视觉圈刚被第三方评测机构 Roboflow 打了一针清醒剂。这家计算机视觉基准测试平台把 GPT-5.6 全家桶拖进自家 VLM 测试集跑了一圈，结果同时打破两个旧印象：OpenAI 终于能在目标检测上打正面战场，而且最便宜的档位，把上一代旗舰按在地上摩擦。
暴涨的分数：检测从 13.8 到 46.2
目标检测一直是 GPT 系列的重灾区。任务本身很简单：把图里的每个物体框出来。上一代 GPT-5.5 只拿到 13.8 分，在视觉模型圈基本等于交白卷。GPT-5.6 Sol 直接冲到 46.2，三倍还多；Terra 和 Luna 也紧随其后，分别拿下 44.7 和 43.3。
计数同样在涨：Sol 的准确率从 64.9% 升到 73%，Terra 和 Luna 分别是 67.6% 和 66.2%。
最亮眼的是文档版面识别。标题、正文、表格、插图、签名，Sol 都能干净地圈出来——这几乎是所有文档流水线的第一步：先找到「该看哪一块」，再去认字。合同、发票、报表处理的团队都会在意这个变化。
密集场景也扛住了。几十个同款物体挤在一起的图（药片、鸡蛋）是 VLM 的传统翻车现场，这次没有出现漏框、重框、坐标写飞。更刁的测试也过了：一张靶纸只数指定环数区域内的弹孔，Sol 既知道数什么，也知道规则管到哪儿为止。
最便宜的档位，打赢了上代旗舰
对预算敏感的人来说，这里的信息量最大：GPT-5.6 最便宜的 Luna 档，检测 43.3、计数 66.2%，两项都超过上一代旗舰 GPT-5.5。一年的进步，被压缩进了折扣档。
这就是能力通缩：当新一代的入门档跑赢上一代旗舰，价格性能曲线移动的速度，已经快过采购周期的跟进速度。
翻车点：OCR 定向提取反而退步
最反常识的是认字能力变差了。整段转写 Sol 拿到 90.7%，和 GPT-5.5 的 91.2% 基本持平；但「定向提取」——不要全文，只要那一条信息，比如从发票上把日期揪出来——从 87.6% 掉到 82.5%，跌了 5 个点。
失败是具体的，不是全面的。手写笔记它能整段转写，脏轮胎弧面上的尺寸编号它读得出来，冰球直播里的实时比分能按指定格式吐出来。翻车的是一板药上的有效期：字小、竖排、低对比度、还有反光。
一个能读懂比赛转播画面的模型，读不出药盒上的保质期。前沿能力是不均衡的——综合分数恰恰会掩盖这种不均衡。
对 AI 开发者意味着什么
对文档 AI 团队来说，检测一直是瓶颈也是门槛。如果检测真的强起来了，那些围绕「检测会失败」而设计的流水线，值得重新跑一遍基准——仅版面解析这一步，就可能释放下游 OCR 的准确率空间。
模型选型上，别再默认无脑升级最大型号。新一代最便宜的档位，在好几个维度上已经追平甚至超过上一代旗舰。按任务选模型，比按品牌选模型更重要。
评测方法上，单一综合分数会骗人。同一个模型，检测涨三倍、定向提取反而退步——评估集应该贴近真实任务的分布，而不是盯住头条指标。
怎么落地
动手前先跑自己的评估集：合同、发票、表单——就是你流水线真正会遇到的文档。Sol、Terra、Luna 按任务逐个比，别只看总分。
密集计数和版面识别这类任务，GPT-5.6 现在值得一试；定向字段提取，先拿自己的数据验证——退步是真的。
再往远看：检测一旦变成标配能力，竞争就会上移到 Agent 和工作流层。OpenAI 六千亿美元的算力押注（AI 早报-2026年8月18日）是这条曲线还能跑多快的注脚；与此同时，Transformer 标配设计遭集体质疑：COLM 三篇论文揭示隐藏代价提醒我们，模型的地基本身也远未定型。
想看这次发布的全景——三档阵容、编码 Agent、定价策略——见GPT-5.6 发布全景：视觉登顶，更强也更便宜。
