
Le score de 82 % de GPT-6.2 Sol sur Browser-Use est un tweet, pas une entrée au classement
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 184 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 223 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 87 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 96 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
Le 18 novembre, Browser Use a publié que GPT-6.2 Sol est le meilleur modèle sur son benchmark d’agents de navigateur : 82 %, contre 81 % pour GPT-6.1 Sol, 35 % moins cher par tâche, deux fois plus rapide et 36 % d’étapes en moins. Greg Brockman l’a relayé le jour même avec « GPT-6.2 est incroyable pour l’utilisation du navigateur. » Deux jours plus tôt, OpenAI avait lancé GPT-6.2 Sol à 2 $ par million de jetons d’entrée et 10 $ par million de jetons de sortie. L’affirmation est bonne et elle est probablement juste dans les grandes lignes. C’est aussi, à ce jour, le seul endroit où ces quatre chiffres existent. Le classement public de Browser Use lui-même liste encore GPT-6.1 Sol à 81,3 et ne comporte aucune ligne GPT-6.2 Sol — sa page de résultats porte une mention de dernière modification au 29 octobre 2026, et l’URL qui contiendrait une page par modèle pour GPT-6.2 Sol renvoie une 404. Donc la version honnête de cette histoire est plus étroite et plus utile que le tweet : un fournisseur de benchmark vous dit que le modèle qu’il classe désormais premier est meilleur, moins cher et plus rapide que le modèle qu’il classait premier il y a trois semaines, et le classement que vous consulteriez normalement pour le confirmer n’a pas encore rattrapé son retard.
Ce que Browser Use a réellement publié, dans son intégralité
Le post cité provient du compte de Browser Use lui-même, à 00:09 UTC le 18 novembre. Il indique : « GPT-6.2 Sol est le meilleur modèle pour l’utilisation d’un navigateur 👀 — 82 %, contre 81 % pour GPT-6.1 Sol ; 35 % moins cher ; 2 fois plus rapide : 12 min au lieu de 22 min ; 36 % d’étapes en moins. » Ce sont quatre affirmations distinctes de force très différente, et il faut les séparer avant que l’une d’elles ne serve à justifier une migration.
• Score — 82 contre 81. Un point sur un score moyen pondéré selon une grille d’évaluation de 0 à 100, sur un benchmark dont la méthodologie publiée décrit 180 tâches exécutées sur des sites web en direct. Un point se situe dans la marge de bruit d’un benchmark qui est réexécuté sur des sites tiers évolutifs.
• Coût par tâche — 35 % de moins. C’est l’affirmation la plus forte de l’ensemble, car c’est celle qu’un opérateur d’agent peut reproduire à faible coût et parce qu’elle est arithmétiquement contrainte : les prix des tokens n’ont pas changé, donc l’économie doit venir d’ailleurs.
• Temps horaire réel — 12 minutes au lieu de 22. C'est l'affirmation qui contredit le plus directement les données publiées par le fournisseur lui-même, et elle est traitée ci-dessous.
• Étapes — 36 % de moins. Dans un agent de navigateur, les étapes sont des appels d’outils, et les appels d’outils sont ce dans quoi une boucle d’agent dépense à la fois de l’argent et du temps. Une réduction de 36 % du nombre d’étapes explique plausiblement la plupart des trois autres chiffres d’un seul coup.
Browser Use Bench v2.1 n’est pas un exercice marketing. Sa fiche méthodologique précise explicitement que le score est un score de grille d’évaluation moyen pondéré par tâche sur une échelle de 0 à 100, que la colonne des coûts correspond au coût modèle estimé par tâche en USD et exclut les coûts de recherche, de juge, de navigateur et de runner, et que les exécutions portent sur 180 sites Web en direct plutôt que sur un ensemble de tests figé. C’est un véritable régime de mesure. C’est aussi un régime dans lequel un mouvement de score d’un point et une nouvelle exécution sur site en direct ne constituent pas le même type de preuve, ce qui explique pourquoi le classement a toujours été plus prudent que ses propres publications sur les réseaux sociaux.
Les quatre nombres ne sont pas sur le tableau.
