
Factura de retrabajo de GPT-6.2 Sol: barato por token, costoso por corrección
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 185 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 826 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 407 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
En la mañana del 20 de noviembre, el comentarista de IA en chino 宝玉 (@dotey) publicó un veredicto sobre GPT-6.2 Sol que cualquiera que haya pasado una semana con el modelo reconocerá. Las tareas simples están bien. Las tareas complejas de programación no son solo un poco peores que Claude Opus 5.5 — el trabajo que Sol termina aún necesita que Opus lo limpie después, así que habría sido mejor darle el trabajo a Opus desde el principio. La publicación es un informe de uso y nada más: sin arnés, sin lista de tareas, sin diff, 124 me gusta en el momento de escribir esto y un hilo de comentarios en el que se discute sobre ello. También es comprobable de una manera en la que la mayoría de las impresiones de la semana de lanzamiento no lo son, porque lo que describe tiene una forma. Un modelo que va bien en trabajo fácil y se desmorona en trabajo difícil debería mostrar un patrón específico en las evaluaciones — fortaleza en la ejecución, debilidad en la comprensión — y los números publicados o tienen ese patrón o no lo tienen.
En gran medida, sí. OpenAI lanzó GPT-6.2 Sol el 17 de noviembre de 2026 a 2 dólares por millón de tokens de entrada y 10 dólares por millón de salida. En el Coding Agent Index independiente de Artificial Analysis, queda por debajo del modelo al que reemplaza, y el componente que lo lastra es aquel en el que el modelo tiene que leer una base de código y decir algo verdadero sobre ella. Ese es el mecanismo que hay detrás de «hay que limpiarlo después», expresado como un número. Lo que el tuit no hace, y lo que este artículo intenta hacer, es ponerle precio a la limpieza, porque cuando uno hace de verdad las cuentas, la tesis del retrabajo resulta mucho más contundente en tiempo real transcurrido que en dinero, y ambas cosas llevan a decisiones distintas.
Lo que realmente afirma la publicación
"Hoy he sometido a prueba de estrés a GPT-6.2 Sol. Las tareas sencillas van bien. En tareas de programación algo más complejas no es solo un poco peor que Opus 5.5: el trabajo que termina todavía necesita que Opus 5.5 le pase el paño después, así que más te vale dejar que Opus 5.5 lo haga desde el principio."
Dentro de eso hay tres afirmaciones separables. Primera, una afirmación sobre la calidad: Sol es sustancialmente peor que Opus 5.5 en programación compleja. Segunda, una afirmación sobre el flujo de trabajo: la diferencia se manifiesta como retrabajo en lugar de como un fallo evidente: obtienes una salida, parece terminada y un modelo más potente tiene que repararla. Tercera, una afirmación económica: el retrabajo anula cualquier ahorro que se haya obtenido en el precio de los tokens.
Las dos primeras son contrastables con evaluaciones publicadas. La tercera es aritmética y depende de un número que nadie ha publicado: cuánto cuesta una pasada de reparación en relación con hacer la tarea una vez con el modelo caro. Todo lo que sigue mantiene separadas esas tres afirmaciones, porque no todas se sostienen por igual.
La comparación limpia se ejecuta dentro de un solo banco de pruebas
Una advertencia antes de cualquier cifra, porque es la forma más común en que esta comparación se hace de manera deshonesta. Artificial Analysis mide los agentes de programación como un emparejamiento de modelo yentorno de ejecución: Codex para los modelos de OpenAI, Claude Code para los de Anthropic. El coste por tarea, el consumo de tokens y el tiempo real transcurrido varían con el entorno de ejecución tanto como con el modelo, así que una comparación directa de «Sol cuesta $1.22, Opus cuesta $12.61» está midiendo dos máquinas diferentes.
