根据 2026 年 11 月 11 日发布的信息,Azure Content Understanding 新增 GPT-5.6、GPT-6 与 GPT-6.1 模型系列,扩大了文档、文本、语音和视频工作流的模型选择。此次更新还调整了模型建议并公开评测数据,重点不是选出统一赢家,而是让团队根据质量、令牌成本、可用性和吞吐量配置部署。
文档抽取默认从 Sol 起步,再按成本测试 Luna 和 Astra
厂商建议标准文档抽取以 GPT-6.1 Sol 为起点。若令牌成本最敏感,可以测试 GPT-6 Luna;当小幅质量提升足以覆盖溢价时,再考虑 GPT-6 Astra。在厂商 GA 文档抽取评测中,仅使用 Schema 时,Astra 的 95.95% 略高于 Sol 的 95.74%;加入 5 个已标注样本后,两者差距缩小到 0.11 个百分点。
Preview 评测的排序则相反:仅使用 Schema 时,Sol 为 96.06%,Astra 为 95.58%;加入 5 个标注样本后,两者分别为 97.10% 和 97.06%。Astra 在这些文档测试中的补全令牌费用约为 Sol 的 5 倍,因此只有在 Sol 的剩余错误可能引发昂贵复核或错误的下游决策时,才值得单独比较。
另一条路径是给分析器添加已标注样本。厂商测试中,Luna 加入 5 个样本后,抽取质量从 91.82% 提升到 94.16%,费用仍低于 Sol。不过,样本会增加令牌消耗和准备成本,在未用作示例的文档上能否保持效果仍需验证。
文档、视频和语音应分别选型
- 文档分段:厂商 GA 基准中,Astra 的 Segment F1 为 98.00%,Sol 为 97.10%。
- 视频:九种模型的比较中,GPT-6 Sol 的 headline video Generation F1 为 86.40%±0.70 个百分点,长视频分段均值为 80.10%±1.20 个百分点;GPT-6.1 Sol 在短视频广告上为 93.60%±0.40 个百分点,其相对弱项集中在长视频。
- 语音:GPT-5.2 的 GA 字段分类均值最高,GPT-5.5 的字段生成表现领先。这里衡量的是从音频提取结构化字段,并非转写质量;官方表示仍会继续调查语音任务之间的差异是否显著。
不同任务的百分比不能合并排名
F1 同时关注命中预期结果和避免错误结果,但各任务的计分规则不同,不应把这些百分比拼成单一模型榜单。厂商图表展示的是 GA 评测平均值;令牌费用以“仅使用 Schema 的 Sol”为 1.00×,不包含与模型选择无关的服务处理等费用,预算时应结合当前费率。实际结果还会随文档内容和工作任务而变化。
在自己的内容上进行公平比较
测试时应保持分析器、Schema、代表性输入和标注样本不变,只替换模型部署。先从 Sol、Luna、Astra 中选择两到三个候选,比较输出质量、延迟、令牌用量、失败率、区域可用性和吞吐量。
- 在 Content Understanding Studio 中打开 Settings,添加 Foundry 资源并配置默认模型部署;没有合适默认部署时,Studio 可以自动部署所需模型。
- 通过 REST API 评测时,可在每次 analyze 请求中传入不同的 modelDeployments 映射。请求级配置会覆盖资源默认值,从而保持分析器和输入不变,仅切换 completion deployment。
- 最终应根据业务错误成本选择模型,而不是依据某一项厂商评测指标直接决定。
资料来源:Content Understanding adds GPT-5.6, GPT-6, and GPT-6.1: Choose the right model for your workload(2026-11-11)。
一起聊聊
留下你的想法,评论审核通过后展示。