
GPT-6.2 Sols 82 % Browser-Use-Score ist ein Tweet, kein Leaderboard-Eintrag
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 184 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 223 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 87 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 96 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Am 18. November teilte Browser Use mit, dass GPT-6.2 Soldas beste Modell in seinem Browser-Agent-Benchmark sei: 82 %, gegenüber 81 % für GPT-6.1 Sol, 35 % günstiger pro Aufgabe, doppelt so schnell und 36 % weniger Schritte. Greg Brockman verstärkte das am selben Tag mit „GPT-6.2 ist unglaublich gut bei der Browser-Nutzung." Zwei Tage zuvor hatte OpenAI GPT-6.2 Sol für 2 US-Dollar pro Million Input-Token und 10 US-Dollar pro Million Output-Token veröffentlicht. Die Behauptung ist gut, und sie ist wahrscheinlich in der Tendenz richtig. Sie ist außerdem, Stand heute, der einzige Ort, an dem diese vier Zahlen existieren. Das eigene öffentliche Leaderboard von Browser Use führt GPT-6.1 Sol weiterhin mit 81,3 und hat überhaupt keine Zeile für GPT-6.2 Sol – die Ergebnisseite trägt einen Zeitstempel der letzten Änderung vom 29. Oktober 2026, und die URL, unter der eine modellspezifische Seite für GPT-6.2 Sol liegen würde, liefert einen 404. Die ehrliche Version dieser Geschichte ist also enger und nützlicher als der Tweet: Ein Benchmark-Anbieter sagt dir, dass das Modell, das er jetzt auf Platz eins führt, besser, günstiger und schneller ist als das Modell, das er vor drei Wochen auf Platz eins führte, und das Board, das du normalerweise zur Bestätigung prüfen würdest, ist noch nicht nachgezogen.
Was Browser Use tatsächlich gepostet hat, im vollständigen Wortlaut
Der zitierte Beitrag stammte um 00:09 UTC am 18. November aus dem eigenen Account von Browser Use. Er lautet: „GPT-6.2 Sol ist das Topmodell für die Browsernutzung 👀 — 82 %, gegenüber 81 % für GPT-6.1 Sol; 35 % günstiger; 2x schneller: 12 Min. statt 22 Min.; 36 % weniger Schritte.“ Das sind vier getrennte Aussagen von sehr unterschiedlicher Aussagekraft, und sie sollten getrennt werden, bevor mit einer von ihnen eine Migration gerechtfertigt wird.
• Punktzahl — 82 gegenüber 81. Ein Punkt Unterschied bei einer mittleren gewichteten Rubrikpunktzahl von 0–100 in einem Benchmark, dessen veröffentlichte Methodik 180 Aufgaben beschreibt, die auf Live-Websites ausgeführt werden. Ein Punkt liegt innerhalb der Rauschbandbreite eines Benchmarks, der wiederholt gegen sich verändernde Drittanbieter-Websites läuft.
• Kosten pro Aufgabe — 35 % günstiger. Das ist die stärkste Behauptung in diesem Set, denn sie ist diejenige, die ein Agent-Betreiber kostengünstig reproduzieren kann, und weil sie arithmetisch gebunden ist: Die Token-Preise haben sich nicht geändert, also muss die Einsparung von woanders kommen.
• Wall-Clock-Zeit – 12 Minuten statt 22. Dies ist die Behauptung, die den vom Anbieter selbst veröffentlichten Daten am unmittelbarsten widerspricht, und sie wird unten behandelt.
• Schritte — 36 % weniger. In einem Browser-Agenten sind Schritte Tool-Aufrufe, und Tool-Aufrufe sind der Punkt, an dem eine Agentenschleife sowohl Geld als auch Zeit verbraucht. Eine Reduzierung der Schritte um 36 % erklärt plausibel die meisten der anderen drei Zahlen auf einmal.