Lo que sobrevive a esa objeción es cualquier comparación dentro de un arnés. Dentro de Codex, GPT-6.2 Sol se puede comparar directamente con GPT-6.1 Sol y GPT-6.2 Astra, en tareas idénticas, con las mismas herramientas y la misma evaluación — y ahí es donde reside la regresión. El par entre arneses sigue mereciendo la pena imprimirlo, claramente etiquetado, porque es la comparación que un lector hace realmente cuando decide entre una suscripción de OpenAI y una de Anthropic.
• Codex, GPT-6.2 Sol (max) — Coding Agent Index 48.6, $1.22 por tarea, 4.25 M de tokens
• Codex, GPT-6.1 Sol (max) — índice 52.2, $1.51 por tarea, 4.33 M de tokens
• Codex, GPT-6.2 Astra (max) — índice 53.5, $5.12 por tarea, 4.67M tokens
• Claude Code, Claude Opus 5.5 (max) — índice 58,2, $12,61 por tarea, 15,89 M de tokens
Lee las dos primeras líneas juntas. El nuevo modelo obtiene 3,6 puntos por debajo del que reemplaza, en el mismo entorno de evaluación, con un gasto en tokens dentro del 2 % de ese valor. El precio tampoco cambió: Sol mantiene $2 y $10 desde el 29 de septiembre, y GPT-6.2 Sol mantuvo exactamente la lista de precios. Así que no se trata de un modelo más barato que sacrifique calidad a cambio de precio. Es el mismo precio, el mismo entorno de evaluación y menos capacidad en lo que mide el índice. La comparación de @dotey es con el modelo de otro proveedor, pero la regresión que percibe es visible sin salir de la propia línea de productos de OpenAI.

Donde la brecha de las tareas complejas es real
El Coding Agent Index es una combinación de tres evaluaciones, con igual ponderación: FrontierCode-AA 2.0 (132 tareas de ingeniería de software, escritas por Cognition e implementadas por Artificial Analysis), Terminal-Bench 4.1 (66 tareas de terminal agénticas, del Laude Institute) y SWE-Atlas-QnA-AA (124 tareas de preguntas y respuestas técnicas sobre una base de código, de Scale AI con calificación ajustada por Artificial Analysis). Cada puntuación es la media de tres intentos por tarea.
Si se divide Sol frente a su predecesor por componente, la forma que describe @dotey aparece de inmediato:
• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46,2 % frente a GPT-6.1 Sol 59,9 %, una caída de 13,7 puntos dentro de un mismo harness
• FrontierCode-AA 2.0 — 41,5 % frente a 42,5 %, prácticamente sin cambios
• Terminal-Bench 4.1 — 58,1 % frente a 54,0 %, una mejora de 4,1 puntos
Así que el modelo mejoró en el hacer y empeoró en el saber. El trabajo en terminal consiste en ejecutar y observar: ejecutar el comando, leer la salida, ajustar. Las preguntas y respuestas sobre el código consisten en recuperar e informar: encontrar el código relevante, entender por qué es como es y exponerlo con precisión. Un modelo que mejora en lo primero y retrocede 13,7 puntos en lo segundo pasará una prueba de humo y producirá modificaciones que parecen correctas pero pasan por alto la razón por la que el código se escribió así. Ese es precisamente el modo de fallo que genera retrabajo en lugar de un mensaje de error, y por eso la queja llega como «hay que limpiarlo» en lugar de «no funciona».
La brecha absoluta respecto a Opus 5.5 en la misma evaluación es aún mayor —46,2 % frente a 65,9 %—, pero esa comparación cruza distintos arneses, así que trátala como orientativa. La caída de 13,7 puntos dentro de Codex no es orientativa. Se trata del mismo arnés, las mismas 124 tareas y el mismo evaluador, y el modelo simplemente responde con menos precisión las preguntas sobre una base de código que el modelo al que sustituyó.

