Roboflow 实测：GPT-5.6 Sol 成为 OpenAI 最强视觉模型

Roboflow 在上周 OpenAI 发布 GPT-5.6 系列（Sol、Terra、Luna）后，用其即将推出的 VLM 基准对其视觉能力进行了测试。该基准覆盖检测、计数、OCR 和数据提取等常见任务，结果显示 Sol 是 OpenAI 迄今最强的视觉模型，尤其在物体检测和计数方面进步明显。

在检测任务中，Sol 的得分从 GPT-5.5 的 13.8 mAP@50 跃升至 46.2，Terra 和 Luna 分别为 44.7 和 43.3，将此前明显短板变为实用能力。Sol 在文档布局检测和密集场景（如药丸、鸡蛋）中表现出色。但测试也发现，在约 2000x2000 像素以上的大图中，Sol 稳定性下降，可能输出无意义的边界框；OpenAI 团队确认了这一问题，建议通过缩放或裁剪图像来规避。

计数方面，Sol 得分 73.0%，高于 GPT-5.5 的 64.9%，Terra 和 Luna 分别为 67.6% 和 66.2%。Sol 能处理重叠物体和带规则的计数任务，但对泡罩包装等复杂场景仍会出错。OCR 性能与 GPT-5.5 持平，Sol 均相似度 90.7%，但文本提取得分 82.5%，低于前代的 87.6%，复杂场景下的简单提取仍会失败。

性能提升伴随着更高的 token 消耗和延迟。Sol 平均每图耗时约 10 秒，成本约 2.5 美分；Terra 约 6 秒，Luna 超 5 秒，后者在延迟和质量的平衡上最佳。Roboflow 建议在提示中指定绝对 XYXY 坐标以获得最佳检测效果。