Apa?!
GPT-5.6 Sol, ternyata adalah "Master Visual" tersembunyi.
Baru-baru ini, lembaga evaluasi visual pihak ketiga Roboflow, memasukkan "paket lengkap" GPT-5.6 ke benchmark VLM mereka sendiri untuk diuji.
Materi yang diuji, semuanya adalah pekerjaan yang paling praktis: menemukan objek, menghitung objek, mengenali teks, mengekstrak informasi.
Hanya dalam tugas deteksi objek ini, generasi sebelumnya GPT-5.5 hanya mendapat skor 13.8. Skor ini, di kalangan model visual, pada dasarnya sama dengan mengembalikan kertas kosong.
Kali ini Sol melonjak ke 46.2, lebih dari tiga kali lipat.
Pimpinan proyek Roboflow SkalskiP secara tegas menyatakan, "GPT-5.6 Sol adalah model visual terkuat yang pernah dimiliki OpenAI sepanjang sejarah"!
GPT-5.6 "Versi Super Jumbo", AI Visual Terkuat OpenAI
Selama ini, deteksi objek adalah area bencana bagi seri GPT. Tugasnya sederhana: meminta model untuk melingkari setiap objek dalam gambar.
Kinerja GPT-5.5 generasi sebelumnya, pada dasarnya sama dengan "tahu ada objek di gambar, tapi tempat melingkarinya hanya mengandalkan tebakan".
Skor GPT-5.6 Sol, langsung melonjak ke 46.2, lebih dari tiga kali lipat.
Yang lebih menarik, Terra dan Luna juga mengikuti di belakangnya, dengan skor 44.7 dan 43.3.
Patut dicatat, Luna adalah varian termurah di generasi ini, skor deteksinya tetap menginjak-injak flagship generasi sebelumnya.
Dalam hal penghitungan, skor juga meningkat.
Akurasi Sol naik dari 64.9% di GPT-5.5 menjadi 73%, Terra dan Luna masing-masing 67.6% dan 66.2%.
Lalu, di mana tepatnya GPT-5.6 kuat?
Pengenalan layout dokumen paling menonjol, judul, isi, tabel, ilustrasi, tanda tangan, Sol dapat melingkarinya dengan rapi.
Hal ini bukan hal sepele bagi orang yang menangani kontrak, faktur, laporan: hampir semua langkah pertama dalam pipeline pemrosesan dokumen, adalah menemukan "bagian mana yang harus dilihat" terlebih dahulu, baru kemudian mengenali teks.
Bahkan dalam skenario padat, GPT-5.6 juga bertahan.
Gambar-gambar seperti pil, telur yang berpuluh-puluh objek serupa berjejal bersama, adalah tempat tradisional VLM mengalami kegagalan.
Karena model besar menggambar kotak, adalah dengan mencetak angka satu koordinat demi satu koordinat, semakin banyak objek, semakin panjang output, semakin tinggi kemungkinan objek terlewat, berulang, atau koordinat tertulis salah.
Bahkan ada yang lebih sulit: selembar kertas target, hanya memintanya menghitung lubang peluru yang jatuh di area lingkaran nilai tertentu.
Sol langsung melakukannya dengan benar, ia tidak hanya tahu apa yang harus dihitung, tetapi juga tahu di mana aturan berakhir.
Harus diakui, kemajuan di bagian ini nyata.
Serba Bisa? Tidak Ada
Bagian yang paling berlawanan dengan akal sehat ada di sini: kemampuan Sol dalam mengenali teks, mengalami kemunduran.
Transkripsi OCR seluruh paragraf, Sol mendapat 90.7%, lebih rendah setengah poin dari 91.2% GPT-5.5, perbedaannya tidak besar.
Tapi dalam hal "ekstraksi terarah" ini, tidak perlu teks lengkap, hanya informasi spesifik itu, seperti mencabut tanggal pada faktur, Sol hanya berhasil mencapai 82.5%, GPT-5.5 adalah 87.6%, turun 5 poin.
Ia bukan tidak bisa mengenali teks. Catatan tulisan tangan dapat ditranskripsikannya seluruh paragraf, juga dapat dengan akurat memilih tanggal, kode ukuran yang tercetak pada permukaan ban kotor yang melengkung dapat dibacanya.
Juga, skor langsung pada siaran langsung pertandingan hoki es, dapat dikeluarkannya sesuai format yang Anda tentukan.
Yang gagal adalah baris tanggal kadaluwarsa pada bungkus obat: huruf kecil, tegak lurus, kontras rendah, dan ada pantulan cahaya.
Model yang dapat memahami siaran langsung pertandingan, namun tidak dapat membaca kapan obat di tangan Anda kadaluwarsa.
OpenAI Mengakui, Kotak Deteksi Melayang Saat Gambar Besar
Pada beberapa gambar, kotak deteksi yang dikembalikan Sol akan melayang ke tempat yang sama sekali tidak berhubungan dalam gambar.
Tumpang tindih hampir nol dengan objek nyata, dan kotak-kotak ini seringkali tersusun dengan sangat rapi: satu garis lurus, atau sekelompok yang terdistribusi merata.
Roboflow mengirimkan contoh-contoh ini kepada OpenAI. Balasan mereka tegas: Sol menjadi tidak stabil ketika ukuran gambar mencapai sekitar 2000×2000 piksel atau lebih, semakin rendah tingkat inferensi yang diatur, semakin tidak stabil.
Ada dua solusi. Pertama, tingkatkan tingkat inferensi, stabil memang, tetapi penggunaan Token, latensi, dan tagihan semuanya ikut naik.
Kedua adalah yang paling sederhana dan paling efektif: sebelum dikirim ke API, perkecil atau potong gambar terlebih dahulu.
Lalu lihat seluruh tagihan, biaya dan kecepatan berdasarkan pengujian Roboflow:
Sol: sekitar 2.5 sen/dolar AS per gambar, sekitar 10 detik; Terra: sekitar 1 sen/dolar AS per gambar, sekitar 6 detik; Luna: kurang dari 0.5 sen/dolar AS per gambar, sekitar 5 detik
Sementara Gemini 3.5 Flash 0.8 sen per gambar, dua pertiga lebih murah dari Sol, dan deteksi serta penghitungan dalam benchmark ini masih tetap memimpin.
Menghadapi tugas deteksi dan penghitungan frekuensi tinggi dan volume besar, Gemini Flash tetap adalah "Raja Efisiensi Biaya".
Jadi, GPT-5.6 Sol kali ini benar-benar mengejutkan, adalah kemampuan visual yang sedang beralih dari "memahami sebuah gambar", melangkah masuk ke "benar-benar melakukan pekerjaan visual".
Mencari target, menggambar kotak, menghitung, memahami hubungan spasial, membedah layout dokumen.
Wilayah-wilayah yang dulu lebih mirip milik model visual khusus ini, kini sedang dimakan sedikit demi sedikit oleh model besar.
Babak kedua model visual besar, telah berubah dari "bisa tidak memahami" menjadi persaingan "akurat tidaknya dalam bekerja".
GPT-5.6 menunjukkan ototnya, tetapi perang efisiensi biaya, baru saja dimulai.
Artikel ini dari akun WeChat "Xin Zhi Yuan", penulis: ASI Revelation