Donde Sol está realmente bien
La primera cláusula del tuit merece el mismo tratamiento que la segunda. "Las tareas simples están bien" no es una concesión; en el Índice de Inteligencia compuesto, que somete a todos los modelos a una misma suite idéntica en lugar de a los arneses de cada proveedor, GPT-6.2 Sol al máximo esfuerzo supera a Claude Opus 5.5 al máximo esfuerzo en varios componentes sin más:
• Terminal-Bench-Science 0.1 — 67,6 % frente a 59,0 %, una victoria de 8,6 puntos para Sol
• AutomationBench-AA — 71,3 % frente a 69,5 %
• Terminal-Bench 4.0 — 60,1 % frente a 59,6 %
• GDP.pdf aprobación total — 30,0 % frente a 26,2 %
Y pierde en aquellos que requieren retener un dato e informarlo:
• HLE-Diamond — 64,0 % frente a 67,9 %
• AnalystAgent — 53,8 % frente a 56,3 %
• AA-Omniscience — 40,4 con 61,6 % de precisión frente a 48,1 con 65,5 % de precisión
• FrontierCode-AA 2.0 (versión Index) — 44,4 % vs 46,4 %
La fila Omniscience es la que merece una pausa. Es la evaluación que mide si un modelo sabe lo que no sabe: Sol responde correctamente el 61,6% de las veces y su tasa de alucinación es del 55,4%, frente al 65,5% y el 50,3% de Opus 5.5. Un modelo que responde correctamente casi cuatro puntos menos a menudo e inventa algo cinco puntos más a menudo es un modelo cuyos resultados tiene que revisar una persona, lo cual es la tesis del retrabajo, que llega desde una segunda dirección.
En neto, Sol obtiene 57,3 frente a 59,1 en la puntuación compuesta, y lo hace en 9,6 minutos por tarea en lugar de 25,7, a $1,01 en lugar de $10,04, mientras emite 60,9 millones de tokens de salida en todo el conjunto de pruebas frente a los 218 millones de Opus. Sea lo que sea cierto, el modelo barato no es lento ni es verboso.
El dial de esfuerzo ya se ha recorrido.
La objeción obvia de cualquiera que haya usado un modelo de razonamiento de OpenAI es que este es el ajuste equivocado. Baja el esfuerzo y el modelo deja de pensar demasiado; súbelo y deja de tomar atajos. Artificial Analysis ya ha realizado el barrido completo en el Coding Agent Index dentro de Codex, y no salva la situación:
• bajo — 37.2
• medio — 45.4
• alta — 47.5
• xhigh — 49.8
• máx. — 48.6
El pico está en xhigh, no al máximo: llevar el esfuerzo hasta el máximo en realidad cuesta 1,2 puntos, que es el tipo de resultado no monótono que aparece cuando un modelo empieza a cuestionarse a sí mismo. Pero incluso el mejor ajuste, 49,8, queda 2,4 puntos por debajo de donde GPT-6.1 Sol obtuvo su puntuación al máximo y 8,4 por debajo de Claude Opus 5.5. No hay posición del selector en la que GPT-6.2 Sol se convierta en el agente de programación más fuerte; solo hay una elección sobre cuánto quieres pagar por 49,8.
Vale la pena conocer el costo de esa elección, porque es alto en términos relativos aunque sea barato en términos absolutos. En el Intelligence Index, Sol cuesta $0.18 por tarea con esfuerzo bajo, $0.41 con medio, $0.56 con alto, $0.65 con xhigh y $1.01 con max. Pasar de medio a xhigh aproximadamente duplica la calidad por tarea —de 52.7 a 55.7 en ese índice— y cuesta un 58 % más. El valor predeterminado es medio, que es la configuración que produce la puntuación de codificación de 45.4. Si vas a evaluar Sol frente a Opus, hazlo en xhigh o max, o estarás comparando la configuración equivocada.
Un número que predice el retrabajo
Hay una segunda serie de datos en la misma ejecución que habla directamente de la experiencia de «hay que limpiarlo», y no es una puntuación de calidad. Artificial Analysis registra los rechazos por seguridad por evaluación y distingue los rechazos de los que el sistema de evaluación se recuperó de los que pusieron fin al intento. En SWE-Atlas-QnA-AA, en más de 372 intentos:
• GPT-6.2 Sol (max) — 25 rechazos, cada uno una parada en seco, 6,7 % de los intentos
• GPT-6.2 Sol (xhigh) — 22 rechazos, 5,9%
• GPT-6.2 Sol (medium) — 13 rechazos, 3,5%
• GPT-6.1 Sol (max) — 15 rechazos, 4,0 %
• GPT-6.2 Astra (max) — 8 rechazos, 2,2%
• Claude Opus 5.5 — 52 rechazos, ninguno de ellos una parada en seco, 14,0%
La línea Opus es la interesante y va en contra de una lectura simplista. Opus 5.5 se niega con más frecuencia que cualquier modelo de esta tabla — y el sistema de evaluación recuperó las 52, así que ninguna de ellas costó la ejecución. Sol se niega con menos frecuencia y el sistema de evaluación no pudo recuperar ni una sola de sus 25. Una negativa que pone fin al turno de un agente es una tarea que ahora una persona tiene que retomar; una negativa que se recupera es un reintento. En la evaluación que más se parece a "responder preguntas sobre este repositorio", el modelo del que se queja el tuit falla en el modo que produce trabajo sin terminar en lugar de trabajo incorrecto.
Leído junto con la caída de 13,7 puntos en comprensión, esto es una historia coherente en lugar de dos números no relacionados: Sol es menos fiable en la parte de recuperar y reportar de la programación, y cuando falla, lo hace de una forma que deja la tarea abierta.
Presupuestando la pasada de limpieza
Ahora la tercera afirmación, la económica, que es donde la intuición suele vencer a la aritmética con más frecuencia. Use el coste por tarea del Intelligence Index, porque ese conjunto utiliza el mismo banco de pruebas para todos los modelos que lo componen y, por tanto, las cifras son directamente comparables: GPT-6.2 Sol $1.01, Claude Opus 5.5 $10.04.

Tomemos una tarea que Sol completa y que Opus repara después. Sea p la proporción de tareas que necesitan reparación y r el costo de una reparación como fracción de una ejecución completa de Opus. La opción de Sol seguido de reparación cuesta $1,01 + p × r × $10,04. Opus por sí solo cuesta $10,04. La opción de Sol seguido de reparación es más barata siempre que p × r esté por debajo de 0,899.
Ese es un listón muy alto que superar. Si una reparación cuesta la mitad de una pasada completa, puedes reparar cada una de las tareas y aun así salir un 78 % más barato que ir directamente a Opus. Solo cuando las reparaciones se acercan al coste de un rehacer completo en casi todas las tareas se invierte la factura: con p = 1 y r = 1, pagas 11,05 $ por lo que Opus habría hecho por 10,04 $. En mil tareas, eso son 11.050 $ frente a 10.040 $: una penalización del 10 %, no la paliza que insinúa el tuit.
Así que, solo en términos de dinero, la queja sobre el retrabajo no anula el argumento del precio a menos que el retrabajo sea casi total. Pero el dinero no es la restricción con la que se topan la mayoría de los equipos. El tiempo sí:
• Tiempo por tarea de Intelligence Index — GPT-6.2 Sol 9,6 min vs Claude Opus 5.5 25,7 min
• Tiempo cuando una tarea necesita un rehacer completo con Opus — 9.6 + 25.7 = 35.3 min frente a 25.7 min
• Gasto de tokens en la misma suite — 60.9M frente a 218M de tokens de salida
La tesis del retrabajo se sostiene aquí sin reservas. Cualquier tarea que Sol intenta y luego devuelve es una tarea que tardó un 37 % más de lo que habría tardado si hubieras acudido a Opus primero, y no puedes recuperar ese tiempo con un token más barato. Si tu limitación es una fecha límite y no un presupuesto —que es la situación en la que está casi todo desarrollador cuando publica esta queja—, @dotey tiene razón, y el argumento gira en torno al rendimiento, no al precio.
