Una tarjeta de título generada que dice 'GPT-6.2 Sol Pro vs GPT-6.1 Sol Pro: misma tabla de precios, 40 % menos tokens', que muestra que los tokens de salida por tarea de índice caen de 67.824 a 40.360 y dos píldoras que muestran el Intelligence Index pasando de 54,6 a 57,3 y el costo por tarea bajando de $1,27 a $1,01, por encima de una línea que indica que la tarifa de entrada de $2,00 y la de salida de $10,00 son idénticas en ambos niveles.
Guides & Insights

GPT-6.2 Sol Pro vs. GPT-6.1 Sol Pro: misma tabla de tarifas, 40% menos tokens

Autor

jinhao.song

Fecha de publicación

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

Actualizar de GPT-6.1 Sol Pro a GPT-6.2 Sol Pro no cuesta nada según la lista de precios. Ambos niveles facturan $2.00 por millón de tokens de entrada y $10.00 por millón de salida, ambos incluyen una ventana de contexto de 1,050,000 tokens con un máximo de salida de 128,000, y ambos activan el modo pro como reasoning.mode: pro en el modelo base en lugar de como un identificador distinto. Aun así, merece la pena hacer la actualización, y la razón es la única cifra que no aparece en ningún lugar de la tarifa de OpenAI: al máximo esfuerzo, GPT-6.2 Sol consume 40,360 tokens de salida por tarea del índice de Artificial Analysis, mientras que GPT-6.1 Sol consume 67,824. Un 40 % menos de trabajo, mismo medidor, un 20 % menos en la factura al final. Revisado el 18 de noviembre de 2026, un día después de que se lanzara la generación 6.2.

Dos cosas hacen que esta sea una decisión más sutil de lo que sugiere la etiqueta. La primera es que los dos modelos no están separados por una generación de hardware ni por un cambio de arquitectura que se pueda señalar: la ventana de contexto es la misma, la lista de modalidades es la misma, el precio es el mismo, y la única diferencia estructural en la documentación de OpenAI es un corte de conocimiento que pasó del 30 de abril de 2026 al 1 de junio de 2026. La segunda es que la mejora es desigual: en las evaluaciones que importan para los agentes de programación es grande, y en la calibración es negativa. Una comparación que solo informe el índice compuesto pasaría por alto ambas cosas.

Qué difiere realmente, en la especificación del propio proveedor

Lado a lado, de las dos páginas de modelos en developers.openai.com, consultado el 18 de noviembre de 2026:

• Precio — $2.00 de entrada / $0.10 en caché / $2.50 de escritura en caché / $10.00 de salida por millón de tokens en ambos. Por encima de 272,000 tokens de entrada, ambos pasan a $4.00 / $0.20 / $5.00 / $15.00.

• Contexto — 1.050.000 tokens, 922.000 de entrada máxima, 128.000 de salida máxima, en ambos.

• Fecha de corte de conocimiento — 1 de junio de 2026 vs 30 de abril de 2026.

• Niveles de esfuerzo — low, medium, high, xhigh, max en ambos; ambos rechazan reasoning.effort: none.

• Modos de razonamiento: estándar y pro en la API de Responses en ambos, con facturación a tarifas estándar de tokens y que difieren solo en la cantidad de trabajo que se agrega.

• Multiplicador ultrarrápido: 3× el estándar hasta el 28 de febrero de 2027 y, después, 6× en ambos.

• Nuevo en 6.2: ventanas de finalización en segundo plano con descuento en la beta pública de Responses API: 30 % menos que la tarifa estándar por un aplazamiento de dos horas y 40 % menos por ocho horas.

• Cambio de comportamiento: a partir de GPT-6.2, la API descarta los elementos de razonamiento cuando detecta una edición del prefijo en mitad de una conversación, una degradación del modelo, un cambio de usuario final o un cambio de organización. Perder elementos de razonamiento puede degradar la calidad de las respuestas y hacer que el modelo repita trabajo anterior en tokens nuevos.

