摘要:本文回答一個問題:GPT-6.2 Sol 能不能接住前臺用戶的數據問數,哪些問題還需要再覈查。
GPT-6.2 Sol 做數據分析的表現可以分成兩部分看。在 Plotly 2026 年 11 月 17 日發佈的單輪專項測試裏,它把常規分析、歧義判斷、數據不可回答、數據質量、統計陷阱五類題共 38 道全部答對,單題耗時中位數約 10.5 秒。同一輪測試中,5 道隱藏規律題只過了 2 道。
據此可以得出判斷:口徑明確、影響較小的彙總問數,可以試點交給 Sol 在只讀權限下直接回答;口徑缺失時先讓它澄清;開放式歸因和對外決策要交給分析師複覈。 這個結論有三個前提:測試只跑了一輪,題庫是模擬風電企業的英文題,費用來自 OpenRouter 渠道。換到你自己的數據和渠道之後,需要按題型重新驗收。

GPT-6.2 Sol 數據分析知識地圖與閱讀索引
下圖是全文的任務分流邏輯。每個分支都寫明瞭輸入條件、模型應給出的輸出,以及這個分支在正文中的編號。
用戶提出數據問題
│
├─ 口徑明確 + 低影響彙總 ──→ [1] Sol 只讀問數
│ 輸出:數值 + 分子/分母 + 時間範圍與時區 + 查詢語句
│
├─ 口徑缺失 / 數據不足 ────→ [3.2] 先澄清
│ 輸出:一個具體追問 + 可選口徑列表
│
└─ 開放式歸因 / 對外決策 ──→ [3.3] 交分析師複覈
輸出:初步排查記錄 + 支持證據 + 替代解釋檢查
↓
[2] 用延遲與單題成本決定是否放在前臺
↓
[4] 用自己的數據按題型驗收,交付帶數據日期和查詢證據的結果

各節的先後關係如下。並列的第 3 節可以按需查閱,其餘幾節建議按順序閱讀。
| 節號 | 回答的問題 | 爲下一節提供什麼 | 讀完能做什麼 |
|---|---|---|---|
| 1 | Sol 在哪類題上穩定 | 題型邊界:38/38 與 2/5 | 劃出可以直接問數的範圍 |
| 2 | 放在前臺劃不划算 | 延遲、單題成本和外推假設 | 判斷交互式場景的預算與等待 |
| 3 | 什麼線索要澄清或轉人工 | 三種失分形態與三種輸出樣例 | 設計路由規則 |
| 4 | 怎樣在自己的數據上驗收 | 按題型的指標與邊界 | 產出一份可複覈的交付物 |
To Know:GPT-6.2 Sol 數據分析相關術語
| 術語 | 簡明解釋 |
|---|---|
| 數據倉庫 | 把業務系統中分散的歷史數據歸集起來、供查詢分析用的數據集合 |
| 指標口徑 | 指標的定義、過濾條件、分子分母和時間邊界 |
| 只讀 SQL | 只做檢索和聚合的查詢方式,數據源本身保持只讀權限 |
| 隱藏規律題 | 數據裏預先植入了結構性異常,題目只給線索,模型需要主動找到具體規律 |
| 查詢證據 | 讓他人能夠複覈結論的查詢語句、口徑、結果和數據日期 |
| p50 / p95 延遲 | 一半請求在多長時間內完成 / 95% 的請求在多長時間內完成 |
| 緩存輸入 | 上游計費時被識別爲可複用的輸入 token,單價遠低於普通輸入 |
| 按題型驗收 | 問數、澄清、拒答、探索等題型分開評分,避免總分掩蓋某類錯誤 |
1. GPT-6.2 Sol 做數據分析:先看能穩定驗收的問數結果
1.1 Plotly 測試做了什麼
Plotly 在 Plotly Studio Embedded 測試框架裏,通過 OpenRouter 調用模型,只開放四種只讀工具:列出數據集、執行 SQL 查詢、繪圖、展示表格。測試倉庫模擬一家風電企業,包含約 1,990 萬行數據、44 張表、554 列。43 道英文題按答案鍵和評分規則逐題判定是否通過。判分模型是 Claude Sonnet 5,temperature=0,失分題目由團隊人工複覈。
這套設置接近企業 BI 問數的真實形態:模型看不到全部數據,只能自己找表、寫 SQL、讀結果再作答。題庫和答案鍵由 Plotly 保留,外部無法逐題復現,所以下面的數字應理解爲一次有方法說明的單輪觀察,不宜當作穩定排名。
| 題型 | 題數 | GPT-6.2 Sol 結果 | 對業務的含義 |
|---|---|---|---|
| 常規分析 | 20 | 20/20 | 固定口徑彙總可以試點直答 |
| 歧義判斷 | 5 | 5/5 | 能識別問題本身有多種理解 |
| 數據不可回答 | 5 | 5/5 | 數據不支持時能拒答,不硬編數字 |
| 數據質量 | 3 | 3/3 | 能注意到缺失、重複等問題 |
| 統計陷阱 | 5 | 5/5 | 能避開常見的統計誤讀 |
| 隱藏規律 | 5 | 2/5 | 開放式找規律仍需人工驗證 |
| 合計 | 43 | 40/43 | 前 38 題全過,失分全部集中在探索題 |
Plotly 還提到,其他模型在復跑時出現過最多三題的波動。40/43 與滿分只差三題,正好落在這個波動範圍內。因此更值得關注的是失分的分佈:失分全部落在隱藏規律題,前五類一題沒錯。
1.2 爲什麼固定口徑的問數可以複覈