Browser Use Bench v2.1 ist keine Marketing-Übung. Die Methodik-Karte sagt ausdrücklich, dass die Punktzahl ein gewichteter mittlerer Rubrik-Score pro Aufgabe auf einer Skala von 0–100 ist, dass die Kostenspalte die geschätzten Modellkosten pro Aufgabe in USD angibt und Such-, Judge-, Browser- und Runner-Kosten ausschließt und dass die Läufe auf 180 Live-Websites statt auf einem eingefrorenen Testsatz erfolgen. Das ist ein echtes Messregime. Es ist zugleich ein Regime, in dem eine Verschiebung um einen einzelnen Punkt und ein erneuter Lauf auf Live-Sites nicht dieselbe Art von Beleg sind, weshalb das Board historisch konservativer war als seine eigenen Social-Media-Posts.
Die vier Zahlen stehen nicht auf der Tafel.
Wir haben die Rangliste am 19. November 2026 unter browser-use.com/benchmarks/agents geprüft. Die in diese Seite eingebetteten Metadaten des strukturierten Datensatzes lauten weiterhin „Browser Use Bench v2.1 model results“ mit einem dateModified vom 2026-10-29. Die Suche im Quelltext der Seite nach der Zeichenfolge „GPT-6.2“ ergibt null Treffer. Die modellspezifische Seite unter browser-use.com/benchmarks/models/gpt-6-2-sol existiert nicht – sie liefert einen 404-Stub. Und die FAQ der Seite selbst beschreibt die aktuelle Rangfolge weiterhin als „GPT-6.1 Sol high: 81,3 von 100 bei 1,92 US-Dollar pro Aufgabe, auf 180 Aufgaben auf Live-Websites. Als Nächstes folgt GPT-6 Sol high mit 79,4.“

Das ist keine Anschuldigung böswilliger Absicht. Benchmarks werden in einem festen Rhythmus veröffentlicht, Ankündigungen nicht; der Account, der am 18. November gepostet hat, ist derjenige, der den Prüfstand betreibt, daher hat er die Zahlen, bevor die Website sie hat. Aber es bestimmt den erkenntnistheoretischen Status dieses Beitrags und jeder Beschaffungsentscheidung, die diese Woche darauf gestützt wird: Die Zahlen 82 %, 35 %, 2x und 36 % sind vom Anbieter gemeldet und unveröffentlicht, in dem spezifischen Sinne, dass die eigene veröffentlichte Tabelle des Anbieters sie noch nicht enthält. Ein Team, das heute einen Produktions-Browser-Agenten auf GPT-6.2 Sol umstellt, handelt aufgrund einer Benchmark-Ankündigung, nicht eines Benchmark-Ergebnisses.
Die gute Nachricht ist, dass die Ankündigung leicht zu falsifizieren ist. Wenn die Zahlen stimmen, sollte innerhalb weniger Tage ein aktualisiertes Board mit einer Zeile für GPT-6.2 Sol erscheinen, und die vier Zahlen sollten den Kontakt mit dem JSON überstehen. Wenn die Zeile mit anderen Zahlen erscheint, werden Sie es wissen, bevor Sie irgendetwas neu aufgebaut haben.
Die Grundlinie im Tweet stimmt nicht mit der Grundlinie auf dem Board überein.
Hier ist das Detail, das es wert ist, hervorgehoben zu werden, denn es ist die Art von Sache, die verloren geht, wenn eine Behauptung als Screenshot weiterverbreitet wird. Der Tweet gibt das vorherige Ergebnis von GPT-6.1 Sol mit „81 %“ und „22 min“ an. Die veröffentlichte Rangliste von Browser Use gibt GPT-6.1 Sol bei hohem Reasoning-Aufwand mit 81,3 von 100 bei 1,92 US-Dollar pro Aufgabe und einem Median von 14,3 Minuten an. Der Wert ist nah genug dran – 81 und 81,3 sind dieselbe Zahl, nur unterschiedlich gerundet. Die Zeit nicht. Vierzehn Minuten und zweiundzwanzig Minuten sind nicht dieselbe Messung.