Esa última línea es la que hay que leer dos veces, porque es una trampa de costes disfrazada de nota sobre la corrección. Si tu aplicación edita las instrucciones a mitad de conversación —algo que hacen muchos bucles de agentes cuando vuelven a renderizar un prompt de sistema—, la generación 6.2 descartará el razonamiento que había acumulado, volverá a pagar por él en el siguiente turno y romperá la caché de prompts que, de otro modo, habría hecho barata la repetición. En una carga de trabajo en modo pro, donde los tokens de razonamiento constituyen la mayor parte de la salida, esa es la diferencia entre ahorrar un 40 % y no ahorrar nada. La propia recomendación de OpenAI es mantener el prefijo sin cambios cuando se modifica la configuración entre respuestas.

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.

Los números independientes: 2,7 puntos y 20 % por tarea

Artificial Analysis midió ambos niveles con el máximo esfuerzo en el mismo entorno de evaluación, que es la única forma de que esta comparación sea válida. Intelligence Index v5.0.1: 57,3 para GPT-6.2 Sol frente a 54,6 para GPT-6.1 Sol. Coste por tarea de índice: 1,01 $ frente a 1,27 $. En la tabla actual v5.0.1, GPT-6.2 Sol ocupa el 5.º puesto de 58 entradas puntuadas; GPT-6.1 Sol ya no aparece en la lista en vivo de la clasificación, por lo que la comparación se basa en las mediciones por modelo y no en el puesto.

Ninguna de las dos es una cifra llamativa por sí sola. Lo que hace que el par merezca la pena tener en cuenta es que se movieron juntos: el modelo más nuevo es a la vez mejor y más barato por unidad de trabajo completado, mientras que la lista de precios permaneció totalmente inmóvil. Esa es la firma de un lanzamiento de eficiencia y no de un reposicionamiento, y es el patrón que conviene ver antes de migrar una ruta de producción.

Ahora el desglose, que es donde los dos modelos divergen más de lo que sugiere el compuesto:

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

• Terminal-Bench Science: 67,6 % frente a 58,1 %, un salto de 9,5 puntos.

• HLE Diamond — 64,0 % frente a 58,8 %.

• FrontierCode 2.0 — 44,4 % frente a 40,6 %.

• AutomationBench — 71,3 % frente a 64,9 %.

• AnalystAgent: 53,8 % frente a 50,0 %.

• AA-Omniscience — 40,4 con 55,4 % de alucinaciones frente a 42,0 con 51,9 % de alucinaciones.

Todas las filas de capacidad mejoran. La fila de calibración no: el modelo más reciente tiene 3,5 puntos más de probabilidad de afirmar algo que no puede respaldar. Ese intercambio es casi gratuito dentro de un agente de programación que ejecuta una prueba antes de declarar el éxito, y es una regresión real dentro de un flujo de trabajo de investigación sin un paso de verificación. Si tu uso del modo pro es del segundo tipo, esta no es una actualización automática.

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.

De dónde viene el 40%, línea por línea

El modo Pro multiplica una cantidad desconocida de trabajo del modelo sobre un recuento base de tokens, así que el valor base es la única parte sobre la que puedes razonar — y los datos independientes lo dimensionan con precisión.

Con el máximo esfuerzo, GPT-6.2 Sol promedia 40.360 tokens de salida por tarea de indexación: 22.800 de razonamiento y 17.561 de respuesta. GPT-6.1 Sol promedia 67.824: 49.213 de razonamiento y 18.611 de respuesta. La respuesta visible apenas cambió: un 6 % más corta. El razonamiento se desplomó un 54 %. Ese es todo el mecanismo. El modelo más nuevo piensa durante menos de la mitad del tiempo para producir una respuesta de la misma longitud y, como los tokens de razonamiento se facturan como salida, ahí es donde está el ahorro.