以售後報表爲例,「過去 7 天各倉庫退貨率」能夠穩定驗收,前提是三件事已經事先固定:分母是已簽收訂單還是全部訂單,時間範圍按哪個時區截斷,過濾條件是否排除了測試單和內部單。這三點一旦寫進口徑文檔,模型生成的 SQL 和結果就能逐項與人工查詢覈對。
固定口徑把「模型是否聰明」變成了「數字是否一致」,後者可以自動比對。這也是 38 道題能全過、而且全過有意義的原因:這些題大多有唯一的標準答案。
2. GPT-6.2 Sol 數據分析的延遲與成本:要不要放在前臺
2.1 兩代 Sol 的整輪對照
用戶在前臺問數,等待時間直接決定體驗。Plotly 報告給出了 GPT-6.2 Sol 與 GPT-6.1 Sol 在同一輪 43 題上的對照:
| 指標 | GPT-6.1 Sol | GPT-6.2 Sol | 變化 |
|---|---|---|---|
| 整輪費用 | $2.61 | $1.22 | 約低 53.3% |
| 單題耗時中位數 | 17.6 秒 | 10.5 秒 | 約低 40.3% |
| 工具調用次數 | 258 | 158 | 明顯減少 |
| 模型調用次數 | 227 | 173 | 減少 |
| 輸入量 | 約 780 萬 tokens | 約 460 萬 tokens | 減少 |
| 輸出量 | 約 7 萬 tokens | 約 4.5 萬 tokens | 減少 |
| 緩存輸入比例 | 94% | 97% | 提高 |

兩代 Sol 的短上下文 Standard 基礎標價相同,但整輪費用接近減半。差距來自任務過程:調用輪次更少,讀寫的 token 更少,緩存命中率更高。所以評估數據分析場景的成本時,應以「完成一道題花多少錢」爲單位,每百萬 token 的標價只是其中一個因素。
2.2 每千題約 $28.4 的外推與假設
把整輪 $1.22 除以 43 題,均攤約 $0.0284/題,外推到每千題約 $28.4。這個數字成立需要同時滿足以下假設:
- 題型分佈與 Plotly 的 43 題相同,其中探索題約佔 12%;
- 使用同樣的 OpenRouter 渠道與計價;
- 緩存比例保持在 97% 左右,題目之間共享相同的系統提示和表結構說明;
- 每題只跑一次,沒有重試。
Plotly 榜單上另一個數字是單題成本中位數 $0.017,它和均攤值屬於不同統計量。探索題調用工具多、耗時長,會把均值拉高,中位數則更接近一道普通問數題的成本。做預算時可以用中位數估算日常問數,再按探索題佔比單獨加一部分。
OpenAI 官方短上下文 Standard 價格爲:普通輸入 $2.00、緩存讀取 $0.10、輸出 $10.00(USD / 百萬 token,輸出已含推理 token)。請求輸入總量超過 272K 時整單切到長上下文檔。API易 apiyi.com 公開定價接口的短檔與官方一致,長檔爲輸入 $3、緩存讀取 $0.15、緩存寫入 $3.75、輸出 $11.25。問數場景的單次請求通常遠低於 272K,只有一次性塞入大量表結構或歷史結果時才需要關注切檔。
3. GPT-6.2 Sol 數據分析的三類線索:何時澄清、何時轉人工
3.1 隱藏規律題爲什麼失分
在不含隱藏規律的 38 道題裏,6.2 Sol 平均每題約 2.9 次工具調用,6.1 Sol 約 4.3 次,兩者都全部通過。到了 5 道隱藏規律題,Sol 專項報告記錄 6.2 Sol 平均約 9 次數據庫查詢,6.1 Sol 約 16 次。(Plotly 總榜文章舉例時,前代用的是約 18 次的口徑,本文以專項報告爲準。)
人工檢查後,三道失分題分別是:
- 沒有把植入的規律單獨分離出來;
- 沒有指出具體哪些對象受到影響;
- 沒有查到效應實際存在的那一部分數據。
三種失分有一個共同點:查詢停在了表層。可以把這記作一條觀察:新版在探索題上的搜索更淺。至於「查詢次數少導致失分」這一因果關係,需要控制變量的實驗才能確認。對業務而言,結論是一樣的:凡是需要主動蒐證據的歸因題,不能把模型的第一個答案直接當結論。
3.2 口徑缺失:先問再答
下面用一個虛構的售後工單數據集演示三種輸出。數據集包含訂單、工單、商品批次、倉庫四張表,以下輸出是設計樣例,並非實測結果。
正常回答(口徑明確)。用戶問「按倉庫列過去 7 天的退貨率」,合格的輸出除了每個倉庫的數值,還要保留:分子(實物退貨工單數)、分母(同期已簽收訂單數)、日期範圍及時區(如北京時間 11-13 至 11-19)、聚合維度(倉庫),並附上執行過的 SQL。
先問口徑(口徑缺失)。用戶只問「上週退貨率多少」,模型應先追問:「退貨率按退款申請計,還是按實物退回計?兩者在僅退款場景下差別較大。」然後列出兩種口徑供用戶選擇,用戶選定之前不輸出數字。
3.3 開放式歸因:轉交分析師
用戶問「某渠道退貨率翻倍,異常集中在哪些批次」,這就進入了隱藏規律題的範疇。模型可以先做初步排查:確認數據有沒有缺失、整體樣本量是否足夠,再依次按渠道、品類、倉庫、批次切分。輸出中至少要保存一項支持證據,以及一項用於排除替代解釋的檢查(例如確認該渠道當週訂單量沒有異常下滑,排除分母變小造成的翻倍)。
