Eine generierte Titelkarte mit der Aufschrift „GPT-6.2 Sol Pro vs. GPT-6.1 Sol Pro: gleiche Preistabelle, 40 % weniger Tokens“, die zeigt, dass die Ausgabe-Tokens pro Index-Aufgabe von 67.824 auf 40.360 fallen, und zwei Pill-Elemente, die den Intelligence Index von 54,6 auf 57,3 steigen und die Kosten pro Aufgabe von 1,27 $ auf 1,01 $ fallen lassen, über einer Zeile, die besagt, dass der Eingabesatz von 2,00 $ und der Ausgabesatz von 10,00 $ in beiden Tarifstufen identisch sind.
Guides & Insights

GPT-6.2 Sol Pro vs. GPT-6.1 Sol Pro: Gleiche Preisliste, 40 % weniger Tokens

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Das Upgrade von GPT-6.1 Sol Pro auf GPT-6.2 Sol Pro kostet laut Preisliste nichts. Beide Tarifstufen berechnen $2.00 pro Million Eingabe-Tokens und $10.00 pro Million Ausgabe-Tokens, beide haben ein Kontextfenster von 1.050.000 Tokens bei maximal 128.000 Ausgabe-Tokens, und beide rufen den Pro-Modus als reasoning.mode: pro auf dem Basismodell auf statt als eigenständige Kennung. Das Upgrade lohnt sich trotzdem, und der Grund ist die eine Zahl, die nirgends auf OpenAIs Preisliste auftaucht: Bei maximalem Aufwand verbraucht GPT-6.2 Sol 40.360 Ausgabe-Tokens pro Aufgabe des Artificial-Analysis-Index, während GPT-6.1 Sol 67.824 verbraucht. Vierzig Prozent weniger Arbeit, derselbe Zähler, 20 % weniger auf der Rechnung am Ende. Geprüft am 18. November 2026, einen Tag nachdem die 6.2-Generation erschienen ist.

Zwei Dinge machen dies zu einer subtileren Entscheidung, als es das Etikett nahelegt. Erstens trennt die beiden Modelle keine Hardwaregeneration und kein Architekturwechsel, auf den man zeigen könnte – das Kontextfenster ist dasselbe, die Modalitätenliste ist dieselbe, der Preis ist derselbe, und der einzige strukturelle Unterschied in OpenAIs Dokumentation ist ein Wissensstichtag, der vom 30. April 2026 auf den 1. Juni 2026 verschoben wurde. Zweitens ist die Verbesserung ungleichmäßig: Bei den Evaluationen, die für Coding-Agenten relevant sind, ist sie groß, und bei der Kalibrierung ist sie negativ. Ein Vergleich, der nur den zusammengesetzten Index berichtet, würde beides verfehlen.

Was unterscheidet sich eigentlich in der eigenen Spezifikation des Anbieters?

Seite an Seite, von den beiden Modellseiten auf developers.openai.com, abgerufen am 18. November 2026:

• Preis — 2,00 $ Eingabe / 0,10 $ gecacht / 2,50 $ Cache-Schreiben / 10,00 $ Ausgabe pro Million Tokens bei beiden. Ab 272.000 Eingabe-Tokens gelten bei beiden 4,00 $ / 0,20 $ / 5,00 $ / 15,00 $.

• Kontext — 1.050.000 Token, 922.000 maximale Eingabe, 128.000 maximale Ausgabe, bei beiden.

• Wissensstichtag — 1. Juni 2026 vs. 30. April 2026.

• Aufwandsstufen — low, medium, high, xhigh, max bei beiden; beide lehnen reasoning.effort: none ab.

• Reasoning-Modi – Standard und Pro in der Responses API auf beiden, Abrechnung zu Standard-Token-Tarifen und nur darin unterschiedlich, wie viel Arbeit aggregiert wird.

• Ultraschneller Multiplikator — 3× Standard bis zum 28. Februar 2027, danach 6× für beides.

Neu in 6.2 – vergünstigte Zeitfenster für Hintergrund-Vervollständigungen in der öffentlichen Beta der Responses API: 30 % unter dem Standardpreis bei zwei Stunden Verzögerung, 40 % darunter bei acht Stunden.

• Verhaltensänderung — ab GPT-6.2 verwirft die API Reasoning-Elemente, wenn sie eine Präfixbearbeitung mitten im Gespräch, ein Modell-Downgrade, einen Endbenutzerwechsel oder einen Organisationswechsel erkennt. Der Verlust von Reasoning-Elementen kann die Antwortqualität beeinträchtigen und dazu führen, dass das Modell frühere Arbeit in neuen Tokens wiederholt.

Die letzte Zeile sollte man zweimal lesen, denn sie ist eine Kostenfalle, die sich als Korrektheitshinweis tarnt. Wenn Ihre Anwendung Anweisungen mitten im Gespräch bearbeitet – was viele Agent-Loops tun, wenn sie einen System-Prompt neu rendern –, verwirft die 6.2-Generation die angesammelte Denklogik, zahlt beim nächsten Turn erneut dafür und bricht den Prompt-Cache, der die Wiederholung andernfalls günstig gemacht hätte. Bei einer Pro-Mode-Workload, bei der Reasoning-Tokens den Großteil der Ausgabe ausmachen, ist das der Unterschied zwischen der 40-prozentigen Einsparung und gar keiner Einsparung. OpenAIs eigene Empfehlung lautet, das Präfix unverändert zu lassen, wenn Sie Einstellungen zwischen Antworten ändern.

Screenshot of OpenAI's documentation page for GPT-6.2 Sol, showing the model ID gpt-6.2-sol, a 1,050,000-token context window with 922,000 maximum input and 128,000 maximum output, a 1 June 2026 knowledge cutoff, and text-token pricing of $2 input, $0.10 cached input, $2.50 cache write and $10 output per million.

Die unabhängigen Zahlen: 2,7 Punkte und 20 % pro Aufgabe

Artificial Analysis hat beide Stufen bei maximalem Aufwand auf demselben Harness messen lassen, was die einzige Möglichkeit ist, dass dieser Vergleich Bestand hat. Intelligence Index v5.0.1: 57.3 für GPT-6.2 Sol gegenüber 54.6 für GPT-6.1 Sol. Kosten pro Index-Aufgabe: 1,01 $ gegenüber 1,27 $. Auf dem aktuellen v5.0.1-Board liegt GPT-6.2 Sol auf Platz 5 von 58 bewerteten Einträgen; GPT-6.1 Sol erscheint nicht mehr auf der Live-Liste des Leaderboards, sodass der Vergleich auf den Messungen pro Modell beruht und nicht auf dem Rang.

Keine der beiden Zahlen ist für sich genommen dramatisch. Was die beiden zusammen handlungsrelevant macht, ist, dass sie sich gemeinsam bewegt haben – das neuere Modell ist sowohl besser als auch günstiger pro Einheit abgeschlossener Arbeit, während die Preisliste völlig unverändert blieb. Das ist das Kennzeichen eines Effizienz-Release und nicht einer Neupositionierung, und es ist genau das Muster, das man sehen möchte, bevor man einen Produktionspfad migriert.

Jetzt die Aufschlüsselung, bei der die beiden Modelle stärker voneinander abweichen, als es der Gesamtwert nahelegt:

• Terminal-Bench 4.0 — 60,1 % vs. 56,1 %.

• Terminal-Bench Science — 67,6 % vs. 58,1 %, ein Sprung um 9,5 Punkte.

HLE Diamond — 64,0 % vs. 58,8 %.

• FrontierCode 2.0 — 44,4 % vs. 40,6 %.

• AutomationBench — 71,3 % gegenüber 64,9 %.

• AnalystAgent — 53,8 % gegenüber 50,0 %.

• AA-Omniscience — 40,4 bei 55,4 % Halluzination vs. 42,0 bei 51,9 % Halluzination.

Jede Fähigkeitszeile verbessert sich. Die Kalibrierungszeile nicht: Das neuere Modell behauptet mit 3,5 Punkten höherer Wahrscheinlichkeit etwas, das es nicht belegen kann. Dieser Tausch ist nahezu kostenlos in einem Coding-Agenten, der vor dem Melden von Erfolg einen Test ausführt, und er ist eine echte Regression in einem Recherche-Workflow ohne Verifikationsschritt. Wenn Ihre Pro-Modus-Nutzung von der zweiten Art ist, ist dies kein automatisches Upgrade.

A generated two-column comparison scoreboard titled 'GPT-6.2 Sol vs GPT-6.1 Sol', with the left column GPT-6.2 Sol at 57.3 on the Intelligence Index, $1.01 cost per task, 40,360 output tokens per task, 60.1 percent on Terminal-Bench 4.0, 40.4 on AA-Omniscience and $2 input and $10 output per million, and the right column GPT-6.1 Sol at 54.6, $1.27, 67,824 tokens, 56.1 percent, 42.0 and the same $2 and $10 price, with a footer attributing the measurements to Artificial Analysis and the pricing to OpenAI.

Wo die 40 % herkommen, Zeile für Zeile

Der Pro-Modus multipliziert eine unbekannte Menge an Modellarbeit zusätzlich auf eine Baseline-Tokenanzahl, sodass die Baseline der einzige Teil ist, über den man nachdenken kann — und die unabhängigen Daten bemessen sie präzise.

Bei maximalem Aufwand kommt GPT-6.2 Sol bei einer Index-Aufgabe im Durchschnitt auf 40.360 Ausgabe-Tokens: 22.800 fürs Reasoning und 17.561 für die Antwort. GPT-6.1 Sol kommt im Durchschnitt auf 67.824: 49.213 fürs Reasoning und 18.611 für die Antwort. Die sichtbare Antwort hat sich kaum verändert – sie ist 6 % kürzer. Das Reasoning ist um 54 % eingebrochen. Das ist der ganze Mechanismus. Das neuere Modell denkt weniger als halb so lange, um eine Antwort gleicher Länge zu erzeugen, und da Reasoning-Tokens als Ausgabe abgerechnet werden, liegt genau dort die Einsparung.

Rechnet man in Dollar, ist die Arithmetik wenig glamourös: 40.360 Tokens bei 10 $/Million ergeben etwa 0,40 $ Ausgabe, gegenüber 0,72 $ beim älteren Modell. Die Eingabe spielt jedoch nicht mit. Über die gesamte Suite hinweg berechnet GPT-6.2 Sol etwa 0,61 $ Eingabe pro Aufgabe gegenüber 0,55 $ für GPT-6.1 Sol – es liest mehr, nicht weniger, weil sowohl sein Cache-Schreib- als auch sein Cache-Lesevolumen gestiegen sind. Die Einsparung bei der Ausgabe und der Aufschlag bei der Eingabe heben sich nahezu gegenseitig auf und ergeben den Netto-Wert von 1,01 $ gegenüber 1,27 $. Nichts an dieser Verschiebung stammt aus einer Preissenkung, denn es gab keine Preissenkung.

Die praktische Warnung ist die, die der Pro-Modus impliziert: Da der Multiplikator unbekannt ist und auf das angewendet wird, was auch immer das Modell zu tun beschließt, garantiert eine um 40 % kleinere Baseline keine um 40 % kleinere Pro-Modus-Rechnung. Sie garantiert eine günstigere Untergrenze. Messen Sie Ihre eigenen Aufrufe, bevor Sie ein Budget neu schreiben.

Migrieren ohne Codeänderung

Die mechanische Migration ist ein einziger String. Beide Modelle akzeptieren dieselben Parameter, dieselben Effort-Werte, dieselbe Responses-API-Oberfläche und denselben Toolsatz, sodass der Wechsel von model: "gpt-6.1-sol" zu model: "gpt-6.2-sol" erfolgt, wobei der Pro-Modus identisch konfiguriert ist. Der Migrationsleitfaden von OpenAI ergänzt eine erforderliche Prüfung für Tool-Calling: Er verlangt die Responses API, nicht Chat Completions, und das war bei 6.1 bereits der Fall.

Was nicht ein einziger String ist, ist das oben beschriebene Verhalten der Reasoning-Items. Bevor du das Modell umstellst, prüfe, ob irgendetwas in deiner Schleife das Konversationspräfix verändert – dynamische System-Prompts, injizierte Tool-Definitionen, die die Reihenfolge ändern, Kontextkürzung am Anfang pro Turn. Wenn ja, behebe das zuerst, sonst verpufft der Effizienzgewinn beim zweiten Turn.

Auch die Rollout-Haltung ist wichtig, denn dies ist eine erst einen Tag alte Stufe mit nur einer unabhängigen Messung dahinter. Der konservative Weg ist, die Produktion auf der 6.1-Stufe zu halten und 6.2 mit dem Traffic zu evaluieren, den Sie prüfen können – eine Shadow-Route, ein Canary-Prozentsatz, eine Testsuite, die gegen beide läuft. Bei OrcaRouter steht openai/gpt-6.1-sol im Katalog zum Listenpreis des Anbieters mit 0 % Aufschlag und automatischem Failover über Anbieter hinweg, sodass das Modell, das Ihren Traffic bereits trägt, einen schlechten Nachmittag verkraften kann, ohne dass Sie es in der Produktion entdecken. GPT-6.2 Sol ist zum 18. November noch nicht in unserem Katalog erschienen, was genau der Grund ist, die Evaluierung als Vergleich und nicht als Umstellung durchzuführen.

Die 6.1-Stufe bleibt ebenfalls noch eine Weile aufrufbar: In OpenAIs Deprecations-Tabelle werden auslaufende GPT-5- und o3-Workloads weiterhin als Ersatz an gpt-6.1-sol weitergeleitet, wobei diese Abschaltungen auf den 11. Dezember 2026 datiert sind. Ein Modell, das selbst das empfohlene Migrationsziel für andere Modelle ist, wird nicht in Kürze außer Betrieb genommen, daher kostet ein bewusster, wohlüberlegter Wechsel zu 6.2 Sie nichts an Dringlichkeit.

Screenshot of the OrcaRouter model page for GPT-6.1 Sol, showing the model ID openai/gpt-6.1-sol, a 1,050,000-token context window with 128,000 maximum output, and pricing of $2.00 input and $10.00 output per million tokens at provider list price.

Wer sollte umziehen, und wer sollte warten

Wechseln Sie jetzt, wenn Ihre Workload terminallastig, toolnutzend oder verifikationsabhängig ist. Der Sprung von 9,5 Punkten bei Terminal-Bench Science und der Sprung von 6,4 Punkten bei AutomationBench sind groß genug, dass ein Canary-Lauf sie zeigen wird, und die Einsparung von 20 % pro Aufgabe kommt ohne Verhandlung oder neuen Vertrag.

Moment: Wenn es bei Ihrer Arbeitslast um Forschungssynthese im Pro-Modus geht, bei der die Ausgabe gelesen statt getestet wird. Die Kalibrierungsregression ist klein, weist aber in die falsche Richtung, und das Effizienzargument deckt einen Fehler nicht ab, den man erst nach der Veröffentlichung entdeckt. Moment, außerdem: Wenn Ihre Agentenschleife Gesprächspräfixe neu schreibt — beheben Sie das zuerst, führen Sie dann das Upgrade durch, messen Sie dann; ein Upgrade vor der Behebung lässt das Modell schlechter aussehen, als es ist.

So oder so leistet die Versionsnummer hier weniger, als es den Anschein hat. Das ist keine Generation, die Fähigkeit mit Geld erkauft hat. Es ist eine Generation, die Fähigkeit mit Tokens erkauft hat, und die Rechnung ging ausnahmsweise zu deinen Gunsten aus.

In diesem Artikel verglichen1

Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert