Titelkarte mit der Aufschrift „GPT-6.2 Sol's Rework Bill“, die GPT-6.2 Sol mit 48,6 im Artificial Analysis Coding Agent Index bei 1,22 US-Dollar pro Aufgabe gegenüber Claude Opus 5.5 mit 58,2 bei 12,61 US-Dollar pro Aufgabe zeigt, mit dem Hinweis, dass die beiden in unterschiedlichen Harnesses gemessen wurden. Das OrcaRouter-Logo befindet sich in der unteren rechten Ecke.
Guides & Insights

GPT-6.2 Sols Nacharbeitsrechnung: günstig pro Token, teuer pro Korrektur

Autor

Gideon Frost

Veröffentlicht am

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

Am Morgen des 20. November veröffentlichte der chinesischsprachige KI-Kommentator 宝玉 (@dotey) ein Urteil über GPT-6.2 Sol, das jeder wiedererkennt, der eine Woche mit dem Modell verbracht hat. Einfache Aufgaben sind in Ordnung. Komplexe Programmieraufgaben sind nicht nur etwas schlechter als Claude Opus 5.5 — die Arbeit, die Sol erledigt, muss Opus anschließend noch aufräumen, also wäre es besser gewesen, die Aufgabe von Anfang an Opus zu übergeben. Der Beitrag ist ein Nutzungsbericht und nichts weiter: kein Harness, keine Aufgabenliste, kein Diff, 124 Likes zum Zeitpunkt des Schreibens und ein Kommentarverlauf, in dem darüber diskutiert wird. Er ist zudem auf eine Weise überprüfbar, wie es die meisten Eindrücke aus der Startwoche nicht sind, weil das, was er beschreibt, eine Form hat. Ein Modell, das bei einfachen Arbeiten gut ist und bei schwierigen Arbeiten auseinanderfällt, sollte in den Evaluierungen ein bestimmtes Muster zeigen — Stärke bei der Ausführung, Schwäche beim Verständnis — und die veröffentlichten Zahlen weisen entweder dieses Muster auf oder nicht.

Das tun sie weitgehend. OpenAI brachte GPT-6.2 Sol am 17. November 2026 für 2 US-Dollar pro Million Eingabe-Tokens und 10 US-Dollar pro Million Ausgabe-Tokens auf den Markt. Im unabhängigen Coding Agent Index von Artificial Analysis landet es unter dem Modell, das es ersetzt, und die Komponente, die es nach unten zieht, ist diejenige, in der das Modell eine Codebasis lesen und etwas Wahres darüber sagen muss. Das ist der Mechanismus hinter „man muss danach aufräumen“, als Zahl ausgedrückt. Was der Tweet nicht tut, und was dieser Beitrag zu tun versucht, ist, die Aufräumarbeit zu beziffern — denn wenn man die Rechnung tatsächlich aufmacht, erweist sich die Nacharbeits-These bei der Wall-Clock-Zeit als viel stärker als beim Geld, und die beiden führen zu unterschiedlichen Entscheidungen.

Was der Beitrag tatsächlich behauptet

Heute habe ich GPT-6.2 Sol einem Stresstest unterzogen. Einfache Aufgaben sind in Ordnung. Bei etwas komplexeren Coding-Aufgaben ist es nicht nur ein bisschen schlechter als Opus 5.5 – die Arbeit, die es erledigt, muss Opus 5.5 hinterher noch aufwischen, also lässt man es besser von Anfang an Opus 5.5 machen.

Darin stecken drei trennbare Behauptungen. Erstens eine Qualitätsbehauptung: Sol ist beim komplexen Programmieren deutlich schlechter als Opus 5.5. Zweitens eine Workflow-Behauptung: Die Lücke zeigt sich als Nacharbeit statt als offensichtliches Scheitern – man bekommt eine Ausgabe, sie wirkt fertig, und ein stärkeres Modell muss sie reparieren. Drittens eine ökonomische Behauptung: Die Nacharbeit macht alle Einsparungen beim Tokenpreis zunichte.

Die ersten beiden lassen sich anhand veröffentlichter Evaluierungen überprüfen. Die dritte ist Arithmetik und hängt von einer Zahl ab, die niemand veröffentlicht hat – davon, wie viel ein Reparaturdurchlauf kostet im Verhältnis dazu, die Aufgabe einmal mit dem teuren Modell zu erledigen. Im Folgenden bleiben diese drei Aussagen getrennt, weil sie nicht alle gleichermaßen Bestand haben.