Es gibt unschuldige Erklärungen. Die Zeitspalte der Rangliste ist ein Median über 180 Live-Aufgaben, und Mediane reagieren empfindlich darauf, welche Aufgaben herausgenommen werden, wenn eine Website ausfällt; 22 Minuten könnten ein Mittelwert sein, könnten eine Teilmenge ausschließlich aufwandsintensiver Aufgaben sein, könnten ein anderer Aufgabenausschnitt sein oder könnten die Laufzeit sein, bevor ein Harness-Fix zwischen dem 29. Oktober und dem 18. November eingeflossen ist. Es gibt auch eine weniger unschuldige: Die Zeitangabe im Tweet ist ein Vergleich, der so gewählt wurde, dass das neue Modell schneller aussieht, und der ehrliche Nenner für eine 2x-Geschwindigkeitsbehauptung ist das, was derselbe Harness am selben Tag für das alte Modell produzierte.
Das lässt sich von außen nicht klären. Was Sie tun können, ist, dieses Verhältnis nicht zu übernehmen. „Doppelt so schnell" heißt hier: „Der Prüfaufbau des Anbieters vom 18. November hat 12 Minuten gemessen, wo er für das Vorgängermodell 22 Minuten gemessen hat" – und nicht: „GPT-6.2 Sol ist doppelt so schnell wie das Modell, das laut öffentlichem Leaderboard in 14,3 Minuten läuft." Wenn die Geschwindigkeit der Grund ist, aus dem Sie den Wechsel erwägen, dann ist die Zahl, mit der Sie planen sollten, die veröffentlichte Angabe von 14,3 Minuten – bis eine neue Rangliste sie ersetzt, denn hinter dieser steht als einziger eine Methodikseite.
Warum „35 % günstiger“ die Behauptung ist, mit der Rechnung darunter
Die Preisgestaltung macht die Kostenaussage auf eine Weise überprüfbar, wie es bei den anderen nicht der Fall ist. GPT-6.2 Sol und GPT-6.1 Sol haben laut den eigenen Modellseiten von OpenAI dieselbe Preisliste:
• Eingabe — 2,00 $ pro Million Tokens bei beiden.
• Zwischengespeicherte Eingabe — 0,10 $ pro Million Tokens bei beiden. Cache-Schreibvorgänge kosten 2,50 $ pro Million für einen 30-Minuten-Cache, 5,00 $ für den 12-Stunden-Schreibvorgang, bei beiden.
• Ausgabe — 10,00 $ pro Million Tokens bei beiden.
• Langer Kontext – ab 272.000 Eingabe-Tokens verdoppeln sich die Eingabe- und Cache-Raten und die Ausgaberate steigt für die gesamte Anfrage auf das 1,5-Fache, bei beiden Modellen. Die Schwelle liegt an derselben Stelle.
• Batch — 50 % der Standardtarife bei beiden; Fast mode verdoppelt, Ultrafast verdreifacht bis zum 28. Februar 2027 und versechsfacht ab dem 1. März 2027 bei beiden.
• Kontext — 1.050.000-Token-Fenster, 922.000 maximale Eingabe, 128.000 maximale Ausgabe, Text- und Bildeingabe, Textausgabe, bei beiden. Der Wissensstand von GPT-6.2 Sol ist der 1. Juni 2026 im Vergleich zum 30. April 2026.
Gleiche Eingaben, gleiche Preise pro Token. Ein Kostenrückgang von 35 % pro Aufgabe kann also keine Preissenkung sein. Es müssen weniger Token gekauft worden sein, und der Tweet liefert den Mechanismus: 36 % weniger Schritte. Die Token-Rechnung eines Browser-Agenten wird von der bei jedem Schritt erneut übermittelten Gesprächshistorie dominiert, sodass Schritte und Kosten in einem langen Lauf nahezu linear miteinander skalieren. Reduziert man die Schrittzahl um ein Drittel, sinkt die Rechnung um etwa ein Drittel – genau die Größenordnung der berichteten Einsparung. Die beiden Aussagen stützen sich gegenseitig, was für beide ein gutes Zeichen ist.
Es ist auch eine Warnung dazu, wie die Einsparung zu lesen ist. Eine um 35 % günstigere Aufgabe ist kein um 35 % günstigerer Monat, wenn dem günstigeren Modell Aufgaben gegeben werden, an denen das alte gescheitert ist, oder wenn weniger Schritte bedeuten, dass der Agent früher abbricht und Teilresultate zurückgibt. Der Rubrik-Score von 82 ist es, der das ausschließt — ein Lauf, der früh aufhört und ein Drittel weniger Schritte hat, würde niedriger bewertet, nicht einen Punkt höher — aber ein Punkt ist eine dünne Marge, um so viel Gewicht zu tragen.
Dass Tokenpreise unverändert weitergegeben werden, ist der Teil daran, der wirklich langweilig und wirklich nützlich ist. Auf OrcaRouter bedeutet das Modell mit 0 % Aufschlag, dass der Listenpreis eines Anbieters der Preis ist, den Sie zahlen, sodass, wenn ein Anbieter eine Preisliste anpasst – wie OpenAI es für GPT-6.2 Astra tat, bei dem Input und Output am selben Tag um 20 % sanken –, die Änderung am Tag ihres Eintretens auf der Plattform live ist, statt darauf zu warten, dass ein Wiederverkäufer die Preise neu festlegt. Das gilt auch in beide Richtungen: Es gibt nichts zu arbitrieren, und es gibt keinen Rabatt dadurch, zu wechseln. Wenn Sie heute GPT-6.1 Sol über einen einzigen API-Schlüssel betreiben, würde ein Modellaufruf von GPT-6.2 Sol pro Token genauso viel kosten wie beim Anbieter.
Worauf es bei einer Agent-Loop ankommt, jenseits der Schlagzeile
Vier operative Details auf der Modellseite von OpenAI sind für die Bereitstellung eines Browser-Agenten wichtiger als die Benchmark-Zahl, und keines davon taucht in einer 82%-Schlagzeile auf.
• Reasoning-Aufwand — GPT-6.2 Sol lehnt none ab. Die niedrigste Einstellung ist eine echte, kein Schalter zum Ausschalten des Reasonings. GPT-6.1 Sol akzeptiert den vollen Bereich von low bis max. Wenn dein Harness „kein Reasoning, nur handeln“ für die Latenz fest codiert, lässt sich diese Konfiguration nicht übertragen.
• Batch — unterstützt, zu 50 % der Standardtarife. Browser-Agent-Trajektorien sind normalerweise latenzempfindlich, daher ist dies hauptsächlich für Offline-Evaluierungsläufe und nicht für den Produktionseinsatz relevant.
• Endpunkte — Responses, Chat Completions und Batch. Realtime, Assistants, Fine-tuning, Images, Videos, Speech und Transcription werden alle nicht unterstützt. Dass Fine-tuning nicht verfügbar ist, ist genau das, was Teams zu spüren bekommen, die eine Browser-Richtlinie auf dem vorherigen Modell abgestimmt haben.
• Werkzeuge — computer_use, web_search, mcp, hosted_shell, apply_patch, skills, tool_search, code_interpreter, image_generation und file_search sind als unterstützt aufgeführt. Für einen Browser-Agenten ist das interessante Paar computer_use zusammen mit tool_search: Ein Harness, das Werkzeuge während des Laufs entdecken kann, ist die plausible Quelle für ein Drittel weniger Schritte, weil der Agent aufhört, eine Aktion zu erraten, die nicht existiert, und sie dann erneut zu versuchen.
• Ratenlimits — 5.000 Anfragen und 1.000.000 Tokens pro Minute in der Build-Stufe, 10.000 und 4.000.000 bei Launch, 15.000 und 40.000.000 bei Grow.
