Una tarjeta de título generada que muestra 82% es un tuit, no una entrada de la tabla de clasificación, con el subtítulo GPT-6.2 Sol, dos días después del lanzamiento, y tres chips que indican la publicación de Browser Use del 18 de noviembre al 82%, la tabla pública del 29 de octubre con GPT-6.1 Sol 81.3, y la tarjeta de tarifas compartida de $2 por entrada y $10 por salida.
Guides & Insights

La puntuación del 82% de GPT-6.2 Sol en Browser-Use es un tuit, no una entrada de la tabla de clasificación.

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

El 18 de noviembre, Browser Use publicó que GPT-6.2 Sol es el modelo líder en su benchmark de agentes de navegador: 82 %, frente al 81 % de GPT-6.1 Sol, un 35 % más barato por tarea, el doble de rápido y un 36 % menos de pasos. Greg Brockman lo amplificó ese mismo día con «GPT-6.2 es increíble en el uso del navegador». Dos días antes, O​penAI había lanzado GPT-6.2 Sol a 2 dólares por millón de tokens de entrada y 10 dólares por millón de salida. La afirmación es buena y probablemente sea correcta en su dirección. También es, a día de hoy, el único lugar donde existen esas cuatro cifras. La propia clasificación pública de Browser Use sigue listando a GPT-6.1 Sol con 81,3 y no tiene ninguna fila de GPT-6.2 Sol — su página de resultados lleva un sello de última modificación del 29 de octubre de 2026, y la URL que contendría una página por modelo para GPT-6.2 Sol devuelve un 404. Así que la versión honesta de esta historia es más limitada y más útil que el tuit: un proveedor de benchmarks te está diciendo que el modelo que ahora clasifica primero es mejor, más barato y más rápido que el modelo que clasificó primero hace tres semanas, y la tabla que normalmente consultarías para confirmarlo no se ha actualizado.

Lo que Browser Use publicó en realidad, en su totalidad

La publicación citada provenía de la propia cuenta de Browser Use a las 00:09 UTC del 18 de noviembre. Dice: «GPT-6.2 Sol es el mejor modelo para el uso del navegador 👀 — 82%, frente al 81% de GPT-6.1 Sol; 35% más barato; 2x más rápido: 12 min en lugar de 22 min; 36% menos pasos». Son cuatro afirmaciones separadas de solidez muy distinta, y deberían separarse antes de que cualquiera de ellas se use para justificar una migración.

• Puntuación — 82 frente a 81. Un punto en una puntuación media ponderada de rúbrica de 0–100, en un benchmark cuya metodología publicada describe 180 tareas ejecutadas en sitios web en vivo. Un punto está dentro de la banda de ruido de un benchmark que se vuelve a ejecutar contra sitios de terceros cambiantes.

• Coste por tarea: un 35 % más barato. Esta es la afirmación más sólida del conjunto, porque es la que un operador de agentes puede reproducir a bajo coste y porque está limitada aritméticamente: los precios de los tokens no cambiaron, así que el ahorro tiene que venir de otro sitio.

• Tiempo de reloj — 12 minutos en lugar de 22. Esta es la afirmación que contradice más directamente los datos publicados por el propio proveedor, y se aborda a continuación.

• Pasos: un 36 % menos. En un agente de navegador, los pasos son llamadas a herramientas, y las llamadas a herramientas son donde un bucle de agente consume tanto dinero como tiempo. Una reducción del 36 % en los pasos explica plausiblemente, por sí sola, la mayor parte de las otras tres cifras a la vez.

Browser Use Bench v2.1 no es un ejercicio de marketing. Su tarjeta de metodología deja claro que la puntuación es una puntuación media ponderada de rúbrica por tarea en una escala de 0 a 100, que la columna de coste es el coste estimado del modelo por tarea en USD y excluye los costes de búsqueda, juez, navegador y runner, y que las ejecuciones se realizan en 180 sitios web en vivo en lugar de un conjunto de pruebas congelado. Eso es un régimen de medición real. También es un régimen en el que un movimiento de puntuación de un solo punto y una nueva ejecución en sitios en vivo no son el mismo tipo de evidencia, y por eso la junta ha sido históricamente más conservadora que sus propias publicaciones en redes sociales.

Los cuatro números no están en el tablero.