Der saubere Vergleich läuft innerhalb eines einzigen Harness.

Eine Warnung vorab, bevor irgendwelche Zahlen genannt werden, denn das ist die häufigste Art, diesen Vergleich unehrlich anzustellen. Artificial Analysis misst Coding-Agenten als Paarung aus Modell und Harness: Codex für die Modelle von OpenAI, Claude Code für die von Anthropic. Kosten pro Aufgabe, Token-Verbrauch und Wall-Time hängen ebenso stark vom Harness wie vom Modell ab, daher misst ein roher Vergleich „Sol kostet 1,22 $, Opus kostet 12,61 $“ zwei verschiedene Maschinen.

Was diesem Einwand standhält, ist jeder Vergleich innerhalb einer Harness. In Codex lässt sich GPT-6.2 Sol direkt gegen GPT-6.1 Sol und GPT-6.2 Astra stellen, bei identischen Aufgaben, mit demselben Tooling und derselben Bewertung — und dort liegt die Regression. Das harnessübergreifende Paar ist es weiterhin wert, abgedruckt zu werden, klar gekennzeichnet, weil es genau der Vergleich ist, den ein Leser tatsächlich anstellt, wenn er zwischen einem O​penAI-Abo und einem A​nthropic-Abo entscheidet.

• Codex, GPT-6.2 Sol (max) — Coding-Agent-Index 48,6, 1,22 $ pro Aufgabe, 4,25 Mio. Token

• Codex, GPT-6.1 Sol (max) — Index 52,2, 1,51 $ pro Aufgabe, 4,33 Mio. Tokens

• Codex, GPT-6.2 Astra (max) — Index 53,5, 5,12 $ pro Aufgabe, 4,67 Mio. Tokens

• Claude Code, Claude Opus 5.5 (max) — Index 58,2, 12,61 $ pro Aufgabe, 15,89 Mio. Token

Lesen Sie die ersten beiden Zeilen zusammen. Das neue Modell liegt 3,6 Punkte unter dem Modell, das es ersetzt, im selben Harness, bei einem Token-Verbrauch, der innerhalb von 2 % davon liegt. Auch der Preis hat sich nicht geändert — Sol hat seit dem 29. September $2 und $10 gehalten, und GPT-6.2 Sol hat die Preisliste exakt beibehalten. Das ist also kein günstigeres Modell, das Qualität gegen Preis eintauscht. Es ist derselbe Preis, derselbe Harness und weniger Leistungsfähigkeit bei dem, was der Index misst. Der Vergleich von @dotey bezieht sich auf das Modell eines anderen Anbieters, aber die Regression, die er spürt, ist sichtbar, ohne OpenAIs eigene Produktlinie zu verlassen.

A two-column scoreboard comparing GPT-6.2 Sol and Claude Opus 5.5 across Intelligence Index, cost per index task, time per index task, Coding Agent Index, SWE-Atlas-QnA and output tokens, with a footer noting that index and cost figures are Artificial Analysis's and that the two coding-agent scores come from different harnesses. The OrcaRouter logo sits in the bottom-right corner.

Wo die Lücke bei komplexen Aufgaben tatsächlich besteht

Der Coding Agent Index ist ein zusammengesetzter Wert aus drei gleich gewichteten Bewertungen: FrontierCode-AA 2.0 (132 Software-Engineering-Aufgaben, geschrieben von Cognition und implementiert von Artificial Analysis), Terminal-Bench 4.1 (66 agentische Terminal-Aufgaben vom Laude Institute) und SWE-Atlas-QnA-AA (124 technische Q&A-Aufgaben zu einer Codebasis von Scale AI, mit von Artificial Analysis angepasster Bewertung). Jede Punktzahl ist der Mittelwert aus drei Versuchen pro Aufgabe.