Wie man es ausprobiert, ohne den Produktionspfad darauf zu verwetten
Die richtige Antwort auf eine Behauptung zu einem unveröffentlichten Benchmark ist eine Stichprobe, nicht eine Migration. Wähle zwanzig bis fünfzig deiner eigenen Browser-Aufgaben, führe sie am selben Tag mit demselben Harness auf beiden Modellen aus und vergleiche drei Zahlen: die Abschlussrate nach deiner Bewertungsrubrik, die verbrauchten Tokens pro abgeschlossener Aufgabe sowie die p50- und p95-Wandzeit. Vergleiche dann die beiden Ergebnisse miteinander statt mit den 82 von Browser Use, denn ihre Aufgabenverteilung ist nicht deine, und ein Unterschied von einem Punkt wird die Übertragung nicht überstehen.
Zwei praktische Hinweise für diesen Test. Erstens: Legen Sie den Reasoning-Aufwand auf beiden Seiten explizit fest und verwenden Sie eine Einstellung, die beide Modelle akzeptieren, sonst messen Sie im Lauf nur einen Konfigurationsunterschied. Zweitens: Protokollieren Sie die Schrittanzahl, denn 36 % weniger Schritte sind der Mechanismus hinter der Kostenbehauptung und das Erste, was Sie in Ihren eigenen Daten bestätigen oder widerlegen sollten.
Für den Testlauf selbst ist Failover der günstige Weg, ein noch unerprobtes Modell neben einem erprobten laufen zu lassen: Leite die Stichprobe mit automatischem Fallback auf das neue Modell um – hin zu dem Modell, dem du vertraust –, sodass eine Ablehnung, ein Timeout oder eine Spitze beim Rate-Limit dich einen erneuten Versuch kostet statt einen fehlgeschlagenen Job. Das ist hier besonders nützlich, weil GPT-6.2 Sol zwei Tage alt ist und seine Fehlermodi auf Live-Websites genau das sind, was der Benchmark messen soll und noch nicht veröffentlicht hat. Beachte allerdings den Katalogstand: OrcaRouter listet 217 Modelle auf, darunter GPT-6.1 Sol, das Modell, das derzeit die Browser-Use-Rangliste anführt, aber GPT-6.2 Sol ist noch nicht dabei – dafür würdest du direkt über OpenAIs eigene API gehen. Das vorherige Modell zum Pass-through-Preis ist eine solide Baseline, an der sich das neue messen lässt, und genau diese Rolle sollte es diese Woche spielen.

Was würde diese Geschichte verändern?
Drei Punkte, geordnet danach, wie stark sie die Antwort verändern würden. Ein GPT-6.2 Sol-Eintrag, der auf browser-use.com/benchmarks/agents erscheint, mit Zahlen, die mit dem Tweet übereinstimmen oder ihm nahekommen – das verwandelt eine Herstellerankündigung in ein Herstellerergebnis und stärkt das Migrationsargument erheblich, wäre aber immer noch nicht unabhängig. Eine unabhängige Messung durch Dritte von Zeit und Kosten für Browser-Aufgaben auf demselben Aufgabensatz – das würde die Frage nach 12 versus 22 Minuten klären, und das ist die Zahl, auf die man achten sollte. Und eine veröffentlichte Aufschlüsselung auf Aufgabenebene, denn „36 % weniger Schritte“ ist entweder eine Verbesserung auf Harness-Ebene, die sich auf Ihren Agenten übertragen lässt, oder eine Eigenheit von 180 bestimmten Websites, und nur die Daten pro Aufgabe unterscheiden beides.
Bis mindestens das erste davon vorliegt, lautet die vertretbare Zusammenfassung wie folgt: GPT-6.2 Sol kostet pro Token genauso viel wie GPT-6.1 Sol, der kleine Punktezuwachs und der große Kostenvorteil, die Browser Use meldet, sind mit einer Reduzierung der Tool-Aufrufe um ein Drittel vereinbar, und die Aussage zur Geschwindigkeit stützt sich auf eine Baseline, die nicht dem vom Anbieter selbst veröffentlichten Median entspricht. Das reicht aus, um eine zweitägige Evaluierung anhand Ihrer eigenen Aufgaben zu rechtfertigen. Es reicht nicht aus, um eine Neufassung zu rechtfertigen.
In diesem Artikel verglichen1
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