Consultamos la clasificación en browser-use.com/benchmarks/agents el 19 de noviembre de 2026. Los metadatos del conjunto de datos estructurado integrados en esa página siguen indicando "Browser Use Bench v2.1 model results" con un dateModified de 2026-10-29. Al buscar la cadena "GPT-6.2" en el código fuente de la página se obtienen cero coincidencias. La página por modelo en browser-use.com/benchmarks/models/gpt-6-2-sol no existe: devuelve un stub 404. Y la propia sección de preguntas frecuentes de la página sigue describiendo el orden de clasificación vigente como "GPT-6.1 Sol high: 81.3 de 100 a $1.92 por tarea, en 180 tareas en sitios web en vivo. Le sigue GPT-6 Sol high con 79.4."

A generated two-column scoreboard comparing the Browser Use post of 18 November against the public leaderboard of 29 October: score 82 versus GPT-6.1 Sol 81.3, cost per task 35% cheaper versus $1.92, time per task 12 minutes versus 14.3 minutes, steps 36% fewer versus not published, input $2.00 on both, output $10.00 on both.

Eso no es una acusación de mala fe. Los benchmarks se publican con una cadencia y los anuncios no; la cuenta que publicó el 18 de noviembre es la que ejecuta el harness, así que tiene las cifras antes que el sitio. Pero sí define el estatus epistémico de este artículo, y el de cualquier decisión de adquisición que se tome a partir de él esta semana: las cifras del 82 %, 35 %, 2x y 36 % son reportadas por el proveedor y no están publicadas, en el sentido específico de que la propia tabla publicada del proveedor todavía no las contiene. Un equipo que migre hoy un agente de navegador en producción a GPT-6.2 Sol está actuando sobre la base de un anuncio de benchmark, no de un resultado de benchmark.

La buena noticia es que el anuncio es fácil de refutar. Si las cifras se mantienen, en unos días debería aparecer un tablero actualizado con una fila de GPT-6.2 Sol, y las cuatro cifras deberían resistir el contraste con el JSON. Si la fila aparece con números diferentes, lo sabrás antes de haber reconstruido nada.

La línea base en el tuit no coincide con la línea base en el tablero.

Aquí está el detalle que vale la pena señalar, porque es el tipo de cosa que se pierde cuando una afirmación viaja como captura de pantalla. El tuit da el resultado anterior de GPT-6.1 Sol como "81%" y "22 min". La tabla de clasificación publicada por Browser Use da GPT-6.1 Sol con esfuerzo de razonamiento alto como 81,3 de 100 a $1,92 por tarea, con una mediana de 14,3 minutos. La puntuación es lo bastante cercana: 81 y 81,3 son el mismo número redondeado de forma distinta. El tiempo no. Catorce minutos y veintidós minutos no son la misma medición.

A capture of the Browser Use Bench leaderboard on 19 November 2026 showing 17 models on 180 live-website tasks, GPT-6.1 Sol high leading at 81.3 at $1.92 per task and a 14.3 minute median, GPT-6.1 Terra high at 79.0 for 35% less, and a last-updated stamp of Oct 29, 2026, with no GPT-6.2 Sol row visible.

Hay explicaciones inocentes. La columna de tiempo de la tabla de clasificación es una mediana de 180 tareas en vivo, y las medianas son sensibles a qué tareas se descartan cuando un sitio falla; 22 minutos podría ser una media, podría ser un subconjunto solo de alto esfuerzo, podría ser un segmento de tareas diferente, o podría ser el tiempo de ejecución antes de que se aplicara una corrección del arnés entre el 29 de octubre y el 18 de noviembre. También hay una menos inocente: la cifra de tiempo del tuit es una comparación elegida para hacer que el nuevo modelo parezca más rápido, y el denominador honesto para una afirmación de velocidad de 2x es lo que sea que el mismo arnés produjo para el modelo antiguo el mismo día.

No puedes resolver eso desde fuera. Lo que puedes hacer es negarte a asumir esa proporción. «2 veces más rápido» aquí significa «el sistema de pruebas del proveedor del 18 de noviembre midió 12 minutos donde midió 22 minutos para el modelo anterior», no «GPT-6.2 Sol es el doble de rápido que el modelo que, según la tabla de clasificación pública, tarda 14,3 minutos». Si la velocidad es la razón por la que estás considerando el cambio, la cifra con la que debes planificar es la publicada de 14,3 minutos hasta que una nueva tabla la sustituya, porque es la única que tiene una página de metodología que la respalde.

Por qué lo de un 35% más barato es la afirmación que tiene la aritmética detrás.