Zerlegt man Sol im Vergleich zu seinem Vorgänger nach Komponenten, zeigt sich sofort die Form, die @dotey beschreibt:

• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46,2 % vs. GPT-6.1 Sol 59,9 %, ein Rückgang um 13,7 Punkte innerhalb eines einzigen Harness

• FrontierCode-AA 2.0 — 41,5 % gegenüber 42,5 %, praktisch unverändert

• Terminal-Bench 4.1 — 58,1 % vs. 54,0 %, ein Plus von 4,1 Punkten

Das Modell wurde also besser darin, zu handeln, und schlechter darin, zu wissen. Arbeit im Terminal ist Ausführen und Beobachten: den Befehl ausführen, die Ausgabe lesen, anpassen. Q&A zur Codebasis ist Abrufen und Berichten: den relevanten Code finden, verstehen, warum er so ist, wie er ist, und das präzise darlegen. Ein Modell, das sich bei Ersterem verbessert und bei Letzterem um 13,7 Punkte verschlechtert, wird einen Smoke-Test bestehen und Änderungen erzeugen, die richtig aussehen und den Grund verfehlen, warum der Code so geschrieben wurde. Genau das ist das Fehlermuster, das Nacharbeit statt einer Fehlermeldung erzeugt, und deshalb kommt die Beschwerde als „es muss aufgeräumt werden“ statt als „es funktioniert nicht“ an.

Der absolute Abstand zu Opus 5.5 in derselben Evaluierung ist noch größer – 46,2 % gegenüber 65,9 % –, aber dieser Wert stammt aus einem Vergleich über verschiedene Harnesses hinweg und ist daher nur als Tendenz zu behandeln. Der Rückgang um 13,7 Punkte innerhalb von Codex ist keine bloße Tendenz. Es ist dasselbe Harness, dieselben 124 Aufgaben, derselbe Grader, und das Modell beantwortet Fragen zu einer Codebasis einfach weniger genau als das Modell, das es ersetzt hat.

Artificial Analysis's model page for GPT-6.2 Sol, listing it as released November 2026, ranked 13th of 95 on intelligence and 40th of 94 on performance, scoring 57 on the Intelligence Index, using 60.9M tokens, priced at $2.00 per million input tokens and $10.00 per million output tokens, costing $1.01 per task and 9.6 minutes per task, at roughly 70 tokens per second.

Wo Sol wirklich in Ordnung ist

Der erste Teilsatz des Tweets verdient dieselbe Behandlung wie sein zweiter. „Einfache Aufgaben sind in Ordnung“ ist kein Zugeständnis; im zusammengesetzten Intelligence Index, der jedes Modell durch eine identische Suite statt durch Hersteller-Harnesses laufen lässt, schlägt GPT-6.2 Sol mit maximalem Aufwand Claude Opus 5.5 mit maximalem Aufwand bei mehreren Komponenten eindeutig:

• Terminal-Bench-Science 0.1 — 67,6 % vs. 59,0 %, ein Vorsprung von 8,6 Punkten für Sol

• AutomationBench-AA — 71,3 % vs. 69,5 %

Terminal-Bench 4.0 — 60,1 % gegenüber 59,6 %

• GDP.pdf Alle bestehen — 30,0 % gegenüber 26,2 %

Und es verliert bei denjenigen, bei denen man sich einen Fakt merken und ihn wiedergeben muss:

• HLE-Diamond — 64,0 % vs. 67,9 %

• AnalystAgent — 53,8 % vs. 56,3 %

• AA-Omniscience — 40,4 bei 61,6 % Genauigkeit gegenüber 48,1 bei 65,5 % Genauigkeit

• FrontierCode-AA 2.0 (Indexversion) — 44,4 % vs. 46,4 %

Die Zeile „Omniscience“ ist die, mit der man sich wirklich befassen sollte. Sie ist die Evaluierung, die misst, ob ein Modell weiß, was es nicht weiß: Sol antwortet in 61,6 % der Fälle korrekt und seine Halluzinationsrate liegt bei 55,4 %, gegenüber 65,5 % und 50,3 % bei Opus 5.5. Ein Modell, das fast vier Prozentpunkte seltener korrekt antwortet und fünf Prozentpunkte häufiger etwas erfindet, ist ein Modell, dessen Ausgabe ein Mensch prüfen muss — was die Nacharbeits-These ist, die aus einer zweiten Richtung kommt.

Unterm Strich erzielt Sol 57,3 gegenüber 59,1 beim Composite-Score und braucht dafür 9,6 Minuten pro Aufgabe statt 25,7, bei 1,01 US-Dollar statt 10,04 US-Dollar, während es über die Testsuite hinweg 60,9 Millionen Ausgabe-Token erzeugt gegenüber 218 Millionen bei Opus. Was auch immer sonst stimmt: Das günstige Modell ist nicht langsam und nicht wortreich.