Nous avons consulté le classement sur browser-use.com/benchmarks/agents le 19 novembre 2026. Les métadonnées du jeu de données structuré intégrées à cette page indiquent toujours « Browser Use Bench v2.1 model results », avec une dateModified au 2026-10-29. La recherche de la chaîne « GPT-6.2 » dans le code source de la page ne renvoie aucune correspondance. La page propre à chaque modèle à l'adresse browser-use.com/benchmarks/models/gpt-6-2-sol n'existe pas — elle renvoie une page 404. Et la FAQ de la page elle-même décrit toujours le classement en vigueur en ces termes : « GPT-6.1 Sol high : 81,3 sur 100 à 1,92 $ par tâche, sur 180 tâches effectuées sur des sites web réels. Vient ensuite GPT-6 Sol high à 79,4. »

Ce n’est pas une accusation de mauvaise foi. Les benchmarks sont publiés selon une cadence, les annonces non ; le compte qui a publié le 18 novembre est celui qui fait tourner le banc d’essai, il dispose donc des chiffres avant le site. Mais cela définit bien le statut épistémique de cet article, et de toute décision d’achat prise à partir de celui-ci cette semaine : les chiffres de 82 %, 35 %, 2x et 36 % sont déclarés par le fournisseur et non publiés, au sens précis où le tableau publié par le fournisseur lui-même ne les contient pas encore. Une équipe qui migre aujourd’hui un agent de navigateur en production vers GPT-6.2 Sol se fonde sur une annonce de benchmark, pas sur un résultat de benchmark.
La bonne nouvelle, c’est que l’annonce est peu coûteuse à falsifier. Si les chiffres tiennent, un tableau mis à jour avec une ligne GPT-6.2 Sol devrait apparaître sous quelques jours, et les quatre chiffres devraient survivre au contact du JSON. Si la ligne apparaît avec des chiffres différents, vous le saurez avant d’avoir reconstruit quoi que ce soit.
La ligne de base dans le tweet ne correspond pas à la ligne de base sur le tableau.
Voici le détail qu’il vaut la peine de signaler, car c’est le genre de chose qui se perd lorsqu’une affirmation circule sous forme de capture d’écran. Le tweet indique le résultat précédent de GPT-6.1 Sol comme « 81 % » et « 22 min ». Le classement publié de Browser Use classe GPT-6.1 Sol avec un effort de raisonnement élevé à 81,3 sur 100, à 1,92 $ par tâche, avec une médiane de 14,3 minutes. Le score est suffisamment proche — 81 et 81,3 sont le même nombre arrondi différemment. Ce n’est pas le cas de la durée. Quatorze minutes et vingt-deux minutes ne constituent pas la même mesure.

Il existe des explications anodines. La colonne de temps du classement est une médiane sur 180 tâches en conditions réelles, et les médianes sont sensibles aux tâches supprimées lorsqu’un site échoue ; 22 minutes pourrait être une moyenne, un sous-ensemble limité aux tâches à fort effort, une autre tranche de tâches, ou le temps d’exécution avant qu’une correction du harnais n’arrive entre le 29 octobre et le 18 novembre. Il y a aussi une explication moins anodine : le chiffre de temps du tweet est une comparaison choisie pour faire paraître le nouveau modèle plus rapide, et le dénominateur honnête d’une affirmation de vitesse 2x est ce que le même harnais a produit pour l’ancien modèle le même jour.
Vous ne pouvez pas résoudre cela de l’extérieur. Ce que vous pouvez faire, c’est refuser d’importer le ratio. « 2 fois plus rapide » signifie ici « le banc d’essai du fournisseur du 18 novembre a mesuré 12 minutes là où il en a mesuré 22 pour le modèle précédent », et non « GPT-6.2 Sol est deux fois plus rapide que le modèle que le classement public donne à 14,3 minutes ». Si la vitesse est la raison pour laquelle vous envisagez le changement, le chiffre à retenir pour planifier est celui de 14,3 minutes publié, jusqu’à ce qu’un nouveau classement le remplace, car c’est le seul qui s’appuie sur une page de méthodologie.
Pourquoi « 35 % moins cher » est l’affirmation avancée, avec le calcul juste en dessous
La tarification rend l’affirmation sur les coûts vérifiable d’une manière que les autres ne permettent pas. GPT-6.2 Sol et GPT-6.1 Sol appliquent la même grille tarifaire, selon les propres pages de modèles d’OpenAI :
• Entrée — 2,00 $ par million de jetons dans les deux cas.
• Entrée mise en cache — 0,10 $ par million de tokens dans les deux cas. Les écritures dans le cache coûtent 2,50 $ par million pour un cache de 30 minutes, et 5,00 $ pour l’écriture de 12 heures, dans les deux cas.
• Sortie — 10,00 $ par million de tokens pour les deux.
• Contexte long — au-delà de 272 000 jetons d’entrée, les tarifs d’entrée et de cache doublent et le tarif de sortie passe à 1,5x pour toute la requête, sur les deux modèles. La limite se situe au même endroit.
Batch — 50 % des tarifs standard sur les deux ; le mode Fast double, Ultrafast triple jusqu’au 28 février 2027 et sextuple à partir du 1er mars 2027 sur les deux.
• Contexte — fenêtre de 1 050 000 tokens, 922 000 entrées max, 128 000 sorties max, texte et image en entrée, texte en sortie, sur les deux. La date limite des connaissances de GPT-6.2 Sol est le 1er juin 2026, contre le 30 avril 2026.
Des entrées identiques, des prix par token identiques. Une baisse de 35 % du coût par tâche ne peut donc pas être une réduction de prix. Il faut nécessairement qu'il y ait moins de tokens achetés, et le tweet fournit le mécanisme : 36 % d'étapes en moins. La facture de tokens d'un agent navigateur est dominée par l'historique de conversation rejoué à chaque étape, si bien que le nombre d'étapes et le coût augmentent ensemble de façon presque linéaire sur une longue exécution. Réduisez le nombre d'étapes d'un tiers et la facture baisse d'environ un tiers, ce qui correspond exactement à l'ampleur de l'économie rapportée. Les deux affirmations se corroborent, ce qui est bon signe pour l'une comme pour l'autre.
C'est aussi un avertissement sur la manière d'interpréter l'économie. Une tâche 35 % moins chère ne signifie pas un mois 35 % moins cher si le modèle moins cher se voit confier des tâches auxquelles l'ancien échouait, ou si un nombre réduit d'étapes signifie que l'agent s'arrête plus tôt et renvoie un travail partiel. Le score de 82 à la grille d'évaluation est ce qui écarte cette possibilité — une exécution qui s'arrête tôt avec un tiers d'étapes en moins obtiendrait un score plus bas, et non un point de plus — mais un point est une marge bien mince pour porter autant de poids.
Le fait que les prix des jetons soient répercutés sans modification est le côté vraiment ennuyeux et vraiment utile de la chose. Sur OrcaRouter, le modèle à 0 % de marge signifie que le prix catalogue d’un fournisseur est celui que vous payez ; ainsi, lorsqu’un fournisseur modifie réellement sa grille tarifaire — comme OpenAI l’a fait pour GPT-6.2 Astra, qui a baissé de 20 % en entrée et en sortie le jour même —, la modification est effective sur la plateforme le jour où elle a lieu, au lieu d’attendre qu’un revendeur réajuste ses prix. Cela joue aussi dans les deux sens : il n’y a rien à arbitrer et aucune remise à obtenir en changeant de fournisseur. Si vous utilisez aujourd’hui GPT-6.1 Sol avec une seule clé API, un appel au modèle GPT-6.2 Sol coûterait le même prix par jeton que chez le fournisseur.
Ce qui compte pour une boucle d'agent, au-delà du titre
Quatre détails opérationnels de la page de modèle d’OpenAI comptent davantage pour un déploiement d’agent navigateur que le chiffre du benchmark, et aucun d’entre eux n’apparaît dans un titre à 82 %.
• Effort de raisonnement — GPT-6.2 Sol rejette l'option « aucun ». Le réglage le plus bas est un véritable réglage, pas un interrupteur pour désactiver le raisonnement. GPT-6.1 Sol accepte toute la plage, du minimum au maximum. Si votre harnais code en dur « aucun raisonnement, juste agir » pour la latence, cette configuration n'est pas transposable.
• Traitement par lots — pris en charge, à 50 % des tarifs standards. Les trajectoires d’agents de navigateur sont généralement sensibles à la latence ; cela compte donc surtout pour les exécutions d’évaluation hors ligne plutôt que pour la production.
• Points de terminaison — Responses, Chat Completions et Batch. Realtime, Assistants, Fine-tuning, Images, Videos, Speech et Transcription ne sont pas pris en charge. L’indisponibilité de Fine-tuning est ce qui pénalise les équipes qui ont ajusté une politique de navigateur sur le modèle précédent.