El precio hace que la afirmación sobre el costo sea verificable de una manera en que las demás no lo son. GPT-6.2 Sol y GPT-6.1 Sol tienen la misma lista de precios, según las propias páginas de modelos de O​penAI:

• Entrada — $2.00 por millón de tokens en ambos.

• Entrada en caché — $0.10 por millón de tokens en ambos. Las escrituras de caché cuestan $2.50 por millón para una caché de 30 minutos, $5.00 para la escritura de 12 horas, en ambos.

• Salida — $10.00 por millón de tokens en ambos.

• Contexto largo: por encima de 272.000 tokens de entrada, las tarifas de entrada y de caché se duplican, y la tarifa de salida pasa a 1,5x para toda la solicitud, en ambos modelos. El umbral se mantiene en el mismo punto.

Batch: 50 % de las tarifas estándar en ambos; el modo Fast duplica, Ultrafast triplica hasta el 28 de febrero de 2027 y séxtuplica a partir del 1 de marzo de 2027 en ambos.

• Contexto — ventana de 1.050.000 tokens, 922.000 de entrada máxima, 128.000 de salida máxima, entrada de texto e imagen, salida de texto, en ambos. El corte de conocimiento de GPT-6.2 Sol es el 1 de junio de 2026 frente al 30 de abril de 2026.

Entradas idénticas, precios idénticos por token. Por lo tanto, una caída del 35 % en el costo por tarea no puede ser una reducción de precio. Tiene que ser que se compran menos tokens, y el tuit proporciona el mecanismo: un 36 % menos de pasos. La factura de tokens de un agente de navegador está dominada por el historial de conversación que se reproduce en cada paso, así que los pasos y el costo escalan juntos casi linealmente en una ejecución larga. Reduce el número de pasos en un tercio y la factura cae aproximadamente en un tercio, que es exactamente el tamaño del ahorro reportado. Las dos afirmaciones se corroboran mutuamente, lo cual es una buena señal para ambas.

También es una advertencia sobre cómo interpretar el ahorro. Una tarea un 35% más barata no equivale a un mes un 35% más barato si al modelo más barato se le asignan tareas en las que fallaba el anterior, o si menos pasos significa que el agente termina antes y entrega trabajo parcial. La puntuación de rúbrica de 82 es lo que descarta esa posibilidad: una ejecución que se detiene antes con un tercio menos de pasos obtendría una puntuación más baja, no un punto más alta; pero un punto es un margen estrecho para soportar tanto peso.

Que los precios de los tokens se transmitan sin cambios es la parte de esto que es genuinamente aburrida y genuinamente útil. En OrcaRouter, el 0% de margen modelo significa que el precio de lista de un proveedor es el precio que pagas, así que cuando un proveedor cambia una tarifa —como hizo OpenAI con GPT-6.2 Astra, que bajó un 20% en entrada y salida el mismo día— el cambio está activo en la plataforma el mismo día en que ocurre, en lugar de esperar a que un revendedor vuelva a fijar el precio. Eso también corta en ambos sentidos: no hay nada que arbitrar y ningún descuento que ganar cambiando. Si hoy ejecutas GPT-6.1 Sol a través de una única clave de API, una llamada al modelo GPT-6.2 Sol costaría lo mismo por token que cuesta en el proveedor.

Qué importa en un bucle de agente, más allá del titular

Cuatro detalles operativos de la página del modelo de OpenAI importan más para un despliegue de agente de navegador que la cifra del benchmark, y ninguno de ellos aparece en un titular del 82 %.

• Esfuerzo de razonamiento — GPT-6.2 Sol rechaza ninguno. El ajuste más bajo es real, no un interruptor para desactivar el razonamiento. GPT-6.1 Sol acepta todo el rango, de bajo a máximo. Si tu arnés fija de forma rígida "sin razonamiento, solo actuar" por latencia, esa configuración no se puede portar.

• Por lotes (Batch): compatible, al 50 % de las tarifas estándar. Las trayectorias de los agentes de navegador suelen ser sensibles a la latencia, por lo que esto es relevante principalmente para las ejecuciones de evaluación offline más que para producción.

• Endpoints: Responses, Chat Completions y Batch. Realtime, Assistants, Fine-tuning, Images, Videos, Speech y Transcription no son compatibles. Que Fine-tuning no esté disponible es lo que más afecta a los equipos que ajustaron una política de navegador en el modelo anterior.

• Herramientas — computer_use, web_search, mcp, hosted_shell, apply_patch, skills, tool_search, code_interpreter, image_generation y file_search figuran como compatibles. Para un agente de navegador, la pareja interesante es computer_use junto con tool_search: un harness que puede descubrir herramientas durante la ejecución es la fuente plausible de un tercio menos de pasos, porque el agente deja de adivinar una acción que no existe y de reintentarla después.

• Límites de velocidad — 5.000 solicitudes y 1.000.000 de tokens por minuto en el nivel Build, 10.000 y 4.000.000 en Launch, 15.000 y 40.000.000 en Grow.

Cómo probarlo sin arriesgar la ruta de producción

La respuesta correcta a una afirmación sobre un benchmark no publicado es una muestra, no una migración. Elige entre veinte y cincuenta de tus propias tareas de navegador, ejecútalas en ambos modelos con el mismo arnés el mismo día y compara tres cifras: la tasa de finalización según tu rúbrica, los tokens consumidos por tarea completada y el tiempo de reloj p50 y p95. Luego compara los dos resultados entre sí, en lugar de compararlos con el 82 de Browser Use, porque su distribución de tareas no es la tuya y una diferencia de un punto no sobrevivirá a la traducción.

Dos notas prácticas para esa prueba. Primero, fija explícitamente el esfuerzo de razonamiento en ambos lados y usa un ajuste que ambos modelos acepten, o pasarás la ejecución midiendo una diferencia de configuración. Segundo, registra los recuentos de pasos, ya que un 36 % menos de pasos es el mecanismo que sustenta la afirmación sobre el costo y lo primero que hay que confirmar o refutar con tus propios datos.

Para la prueba en sí, el failover es la forma barata de ejecutar un modelo no probado junto a uno probado: dirige la muestra al nuevo modelo con respaldo automático al modelo en el que confías, de modo que un rechazo, un tiempo de espera agotado o un pico en el límite de peticiones te cueste un reintento en lugar de un trabajo fallido. Eso resulta útil aquí concretamente porque GPT-6.2 Sol tiene dos días de vida y sus modos de fallo en sitios en vivo son exactamente lo que el benchmark pretende medir y todavía no ha publicado. No obstante, ten en cuenta el estado del catálogo: OrcaRouter enumera 217 modelos, entre ellos GPT-6.1 Sol, el modelo que actualmente encabeza la tabla de Browser Use, pero GPT-6.2 Sol aún no aparece en ella; para ese tendrías que acudir directamente a la propia API de O​penAI. El modelo anterior con precio de paso directo es una base sólida con la que medir el nuevo, y ese es el papel que debería desempeñar esta semana.

A capture of the OrcaRouter model catalogue listing more than 200 routable models in a provider-and-model table, with rows including openai/gpt-6.1-sol, openai/gpt-6-sol, openai/gpt-6-luna and openai/gpt-6-astra, and no GPT-6.2 Sol entry.

¿Qué cambiaría esta historia?

Tres cosas, en orden de cuánto cambiarían la respuesta. Una fila de GPT-6.2 Sol que aparezca en browser-use.com/benchmarks/agents con cifras que coincidan con las del tuit o se acerquen a ellas: eso convierte un anuncio de proveedor en un resultado de proveedor y refuerza mucho el argumento de la migración, aunque seguiría sin ser independiente. Una medición independiente de terceros del tiempo y el coste de las tareas de navegador en el mismo conjunto de tareas: eso es lo que resolvería la cuestión de los 12 frente a los 22 minutos, y es la cifra a la que hay que estar atento. Y un desglose publicado a nivel de tarea, porque «36% menos pasos» o es una mejora a nivel de harness que se generaliza a tu agente, o es una peculiaridad de 180 sitios web concretos, y solo los datos por tarea permiten distinguir entre ambas cosas.

Hasta que al menos se materialice el primero de esos puntos, el resumen defendible es este: GPT-6.2 Sol cuesta lo mismo por token que GPT-6.1 Sol, el pequeño aumento de puntuación y la gran ganancia en costos que reporta Browser Use son coherentes internamente con una reducción de un tercio en las llamadas a herramientas, y la afirmación sobre la velocidad se basa en una línea base que no coincide con la mediana publicada por el propio proveedor. Eso basta para justificar una evaluación de dos días con tus propias tareas. No basta para justificar una reescritura.

Comparados en este artículo1

Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario