、产毒和系统风险的断言判为“支持/否定/不足”，各用不超过两句话说明。

评分：五条各2分，判断与依据均符合材料。

参考文献：以上全部

07  汇报PPT（20分)

读指定论文，说明中国平台进入对东道国既有平台的影响；提交恰好一页、 16:9可编辑PPTX供约3分钟讲解。呈现问题、识别、结果、证据边界及双重溢出机制；重绘表3面板1城市ln用户数、ln访问量系数与显著性，百分比用exp(β)−1。

评分：核对论文问题、识别、结果、边界、双重机制和表3两项数据。未提交可打开的PPTX时最高3分。

参考文献：

| 03 结果评价

1~6 题

六款模型的总分，落在 109–120 分之间，差距集中在少数边界要求：次数分配、SVG 源码、字数和单页 PPT 的可读性。

由于这次评测的模型并非同一挡位，为了保证公平，我们对答案的评价，将按照 OpenAI 的产品定位，来两两进行：GPT-6 Astra 对比 GPT-5.6 Sol，GPT-6 Sol 对GPT-5.6 Terra，两个 Luna 级则放在一起对比。

最后，本次评测仅供参考，纯属主观体验，非标准方法，无第三方核验，一切以大家实际体验为准。

1 第一题五款满分，只有 GPT-5.6 Luna 的答案少 2 分。

图里两种分配都达到 118 次评论；但GPT-5.6 Luna 将次数集中在少数买家，这跟我们在题目中要求“一套尽量分散，一套高度集中”相违背，因此扣分，反观GPT-6 Luna 和其他模型，均按题意分得更均匀。

2 第二题的分差落在作图口径和交付文件上。

GPT-5.6 Sol  与 GPT-6 Astra 都得满分：两张图区分了“全部轮次评论率”和“购买后的评论比例”，并将 p=0.164 标为不显著。

GPT-5.6 Sol 与 GPT-6 Astra 第二题三面板图对照

GPT-5.6 Terra 得 13 分，GPT-6 Sol 得 15 分。

GPT-5.6 Terra 的图可以解析，但答卷没有附完整 SVG 代码，后续我们可能无法直接修改和复用这张图。因此扣两分 ; GPT-6 Sol 的答案则没有问题。

GPT-5.6 Terra 与 GPT-6 Sol 第二题三面板图对照

GPT-5.6 Luna 得 14 和 GPT-6 Luna 均没有拿到满分，前者 B 面板用了三位小数，后者没有附完整 SVG 代码；图像之外，精度和源文件也决定科研图件能否接着使用。

GPT-5.6 Luna 与 GPT-6 Luna 第二题三面板图对照

3 第三题的分差主要来自 140 字限制：GPT-5.6 Sol、Terra 和两款 Luna 都超字数，因此存在不同程度的扣分，GPT-6 Astra 与 GPT-6 Sol 的导语在范围内，所以均为满分。这里展示一下 GPT-6 Sol 的 15 分导语：

“在 CASP14 的 87 个蛋白质结构域盲测中，AlphaFold 的主链 Cα RMSD95 中位数为 0.96 Å，全原子指标为 1.50 Å，均明显低于下一名。模型还给出逐残基可信度估计，但同源序列稀少、结构主要受链间相互作用决定的对象仍较难预测，实验结构测定仍有作用。”

4 第四题除 GPT-5.6 Terra 少 1 分外，其余五款都得 15 分。这里展示一下 GPT-6 Astra 给出的后续方案，它成功把“潜在产毒”转成了可检测的实验问题：

“从塑料分离一个对应候选 ASV 的微藻培养物，以相同培养基但不接种微藻作空白对照，在相同条件下重复培养；额外以带标准品的化学分析测定细胞及上清中的特定毒素，检验‘该分离株在此条件下实际产生并释放该毒素’。”

5 第五题五款得 20 分，GPT-6 Luna 因超过 550 汉字上限得 17 分。

这里展示一下 GPT-6 Sol 的满分备忘录，它成功把银行持仓、抛售时序和滞后损失放进同一个检验：

“可取上市银行季度资产负债表、逐券持仓及债券价格和成交数据，以外生冲击前的持仓重合度及受冲击债券市场深度为主要解释变量，比较净值损失、后续抛售量，并分别估计系统重要性和脆弱性。检验先受损银行抛售后的价格变化是否预测其他银行的滞后损失，同时控制共同宏观敞口；若只有同步损失而无价格传递链，更符合共同冲击。”

6 第六题六款几个模型均为满分。GPT-6 Luna 的五条判定简短而完整：

1. 材料支持：392/14=28，且假定完整覆盖每名买家的 14 轮。

2. 材料不足：两个 p 值分别对照各自的控制组，没有检验两激励组之间的差异。

3. 材料否定：全原子相对降幅为 57.14%，小于主链的 65.71%。

4. 材料不足：373 个 ASV 是参考库标注的潜在有害或产毒序列，缺少毒素测定与释放证据。

5. 材料支持：大型商业银行可以重要性高、脆弱性低，两者是不同维度。

PPT制作

比起上面这些常规任务，把一整篇文章整合成PPT的任务，更能展示出不同模型在信息搜集，整理，审美等方面的综合水平，这部分我们单独赏析。

GPT-5.6 Sol 与 GPT-6 Astra 实际交付的单页 PPT 对照

GPT-5.6 Sol 得 17/20，GPT-6 Astra 得 20/20。

三分差距落在汇报能否被现场读者看清。Astra 的页面把研究问题、识别设计、结果和证据范围安排成清楚的阅读顺序；Sol 的注释字号最低只有 8.2 pt，数据对了，投影时却难读。

GPT-5.6 Terra 与 GPT-6 Sol 实际交付的单页 PPT 对照

Terra 和 GPT-6 Sol 都得 18/20。

Terra 把问题、机制和设计分区展开，GPT-6 Sol 将两项结果的百分比换算放大呈现；但两页仍留有较密的说明文字，因此无法给出满分。

GPT-5.6 Luna 与 GPT-6 Luna 实际交付的单页 PPT 对照

GPT-5.6 Luna 得 14/20，GPT-6 Luna 得 16/20。

两页都把访问量效应算高了，正确值为 24.86%；GPT-5.6 Luna 另漏了完整出处。两分差别落在计算复核与引文收尾，单页设计再完整也要经得起这两项检查。

| 05 分数、时间和成本

1 成绩与时间

六款模型在同一份 120 分试卷上的成绩与完整交卷用时

Astra 以 120 分完成全卷，用时 6.06 分钟；GPT-5.6 Sol 重测得 116 分，用时 19.77 分钟。两款 Luna 同为 109 分，5.6 Luna 用时 5.93 分钟，GPT-6 Luna 用时 7.19 分钟。

值得注意的是，GPT-5.6 Sol的输出时间明显偏长，这是因为在测试时候，他花费了更多时间在内容核验上，重新测试后依然出现了类似的情况，大家使用时候也要注意一下，以免因为AI在后台的反复核验，而浪费宝贵的 Tokens。

2 分数与账单

接下来，我们把测试的中各模型消耗的Tokens，结合OpenAI官方API文档中的价格进行换算，得出本次任务的预估成本。

六款模型的卷面成绩与 API 等价成本

把成绩和账单合起来看，这次测试中 GPT‑6 三款的对位升级都有实际回报：Astra拿到全卷最高分，也比 GPT‑5.6 Sol 更快交卷；GPT‑6 Sol在账单几乎不变的情况下多拿分；GPT‑6 Luna则在分数持平时，把估算成本降到约一半。

所以，这次测试里，我们可以得出结论，Astra的优势是把成绩上限推高，GPT‑6 Luna的优势是用更低成本拿到同样的分数；GPT‑6 Sol则是在近似开销下取得更高成绩。