Der Aufwandsregler wurde bereits durchlaufen.

Der naheliegende Einwand von allen, die ein O​penAI-Reasoning-Modell verwendet haben, ist, dass dies die falsche Einstellung ist. Senkt man den Aufwand, hört das Modell auf, zu viel nachzudenken; erhöht man ihn, hört es auf, Abkürzungen zu nehmen. Artificial Analysis hat bereits den vollständigen Durchlauf für den Coding Agent Index innerhalb von Codex durchgeführt, und das rettet die Situation nicht:

• niedrig — 37.2

• mittel — 45,4

• hoch — 47.5

• xhigh — 49,8

• max — 48,6

Der Spitzenwert liegt bei xhigh, nicht bei max: bis zum maximalen Aufwand zu gehen kostet tatsächlich 1,2 Punkte, was die Art von nicht-monotonem Ergebnis ist, das auftaucht, wenn ein Modell beginnt, sich selbst zu hinterfragen. Aber selbst die beste Einstellung, 49,8, liegt 2,4 Punkte unter dem, was GPT-6.1 Sol bei max erzielte, und 8,4 unter Claude Opus 5.5. Es gibt keine Reglerposition, an der GPT-6.2 Sol der stärkere Coding-Agent wird; es gibt nur die Wahl, wie viel man für 49,8 zahlen möchte.

Es lohnt sich, die Kosten dieser Entscheidung zu kennen, denn sie sind relativ betrachtet steil, auch wenn sie absolut betrachtet günstig sind. Im Intelligence Index kostet Sol 0,18 US-Dollar pro Aufgabe bei low effort, 0,41 US-Dollar bei medium, 0,56 US-Dollar bei high, 0,65 US-Dollar bei xhigh und 1,01 US-Dollar bei max. Der Wechsel von medium zu xhigh verdoppelt ungefähr die Qualität pro Aufgabe – 52,7 auf 55,7 in diesem Index – und kostet 58 % mehr. Der Standard ist medium, die Einstellung, die den Coding-Score von 45,4 erzeugt. Wenn Sie Sol gegen Opus bewerten, tun Sie es bei xhigh oder max, sonst vergleichen Sie die falsche Konfiguration.

Eine Zahl, die Nacharbeit vorhersagt

Es gibt in demselben Lauf eine zweite Datenreihe, die direkt auf die Erfahrung „es muss bereinigt werden“ eingeht, und sie ist keine Qualitätsbewertung. Artificial Analysis erfasst Sicherheitsablehnungen pro Bewertung und unterscheidet zwischen Ablehnungen, von denen sich das Harness erholt hat, und solchen, die den Versuch beendet haben. Bei SWE-Atlas-QnA-AA, über 372 Versuche:

• GPT-6.2 Sol (max) — 25 Ablehnungen, jede einzelne ein harter Abbruch, 6,7 % der Versuche

• GPT-6.2 Sol (xhigh) — 22 Ablehnungen, 5,9%

• GPT-6.2 Sol (medium) — 13 Ablehnungen, 3,5 %

• GPT-6.1 Sol (max) — 15 Ablehnungen, 4,0 %

• GPT-6.2 Astra (max) — 8 Ablehnungen, 2,2 %

• Claude Opus 5.5 — 52 Ablehnungen, keine davon harte Stopps, 14,0%

Die Opus-Reihe ist die interessante, und sie spricht gegen eine oberflächliche Lesart. Opus 5.5 verweigert häufiger als jedes Modell in dieser Tabelle – und die Harness konnte alle 52 wiederherstellen, sodass keiner davon den Lauf kostete. Sol verweigert seltener, und die Harness konnte keinen einzigen seiner 25 wiederherstellen. Eine Verweigerung, die den Zug eines Agenten beendet, ist eine Aufgabe, die jetzt ein Mensch übernehmen muss; eine Verweigerung, die wiederhergestellt wird, ist ein erneuter Versuch. Bei der Evaluation, die am ehesten „Fragen zu diesem Repository beantworten“ entspricht, scheitert das Modell, über das sich der Tweet beschwert, in dem Modus, der unfertige Arbeit statt falscher Arbeit erzeugt.

Zusammen mit dem Rückgang der Verständnisleistung um 13,7 Punkte gelesen, ergibt dies eine stimmige Geschichte statt zweier unzusammenhängender Zahlen: Sol ist beim Teil des Programmierens, bei dem es um Abrufen und Berichten geht, weniger zuverlässig, und wenn Sol nachlässt, dann so, dass die Aufgabe offen bleibt.

Preisfestsetzung für den Aufräumdurchlauf

Nun die dritte Behauptung, die wirtschaftliche, bei der die Intuition am häufigsten die Arithmetik schlägt. Verwenden Sie die Kosten pro Aufgabe im Intelligence Index, denn diese Suite ist derselbe Testaufbau für jedes darin enthaltene Modell, und daher sind die Zahlen direkt vergleichbar: GPT-6.2 Sol 1,01 $, Claude Opus 5.5 10,04 $.

OpenAI's developer documentation page for GPT-6.2 Sol, describing it as the go-to model for everyday work from coding to powering agents at scale, accepting text and image input and producing text, with a 1,050,000-token context window, 922,000 max input tokens, 128,000 max output tokens and a June 1, 2026 knowledge cutoff. The pricing table lists $2.00 per million input tokens, $0.10 cached input, $2.50 cache writes and $10.00 output; it also notes that above 272,000 input tokens the input and cache rates double and output costs 15 times the short-context rate, and that batch costs 50% of standard rates.

Nehmen Sie eine Aufgabe, die Sol erledigt und die Opus dann repariert. Seien p der Anteil der Aufgaben, die repariert werden müssen, und r die Kosten einer Reparatur als Bruchteil eines vollständigen Opus-Durchlaufs. Eine Sol-dann-Reparatur kostet $1.01 + p × r × $10.04. Opus allein kostet $10.04. Eine Sol-dann-Reparatur ist günstiger, wann immer p × r unter 0.899 liegt.

Das ist eine hohe Hürde. Wenn eine Reparatur die Hälfte eines vollständigen Durchlaufs kostet, kannst du jede einzelne Aufgabe reparieren und bist trotzdem 78 % günstiger, als direkt zu Opus zu gehen. Erst wenn die Reparaturen bei nahezu jeder Aufgabe die Kosten einer vollständigen Wiederholung erreichen, kehrt sich die Rechnung um: bei p = 1 und r = 1, zahlst du 11,05 $ für das, was Opus für 10,04 $ erledigt hätte. Bei tausend Aufgaben sind das 11.050 $ gegen 10.040 $ — eine Strafe von 10 %, nicht die vernichtende Niederlage, die der Tweet nahelegt.

Allein auf das Geld bezogen, entkräftet die Beschwerde über die Nacharbeit das Preisargument nicht, es sei denn, die Nacharbeit ist nahezu vollständig. Aber Geld ist nicht die Einschränkung, an die die meisten Teams stoßen. Die Zeit ist es:

• Zeit pro Aufgabe im Intelligence Index — GPT-6.2 Sol 9,6 Min. vs. Claude Opus 5.5 25,7 Min.

• Zeit, wenn eine Aufgabe eine vollständige Opus-Wiederholung benötigt — 9,6 + 25,7 = 35,3 Min. gegenüber 25,7 Min.

• Token-Verbrauch für dieselbe Suite — 60,9 Mio. vs. 218 Mio. Output-Tokens

Hier gilt die These von der Nacharbeit ohne Einschränkung. Jede Aufgabe, die Sol versucht und dann zurückgibt, ist eine Aufgabe, die 37 % länger gedauert hat, als sie gedauert hätte, wenn Sie zuerst zu Opus gegangen wären, und diese Zeit lässt sich nicht mit einem billigeren Token zurückkaufen. Wenn Ihre Einschränkung eine Frist und nicht ein Budget ist – was die Situation ist, in der sich fast jeder Entwickler tatsächlich befindet, wenn er diese Beschwerde postet –, hat @dotey recht, und es geht um Durchsatz, nicht um den Preis.

Was würde das Urteil ändern

Zwei Dinge, und keines davon ist bisher verfügbar. Das erste ist eine veröffentlichte Überarbeitungsrate: {{1}}welcher Anteil der Diffs von Sol bei komplexen Aufgaben tatsächlich von einem stärkeren Modell geändert werden muss, gemessen an einem festen Aufgabensatz{{/1}}. Niemand veröffentlicht das, weil es erfordert, zwei Modelle auf denselben Tickets laufen zu lassen und die Ergebnisse zu vergleichen, und es ist die eine Zahl, die die Debatte entscheiden würde. Das zweite ist {{2}}ein GPT-6.2-Sol-Wert bei einem Coding-Durchlauf im Anthropic-Harness oder Opus 5.5 auf Codex, was den obigen Harness-übergreifenden Vergleich zu einem echten direkten Duell machen würde{{/2}}.

Demgegenüber ist festzuhalten, was bereits geklärt ist. Die Regression ist real, und sie liegt innerhalb eines einzigen Harness. Der Effort-Sweep behebt sie nicht. Die Verständnis-Evaluation – diejenige, die Nacharbeit vorhersagt – hat sich um 13,7 Punkte in die falsche Richtung bewegt. Wer einen Grund dafür will, komplexes Coding auf Opus 5.5 zu belassen, hat einen, der nicht von irgendjemandes Eindruck einer Launch-Woche abhängt.

Den Test mit deinen eigenen Aufgaben ausführen

Die Nacharbeitsquote lässt sich an Ihrem eigenen Backlog an einem Nachmittag messen, und sie ist die einzige Version dieser Zahl, die für Sie zählt. Nehmen Sie zwanzig Aufgaben, die Ihr Team letzten Monat tatsächlich ausgeliefert hat, führen Sie jede durch beide Modelle mit derselben Aufwandseinstellung und vergleichen Sie die resultierenden Patches mit dem, was letztlich ein Mensch zusammengeführt hat. Der Anteil, bei dem wesentliche Nacharbeit nötig war, ist Ihr p; die Token-Kosten des Reparaturdurchlaufs sind Ihr r.

OrcaRouter macht daraus eine Routing-Entscheidung statt einer Beschaffungsentscheidung: anthropic/claude-opus-5.5 und openai/gpt-6.1-sol stehen beide hinter einem einzigen Schlüssel, zum Listenpreis des Anbieters mit 0 % Aufschlag weitergegeben, sodass die oben genannten Zahlen genau die Zahlen sind, die Ihnen in Rechnung gestellt werden. Das ist hier wichtiger als sonst, denn das Modell, gegen das der Tweet Stellung bezieht – GPT-6.2 Sol –, ist noch nicht in unserem Katalog; wir bieten es nicht an, und keine noch so ausgeklügelte Routing-Logik ändert daran etwas. Was wir anbieten, ist das Modell, das Sol ersetzt hat, und das ist die richtige Kontrollvariable für ein Experiment: Führen Sie 6.2 Sol überall dort aus, wo Sie darauf zugreifen können, führen Sie GPT-6.1 Sol auf denselben Aufgaben über uns aus, und der Rückgang beim Verständnis um 13,7 Punkte wird zu etwas, das Sie an Ihrem eigenen Code bestätigen oder widerlegen können, statt an einer synthetischen Testsuite.

Für die Deployment-Form, die die Daten nahelegen, ist die Routing-DSL die ehrliche Antwort: Planungs- und Codebase-Verständnis-Schritte an Opus 5.5 schicken, Ausführungs- und Terminal-Schleifen an das günstigere Modell, und das automatische Failover den Fall abdecken lassen, in dem ein Anbieter mitten im Lauf hängen bleibt. Das ist eine Konfiguration, keine Architektur — und genau das sieht „Opus benutzen, um nach Sol aufzuräumen" aus, wenn man es als Pipeline aufschreibt statt als Beschwerde.

Das Einzige, was man dem Tweet entnehmen sollte, egal für welches Modell man sich entscheidet: Die Rechnung für eine Coding-Aufgabe ist nicht die Token-Anzahl. Sie setzt sich zusammen aus den Tokens plus den menschlichen Minuten plus der verstrichenen Wanduhrzeit zwischen „fertig“ und „wirklich fertig“. Sol gewinnt die erste Zeile dieses Hauptbuchs klar, Opus 5.5 gewinnt die zweite und dritte, wann immer eine Aufgabe zurückkommt, und kein Anbieter veröffentlicht die Quote, mit der Aufgaben zurückkommen. Bis jemand das tut, ist die einzige vertrauenswürdige Zahl die, die man an den eigenen Diffs misst.

In diesem Artikel verglichen1

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