做完這些之後,輸出應標註爲「待分析師複覈」,而不是「結論」。路由規則可以概括爲一張表:
| 線索 | 典型問法 | 路由 | 模型輸出 | 驗收重點 |
|---|---|---|---|---|
| 口徑明確、低影響 | 各倉庫 7 天退貨率 | Sol 只讀問數 | 數值 + 口徑 + SQL | 數值與人工查詢一致 |
| 口徑或數據不足 | 上週退貨率多少 | 先澄清 | 一個追問 + 候選口徑 | 追問切中缺口 |
| 開放式歸因、對外決策 | 異常集中在哪些批次 | 交分析師複覈 | 排查記錄 + 支持證據 + 替代解釋檢查 | 證據覆蓋、誤報與漏報 |
4. 用自己的數據驗收 GPT-6.2 Sol 數據分析能力
4.1 接入與路由代碼
gpt-6.2-sol 可以通過 Responses 和 Chat Completions 兩個端點調用,函數調用和內置工具走 Responses 路徑。兩個端點都不接受 none 推理檔位,遷移舊代碼時需要檢查這個參數。下面是用 Chat Completions 做路由分類的最小示例:
import openai, json
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # API易 OpenAI 兼容接口
)
question = "上週退貨率多少"
resp = client.chat.completions.create(
model="gpt-6.2-sol",
messages=[
{"role": "system", "content": "把用戶的數據問題分類爲 direct / clarify / escalate,"
"只返回 JSON:{\"route\":..., \"reason\":...}"},
{"role": "user", "content": question},
],
)
print(json.loads(resp.choices[0].message.content))
查看只讀 SQL 工具調用的完整示例(Responses API)
import openai, json, sqlite3
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1"
)
# 數據庫層面以只讀方式打開,正則檢查只是第二道保險
conn = sqlite3.connect("file:aftersales.db?mode=ro", uri=True)
def run_readonly_sql(sql: str) -> str:
head = sql.strip().lower()
if not (head.startswith("select") or head.startswith("with")):
return json.dumps({"error": "only read-only queries allowed"})
rows = conn.execute(sql).fetchmany(200)
return json.dumps({"rows": rows, "row_count": len(rows)}, default=str)
tools = [{
"type": "function",
"name": "run_readonly_sql",
"description": "在售後數據倉庫執行只讀 SQL,返回最多 200 行",
"parameters": {
"type": "object",
"properties": {"sql": {"type": "string"}},
"required": ["sql"],
},
}]
instructions = (
"你是數據分析助手。回答必須包含:分子、分母、時間範圍與時區、聚合維度、所執行的 SQL。"
"口徑不明確時先提問;涉及歸因的結論標註爲待分析師複覈。"
)
resp = client.responses.create(
model="gpt-6.2-sol",
instructions=instructions,
input="按倉庫列過去 7 天的退貨率",
tools=tools,
)
# 循環處理工具調用,直到模型給出最終回答
while True:
calls = [o for o in resp.output if o.type == "function_call"]
if not calls:
break
outputs = [{
"type": "function_call_output",
"call_id": c.call_id,
"output": run_readonly_sql(json.loads(c.arguments)["sql"]),
} for c in calls]
resp = client.responses.create(
model="gpt-6.2-sol",
previous_response_id=resp.id,
input=outputs,
tools=tools,
)
print(resp.output_text)
print("output_tokens:", resp.usage.output_tokens)
🚀 快速開始:用自己的業務樣本驗收時,可以通過 API易 apiyi.com 申請新用戶免費測試額度。同一個 API Key 可以切換
gpt-6.2-sol與其他主流模型,在同一套題目上橫向對比,數據源保持只讀即可。
4.2 按題型的驗收指標
驗收題庫建議覆蓋第 3 節的三種路由,每種題型單獨計分。
| 題型 | 主要指標 | 判定方式 | 建議記錄 |
|---|---|---|---|
| 固定口徑問數 | 數值正確率 | 與人工 SQL 結果逐行比對 | 單題成本、p50/p95 延遲 |
| 口徑缺失 | 澄清合適率 | 追問是否命中真正缺失的口徑 | 是否出現「不該問卻問」 |
| 數據不可回答 | 拒答正確率 | 不編造數字 | 誤答次數 |
| 開放式歸因 | 證據覆蓋、誤報與漏報 | 支持證據 + 替代解釋檢查是否齊全 | 多次復跑的一致性 |
Plotly 報告只給出了耗時中位數,你自己的驗收要補上 p95。前臺體驗往往被少數長尾請求拖累,探索題尤其容易出現長尾。成本方面,從 usage.output_tokens 讀取輸出量,推理 token 通常列在 output_tokens_details.reasoning_tokens 子項裏,再結合緩存讀取量算出每題實際花費。
4.3 小樣本與復跑的邊界
Plotly 的隱藏規律只有 5 題,2/5 的置信區間很寬,換一批題可能是 1/5,也可能是 4/5。其他模型復跑時出現過最多三題的波動,所以單輪的總分差異不足以支撐選型。自己驗收時,探索題至少重複運行幾輪,並且對齊五個變量:數據快照、工具集、模型推理檔位、調用渠道、判分表。任何一項變了,前後結果就不能直接比較。
💡 驗收建議:渠道是容易被忽略的變量。Plotly 的費用來自 OpenRouter,你的生產渠道計費和緩存策略可能不同。建議在 API易 apiyi.com 上用同一份數據快照復跑,結合實際賬單重新算每千題成本,再決定前臺的配額。
4.4 一條可驗收的交付物
驗收通過的標準是:每條問數結果都能讓第三個人獨立複覈。下面是一條合格交付物的形態(虛構數據):
question: 按倉庫列過去 7 天的退貨率
route: direct
data_snapshot: 2026-11-19 23:59 (Asia/Shanghai)
metric_definition:
numerator: 實物退回工單數(status = returned)
denominator: 同期已簽收訂單數(排除測試單、內部單)
time_range: 2026-11-13 ~ 2026-11-19,北京時間
group_by: warehouse_id
query: "SELECT w.warehouse_id, ... GROUP BY w.warehouse_id"
result: [{warehouse: 華東一倉, rate: 3.1%}, {warehouse: 華南二倉, rate: 2.4%}]
model: gpt-6.2-sol
cost_usd: 0.012
latency_s: 8.7
reviewer: 無需複覈(固定口徑問數)
一條交付物包含數據日期、口徑、查詢和結果,GPT-6.2 Sol 在前臺問數這一環就可以驗收。沒有這幾項的輸出,即使數字恰好正確,也不應進入報表。想在自己的倉庫上跑通這套流程,可以從 API易 apiyi.com 的 OpenAI 兼容接口開始,先上線固定口徑問數,再逐步擴展到澄清和歸因。
參考資料
- Plotly – GPT-6.2 Sol 數據分析專項報告:43 題分項結果、費用與耗時對照
- 鏈接:
plotly.com/blog/gpt-6-2-sol-plotly-data-analytics-bench
- 鏈接:
- Plotly – DataAnalyticsBench 測試方法:題型設計、判分規則與榜單統計口徑
- 鏈接:
plotly.com/blog/introducing-dataanalyticsbench
- 鏈接:
- OpenAI – GPT-6.2 Sol 模型卡:上下文窗口、端點支持與長上下文計費規則
- 鏈接:
developers.openai.com/api/docs/models/gpt-6.2-sol
- 鏈接:
- OpenAI – API 定價:Standard 輸入、緩存與輸出單價
- 鏈接:
developers.openai.com/api/docs/pricing
- 鏈接:
- API易 公開定價接口:
gpt-6.2-sol的短檔與長檔計價表達式- 鏈接:
api.apiyi.com/api/pricing
- 鏈接:
作者: APIYI 技術團隊
技術交流: 歡迎在 API易官網首頁聯繫我們,更多接入資料可訪問 docs.apiyi.com 文檔中心