¿Qué cambiaría el veredicto?
Dos cosas, y ninguna está disponible todavía. La primera es una tasa de retrabajo publicada: qué fracción de los diffs de tareas complejas de Sol tiene que modificar realmente un modelo más potente, medida sobre un conjunto fijo de tareas. Nadie publica esto, porque requiere ejecutar dos modelos sobre los mismos tickets y comparar los resultados, y es el único número que zanjaría la discusión. La segunda es una cifra de GPT-6.2 Sol en una ejecución de código con el arnés de Anthropic, o de Opus 5.5 en Codex, lo que convertiría la comparación entre arneses anterior en un verdadero cara a cara.
Frente a eso, conviene fijarse en lo que ya está resuelto. La regresión es real y está dentro de un solo arnés. El barrido de esfuerzo no la corrige. La evaluación de comprensión —la que predice el retrabajo— se movió en la dirección equivocada 13,7 puntos. Quien quiera un motivo para mantener la codificación compleja en Opus 5.5 tiene uno que no depende de la impresión de nadie sobre una semana de lanzamiento.
Ejecutar la prueba en tus propias tareas
La tasa de retrabajo se puede medir en tu propio backlog en una tarde, y es la única versión de este número que te importa. Toma veinte tareas que tu equipo realmente entregó el mes pasado, pasa cada una por ambos modelos con el mismo ajuste de esfuerzo y compara los parches resultantes con lo que un humano acabó fusionando. La fracción que necesitó retrabajo sustancial es tu p; el costo en tokens de la pasada de reparación es tu r.
OrcaRouter convierte eso en una decisión de enrutamiento y no de compras: anthropic/claude-opus-5.5 y openai/gpt-6.1-sol están ambos detrás de una única clave, al precio de lista del propio proveedor con un 0 % de margen aplicado, así que las cifras anteriores son las cifras que se te facturarán. Eso importa más de lo habitual aquí, porque el modelo contra el que el tuit se defiende —GPT-6.2 Sol— todavía no está en nuestro catálogo; no lo servimos, y ninguna cantidad de enrutamiento cambia eso. Lo que sí servimos es el modelo al que Sol reemplazó, que es el control adecuado para un experimento: ejecuta 6.2 Sol dondequiera que puedas acceder a él, ejecuta GPT-6.1 Sol en las mismas tareas a través de nosotros, y la caída de 13,7 puntos en comprensión se convierte en algo que puedes confirmar o refutar con tu propio código en lugar de con una suite sintética.
Para la forma de despliegue que sugieren los datos, el DSL de enrutamiento es la respuesta honesta: enviar los pasos de planificación y comprensión del código a Opus 5.5, enviar los bucles de ejecución y de terminal al modelo más barato, y dejar que la conmutación por error automática cubra el caso en que un proveedor se atasca a mitad de ejecución. Eso es una configuración, no una arquitectura, y es lo que parece «usar Opus para limpiar lo de Sol» cuando lo escribes como un pipeline en lugar de como una queja.
Lo único que vale la pena sacar del tuit, sin importar qué modelo elijas: la factura de una tarea de programación no es el número de tokens. Son los tokens más los minutos humanos más el tiempo de reloj transcurrido entre «hecho» y «realmente hecho». Sol gana la primera línea de ese registro de forma decisiva; Opus 5.5 gana la segunda y la tercera siempre que una tarea regresa, y ningún proveedor publica la tasa a la que regresan las tareas. Hasta que alguien lo haga, el único número fiable es el que mides en tus propios diffs.
Comparados en este artículo1
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