• Outils — computer_use, web_search, mcp, hosted_shell, apply_patch, skills, tool_search, code_interpreter, image_generation et file_search sont listés comme pris en charge. Pour un agent de navigateur, la paire intéressante est computer_use aux côtés de tool_search: un harnais capable de découvrir des outils en cours d'exécution est la source plausible d'une réduction d'un tiers du nombre d'étapes, car l'agent cesse de deviner une action qui n'existe pas, puis de la réessayer.
• Limites de débit — 5 000 requêtes et 1 000 000 de tokens par minute au niveau Build, 10 000 et 4 000 000 au niveau Launch, 15 000 et 40 000 000 au niveau Grow.
Comment l’essayer sans mettre en jeu le chemin de production
La bonne réponse à une affirmation issue d’un benchmark non publié est un échantillon, pas une migration. Choisissez vingt à cinquante de vos propres tâches de navigation, exécutez-les sur les deux modèles via le même harnais le même jour, puis comparez trois chiffres : le taux d’achèvement selon votre grille d’évaluation, les tokens consommés par tâche terminée, et le temps réel p50 et p95. Comparez ensuite les deux résultats entre eux plutôt qu’au 82 de Browser Use, car leur distribution de tâches n’est pas la vôtre et un écart d’un point ne survivra pas à la transposition.
Deux remarques pratiques pour ce test. Premièrement, fixez explicitement l'effort de raisonnement des deux côtés et utilisez un réglage que les deux modèles acceptent, sinon vous passerez toute l'exécution à mesurer une différence de configuration. Deuxièmement, consignez le nombre d'étapes, car 36 % d'étapes en moins constituent le mécanisme qui sous-tend l'argument de coût, et c'est la première chose à confirmer ou à réfuter dans vos propres données.
Pour l’essai lui-même, le basculement est le moyen économique d’exécuter un modèle non éprouvé à côté d’un modèle éprouvé : dirigez l’échantillon vers le nouveau modèle avec repli automatique vers le modèle auquel vous faites confiance, de sorte qu’un refus, un délai d’attente dépassé ou un pic de limitation de débit vous coûte une nouvelle tentative plutôt qu’une tâche échouée. C’est particulièrement utile ici parce que GPT-6.2 Sol n’a que deux jours et que ses modes de défaillance sur des sites en production sont exactement ce que le benchmark est censé mesurer et n’a pas encore publié. Tenez toutefois compte de l’état du catalogue : OrcaRouter répertorie 217 modèles dont GPT-6.1 Sol, le modèle qui arrive actuellement en tête du classement Browser Use, mais GPT-6.2 Sol n’y figure pas encore — pour celui-là, vous passeriez directement par l’API d’OpenAI. Le modèle précédent au tarif de passage constitue une base de référence solide à laquelle comparer le nouveau, et c’est le rôle qu’il devrait jouer cette semaine.

Qu’est-ce qui changerait cette histoire ?
Trois éléments, par ordre d’impact sur la réponse. Une ligne GPT-6.2 Sol apparaissant sur browser-use.com/benchmarks/agents avec des chiffres correspondant au tweet ou s’en approchant — cela transforme une annonce de fournisseur en résultat de fournisseur et renforce nettement l’argument en faveur de la migration, même si cela ne serait toujours pas indépendant. Une mesure indépendante par un tiers du temps et du coût des tâches de navigation sur le même ensemble de tâches — c’est ce qui trancherait la question des 12 contre 22 minutes, et c’est le chiffre à surveiller. Et une ventilation publiée au niveau des tâches, car « 36 % d’étapes en moins » est soit une amélioration au niveau du harness qui se généralise à votre agent, soit une particularité de 180 sites web précis, et seules les données par tâche permettent de distinguer les deux.
Jusqu’à ce qu’au moins le premier de ces éléments soit disponible, le résumé défendable est le suivant : GPT-6.2 Sol coûte autant par token que GPT-6.1 Sol, la légère hausse du score et le important gain de coût que rapporte Browser Use sont cohérents avec une réduction d’un tiers du nombre d’appels d’outils, et l’affirmation sur la vitesse repose sur une référence qui ne correspond pas à la médiane publiée par le fournisseur lui-même. Cela suffit à justifier une évaluation de deux jours sur vos propres tâches. Cela ne suffit pas à justifier une réécriture.
Comparés dans cet article1
Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement
