研究团队将 50 个 GPT-6.1 Sol 智能体放入 Minecraft 生存世界运行三小时，唯一指令是“建立繁荣文明”，智能体共交换约 5900 条消息。
首个游戏夜晚出现 22 次死亡后，被推举为领袖的 Ada 下令停止主要建造与远距离探索，智能体转向配给管理和轮班钓鱼，四个智能体还花 11 分钟争论是否设立“唯一肥料官”。在 Minecraft Bed Wars 的九轮对战中，GPT-6.1 Sol 以 6-3 击败 Claude Opus 5.5；在 Mindustry 的七场对战中，Codex 环境下的 GPT 以 6-1 击败 Claude Code 环境下的 Claude。
Convovo 的一项研究通过 API 向 Grok 4.7 和 GPT-6.1 Sol 提出强制二选一的问题，在近 500 场选举中，Grok 有 92% 的回答推荐共和党候选人，GPT 有 97% 推荐民主党候选人，两者一致率不足 10%。
两家消费端应用均拒绝回答，OpenAI 发言人称该测试针对开发者 API，不代表 ChatGPT 的实际体验。研究还发现两者引用的信息源不同，Grok 常引用保守派选民指南和 X，GPT 更多依赖 Wikipedia、AP、Axios 和 Reddit；关闭联网搜索后，GPT 的民主党倾向仍在，Grok 的共和党倾向消失，多数情况拒绝选择。
一项新基准测试让商用 AI 智能体在无人类提示下解答理论物理研究问题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 50 题中的 49 题（98%），平均每题成本不到 3 美元，整套基准约 116 美元。
Anthropic 的 Opus 5.5 在 Claude Code 中得分 92%，Google Gemini 3.8 Flash 为 68%，开源权重模型 DeepSeek-V4.1-Flash 和 GLM 5.3 分别为 54% 和 42%。题目覆盖理论物理 11 个子领域，刻意避开重大开放问题，聚焦对已知方法略作改动的常规计算。
读者可看到前沿模型在理论物理论文级计算上的实测成绩、成本与失败模式，以及作者对科研训练和资源分配影响的判断。
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5 的单智能体与团队模式，团队成本是单智能体的 1.8 倍到 5.1 倍，四次对比中只有 GPT-6 Sol 在中等推理强度下团队得分高出 7.3 分，最大推理强度下两种模型都无实质优势。