Si lo pasamos a dólares, la aritmética no tiene nada de glamorosa: 40.360 tokens a $10/millón son unos $0,40 de salida, frente a $0,72 del modelo anterior. La entrada, sin embargo, no coopera. En toda la suite, GPT-6.2 Sol factura alrededor de $0,61 de entrada por tarea frente a $0,55 de GPT-6.1 Sol —lee más, no menos, porque tanto sus volúmenes de escritura en caché como los de lectura de caché aumentaron. El ahorro en la salida y la penalización en la entrada casi se anulan en la cifra neta de $1,01 frente a $1,27. Nada de esa transferencia proviene de una reducción de precio, porque no hubo ninguna reducción de precio.

La advertencia práctica es la que implica el modo pro: como el multiplicador es desconocido y se aplica a lo que el modelo decida hacer, una línea base un 40 % menor no garantiza una factura un 40 % menor en modo pro. Garantiza un piso más barato. Mide tus propias llamadas antes de reescribir un presupuesto.

Migrar sin cambiar el código

La migración mecánica consiste en una sola cadena. Ambos modelos aceptan los mismos parámetros, los mismos valores de esfuerzo, la misma superficie de la API de Responses y el mismo conjunto de herramientas, así que el cambio es de model: "gpt-6.1-sol" a model: "gpt-6.2-sol" con el modo pro configurado de forma idéntica. La guía de migración de OpenAI añade una verificación obligatoria para el uso de herramientas: requiere la API de Responses, no Chat Completions, y eso ya era cierto en 6.1.

Lo que no es una única cadena es el comportamiento de los elementos de razonamiento descrito anteriormente. Antes de cambiar el modelo, audita si algo en tu bucle muta el prefijo de la conversación —prompts de sistema dinámicos, definiciones de herramientas inyectadas que reordenan, recorte de contexto por turno al inicio. Si lo hace, corrige eso primero o la ganancia de eficiencia se esfuma en el segundo turno.

La postura de despliegue también importa, porque este es un nivel con apenas un día de vida y una única medición independiente que lo respalda. El camino conservador es mantener producción en el nivel 6.1 y evaluar 6.2 con el tráfico que puedas comprobar —una ruta en sombra, un porcentaje canario, una suite de pruebas ejecutada contra ambos—. En OrcaRouter, openai/gpt-6.1-sol está en el catálogo a precio de lista del proveedor con un 0 % de margen y conmutación automática entre proveedores, de modo que el modelo que ya gestiona tu tráfico pueda absorber una mala tarde sin que lo descubras en producción. GPT-6.2 Sol no ha aparecido en nuestro catálogo a fecha de 18 de noviembre, que es justo la razón para realizar la evaluación como una comparación en lugar de un cambio directo.

El nivel 6.1 también sigue siendo invocable durante un tiempo: la tabla de depreciaciones de OpenAI todavía dirige las cargas de trabajo de GPT-5 y o3 que se retiran hacia gpt-6.1-sol como su reemplazo, con esas desactivaciones fechadas el 11 de diciembre de 2026. Un modelo que en sí mismo es el objetivo de migración recomendado para otros modelos no se retira de forma inminente, así que un traslado deliberado y medido a 6.2 no te cuesta nada en urgencia.

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.

Quién debería moverse, y quién debería esperar

Muévase ahora si su carga de trabajo depende en gran medida del terminal, del uso de herramientas o está condicionada por la verificación. El salto de 9,5 puntos en Terminal-Bench Science y el salto de 6,4 puntos en AutomationBench son lo suficientemente grandes como para que una ejecución canario los muestre, y el ahorro del 20 % por tarea llega sin negociación ni contrato nuevo.

Espera: si tu carga de trabajo es síntesis de investigación en modo pro, donde la salida se lee en lugar de probarse. La regresión de calibración es pequeña, pero apunta en la dirección equivocada, y el argumento de eficiencia no cubre un error que solo descubres después de publicar. Espera, además: si tu bucle de agente reescribe prefijos de conversación, corrige eso primero, luego actualiza y después mide; actualizar antes de corregir hará que el modelo parezca peor de lo que es.

En cualquier caso, el número de versión está haciendo menos trabajo aquí de lo que parece. Esta no es una generación que compró capacidad con dinero. Es una generación que compró capacidad con tokens, y por una vez la factura se movió a tu favor.

Comparados en este artículo1

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