כרטיס כותרת שעליו כתוב "Rework Bill של GPT-6.2 Sol", ומציג את GPT-6.2 Sol עם 48.6 במדד Artificial Analysis Coding Agent Index במחיר של $1.22 למשימה, לעומת Claude Opus 5.5 עם 58.2 במחיר של $12.61 למשימה, עם הערה ששני אלה נמדדו בהרנסים שונים. הלוגו של OrcaRouter נמצא בפינה הימנית התחתונה.
Guides & Insights

חשבון העבודה מחדש של GPT-6.2 Sol: זול לכל טוקן, יקר לכל תיקון

מחבר

Gideon Frost

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

בבוקר ה-20 בנובמבר, פרסם פרשן ה-AI בשפה הסינית 宝玉 (@dotey) פסק דין על GPT-6.2 Solשכל מי שבילה שבוע עם המודל יזהה. משימות פשוטות בסדר. משימות קידוד מורכבות לא רק גרועות קצת יותר מ-Claude Opus 5.5 — העבודה ש-Sol מסיים עדיין זקוקה ל-Opus שינקה אחריה, כך שהיה עדיף למסור את העבודה ל-Opus מלכתחילה. הפוסט הוא דוח שימוש ותו לא: אין בו רתמה, אין רשימת משימות, אין diff, 124 לייקים בזמן הכתיבה ושרשור תגובות שמתווכח עליו. הוא גם ניתן לבדיקה באופן שרוב ההתרשמויות משבוע ההשקה אינן, כי לדבר שהוא מתאר יש צורה. מודל שבסדר בעבודה קלה ומתפרק בעבודה קשה אמור להראות דפוס ספציפי בהערכות — חוזק בביצוע, חולשה בהבנה — והמספרים שפורסמו או שיש בהם את הדפוס הזה או שאין.

הם ברובם אכן עושים זאת. OpenAI השיקה את GPT-6.2 Sol ב-17 בנובמבר 2026 במחיר של 2 דולר למיליון אסימוני קלט ו-10 דולר למיליון אסימוני פלט. במדד Coding Agent העצמאי של Artificial Analysis הוא נוחת מתחת למודל שהוא מחליף, והרכיב שמכביד עליו הוא זה שבו המודל צריך לקרוא בסיס קוד ולומר עליו משהו נכון. זה המנגנון שמאחורי "צריך לנקות אחריו", כשהוא מנוסח כמספר. מה שהציוץ לא עושה, ומה שהמאמר הזה מנסה לעשות, הוא לתמחר את הניקוי — כי כשבאמת מריצים את החשבון, תזת עבודת התיקון החוזרת מתבררת כחזקה הרבה יותר בזמן שעון מאשר בכסף, ושני אלה מובילים להחלטות שונות.

מה שהפוסט למעשה טוען

היום ערכתי בדיקת מאמץ ל-GPT-6.2 Sol. משימות פשוטות בסדר גמור. במשימות קידוד מורכבות קצת יותר הוא לא רק קצת פחות טוב מ-Opus 5.5 — העבודה שהוא מסיים עדיין דורשת את Opus 5.5 שינגב אחריו, אז מוטב לתת ל-Opus 5.5 לעשות את זה מלכתחילה.

בתוך זה נמצאות שלוש טענות נפרדות. ראשית, טענת איכות: Sol גרוע באופן מהותי מ-Opus 5.5 בקידוד מורכב. שנית, טענת זרימת עבודה: הפער מתבטא בעבודה חוזרת ולא בכשל ברור — מקבלים פלט, הוא נראה גמור, ומודל חזק יותר צריך לתקן אותו. שלישית, טענה כלכלית: העבודה החוזרת מבטלת כל חיסכון שהשיג מחיר הטוקנים.

שתי הטענות הראשונות ניתנות לבדיקה מול הערכות שפורסמו. השלישית היא אריתמטיקה, והיא תלויה במספר שאיש לא פרסם — כמה עולה סבב תיקון ביחס לביצוע המשימה פעם אחת עם המודל היקר. כל מה שלהלן שומר על שלוש הטענות הללו בנפרד, מפני שלא כולן שורדות באותה מידה.

ההשוואה הנקייה פועלת בתוך רתמה אחת

אזהרה אחת לפני שמגיעים למספרים, כי זו הדרך הנפוצה ביותר שבה ההשוואה הזו נעשית בחוסר יושר. Artificial Analysis מודדת סוכני קידוד כצימוד של מודל והרנס: Codex עבור המודלים של OpenAI, Claude Code עבור אלה של Anthropic. העלות לכל משימה, צריכת הטוקנים וזמן הקיר משתנים עם ההרנס באותה מידה כמו עם המודל, כך שהשוואה גולמית של "Sol עולה $1.22, Opus עולה $12.61" מודדת שתי מכונות שונות.

מה ששורד את ההתנגדות הזו הוא כל השוואה בתוך רתמה. בתוך Codex, אפשר להעמיד את GPT-6.2 Sol מול GPT-6.1 Sol ו-GPT-6.2 Astra ישירות, על משימות זהות, עם אותם כלים ואותה שיטת ניקוד — ושם נמצאת הרגרסיה. עדיין שווה להדפיס את הצמד החוצה־רתמות, מתויג בבירור, משום שזו ההשוואה שהקורא למעשה עורך כשהוא מחליט בין מנוי OpenAI למנוי Anthropic.

• Codex, GPT-6.2 Sol (max) — מדד סוכני קידוד 48.6, 1.22$ למשימה, 4.25 מיליון טוקנים

• Codex, GPT-6.1 Sol (max) — מדד 52.2,‏ $1.51 לכל משימה, 4.33 מיליון טוקנים

• Codex, GPT-6.2 Astra (max) — אינדקס 53.5, ‏$5.12 למשימה, 4.67M טוקנים

• Claude Code, Claude Opus 5.5 (max) — מדד 58.2, $12.61 לכל משימה, 15.89M טוקנים

קרא את שתי השורות הראשונות יחד. המודל החדש נמצא 3.6 נקודות מתחת לזה שהוא מחליף, על אותו הרנס, בצריכת טוקנים בטווח של 2% ממנו. גם המחיר לא השתנה — Sol שומרת על $2 ו-$10 מאז 29 בספטמבר, ו-GPT-6.2 Sol שמרה בדיוק על מחירון התעריפים. אז זה לא מודל זול יותר שמחליף איכות במחיר. זה אותו מחיר, אותו הרנס, ופחות יכולת בדבר שהמדד מודד. ההשוואה של @dotey היא למודל של ספק אחר, אבל הנסיגה שהוא חש נראית גם בלי לצאת מקו המוצרים של O​penAI עצמה.

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.

היכן שפער המשימות המורכבות הוא אמיתי

מדד סוכני הקידוד הוא מדד משולב של שלוש הערכות, בעלות משקל שווה: FrontierCode-AA 2.0 (132 משימות הנדסת תוכנה, שנכתבו על ידי Cognition ויושמו על ידי Artificial Analysis), Terminal-Bench 4.1 (66 משימות טרמינל סוכניות, מטעם Laude Institute), ו-SWE-Atlas-QnA-AA (124 משימות שאלות ותשובות טכניות על בסיס קוד, מ-Scale AI עם דירוג שהותאם על ידי Artificial Analysis). כל ציון הוא הממוצע של שלושה ניסיונות לכל משימה.

פצל את Sol לעומת קודמו לפי רכיב, והצורה ש־@dotey מתאר מופיעה מיד:

• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46.2% לעומת GPT-6.1 Sol 59.9%, ירידה של 13.7 נקודות בתוך מערכת בדיקה אחת

• FrontierCode-AA 2.0 — 41.5% לעומת 42.5%, ללא שינוי מהותי

• Terminal-Bench 4.1 — 58.1% לעומת 54.0%, עלייה של 4.1 נקודות

אז המודל השתפר בעשייה והידרדר בידיעה. עבודה במסוף היא ביצוע ותצפית: להריץ את הפקודה, לקרוא את הפלט, להתאים. שאלות ותשובות על בסיס הקוד הן אחזור ודיווח: למצוא את הקוד הרלוונטי, להבין מדוע הוא כפי שהוא, ולנסח זאת במדויק. מודל שמשתפר בראשון ונסוג ב-13.7 נקודות בשני יעבור בדיקת עשן ויפיק עריכות שנראות נכונות ומחמיצות את הסיבה שהקוד נכתב כך. זה בדיוק מצב הכשל שמייצר עבודה חוזרת במקום הודעת שגיאה, ולכן התלונה מגיעה כ"צריך לנקות את זה" ולא כ"זה לא עובד".

הפער המוחלט מול Opus 5.5 באותה הערכה גדול עוד יותר — 46.2% לעומת 65.9% — אבל זה עובר בין הארנסים, אז יש להתייחס לזה ככיווני. הירידה של 13.7 נקודות בתוך Codex אינה כיוונית. זה אותו ארנס, אותן 124 משימות, אותו מעריך, והמודל פשוט עונה על שאלות על בסיס קוד בפחות דיוק מהמודל שהוא החליף.

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.

איפה שסול באמת בסדר

הפסוקית הראשונה של הציוץ ראויה לאותו יחס כמו השנייה. "משימות פשוטות זה בסדר" אינה ויתור; ב-Composite Intelligence Index, שמעביר כל מודל דרך מערך בדיקות זהה אחד ולא דרך מערכי בדיקה של הספקים, GPT-6.2 Sol במאמץ מקסימלי מנצח את Claude Opus 5.5 במאמץ מקסימלי בכמה רכיבים באופן מוחלט:

• Terminal-Bench-Science 0.1 — 67.6% לעומת 59.0%, ניצחון של 8.6 נקודות ל-Sol

• AutomationBench-AA — 71.3% לעומת 69.5%

• Terminal-Bench 4.0 — 60.1% לעומת 59.6%

• GDP.pdf כל-עוברים — 30.0% לעומת 26.2%

והוא מפסיד באלה שדורשים להחזיק עובדה ולדווח עליה:

• HLE-Diamond — 64.0% לעומת 67.9%

AnalystAgent — 53.8% לעומת 56.3%

• AA-Omniscience — 40.4 בדיוק של 61.6% לעומת 48.1 בדיוק של 65.5%

• FrontierCode-AA 2.0 (גרסת אינדקס) — 44.4% לעומת 46.4%

השורה של Omniscience היא זו ששווה להתעכב עליה. זהו המבחן שמודד אם מודל יודע מה הוא לא יודע: Sol עונה נכון ב-61.6% מהמקרים ושיעור ההזיה שלו הוא 55.4%, לעומת 65.5% ו-50.3% עבור Opus 5.5. מודל שעונה נכון כמעט ארבע נקודות פחות וממציא משהו חמש נקודות יותר לעתים קרובות הוא מודל שפלטו אדם צריך לבדוק — וזו טענת העבודה החוזרת, שמגיעה מכיוון שני.

נט, סול משיגה 57.3 לעומת 59.1 בציון המשולב, ועושה זאת ב-9.6 דקות למשימה במקום 25.7, ב-1.01 דולר במקום 10.04 דולר, תוך פליטה של 60.9 מיליון טוקני פלט לאורך החבילה לעומת 218 מיליון של Opus. יהיה מה שיהיה, המודל הזול אינו איטי ואינו מפורט יתר על המידה.

חוגת המאמץ כבר נסרקה

ההתנגדות המובנת מאליה מכל מי שהשתמש במודל חשיבה של O​penAI היא שזו ההגדרה הלא נכונה. הנמיכו את המאמץ והמודל מפסיק לחשוב יתר על המידה; העלו אותו והוא מפסיק לקצר פינות. Artificial Analysis כבר ביצעה את הסריקה המלאה של Coding Agent Index בתוך Codex, וזה לא מציל את המצב:

• נמוך — 37.2

• בינוני — 45.4

גבוה — 47.5

• xhigh — 49.8

• מקסימום — 48.6

השיא הוא בxhigh, ולא במקסימום: דחיפה למאמץ מרבי למעשה עולה 1.2 נקודות, וזו מסוג התוצאות הלא-מונוטוניות שמופיעות כשמודל מתחיל לפקפק בעצמו. אבל אפילו ההגדרה הטובה ביותר, 49.8, נמצאת 2.4 נקודות מתחת למה ש-GPT-6.1 Sol השיג במקסימום ו-8.4 מתחת ל-Claude Opus 5.5. אין שום עמדת חוגה שבה GPT-6.2 Sol הופך לסוכן הקידוד החזק יותר; יש רק בחירה בכמה אתה רוצה לשלם עבור 49.8.

כדאי לדעת מה העלות של הבחירה הזו, כי היא תלולה במונחים יחסיים גם אם היא זולה במונחים מוחלטים. במדד Intelligence Index, Sol עולה $0.18 למשימה ב-low effort, $0.41 ב-medium, $0.56 ב-high, $0.65 ב-xhigh ו-$1.01 ב-max. מעבר מ-medium ל-xhigh בערך מכפיל את האיכות לכל משימה — מ-52.7 ל-55.7 באותו מדד — ועולה 58% יותר. ברירת המחדל היא medium, וזו ההגדרה שמניבה את ציון הקידוד 45.4. אם אתם מעריכים את Sol מול Opus, עשו זאת ב-xhigh או ב-max, אחרת אתם משווים תצורה לא נכונה.

מספר אחד שמנבא עבודה מחדש

יש סדרת נתונים שנייה באותה הרצה שמדברת ישירות אל חוויית "צריך לנקות את זה", והיא אינה ציון איכות. Artificial Analysis מתעדת סירובי בטיחות לכל הערכה, ומבחינה בין סירובים שמערכת ההרצה התאוששה מהם לבין אלה שסיימו את הניסיון. ב-SWE-Atlas-QnA-AA, מתוך יותר מ-372 ניסיונות:

• GPT-6.2 Sol (max) — 25 סירובים, כל אחד מהם עצירה מוחלטת, 6.7% מהניסיונות

• GPT-6.2 Sol (xhigh) — 22 סירובים, 5.9%

• GPT-6.2 Sol (בינוני) — 13 סירובים, 3.5%

• GPT-6.1 Sol (max) — 15 סירובים, 4.0%

• GPT-6.2 Astra (max) — 8 סירובים, 2.2%

• Claude Opus 5.5 — 52 סירובים, אף אחד מהם אינו עצירה מוחלטת, 14.0%

סדרת Opus היא המעניינת, והיא מנוגדת לקריאה עצלה. Opus 5.5 מסרב לעיתים קרובות יותר מכל מודל בטבלה — וההרנס שחזר את כל 52, כך שאף אחד מהם לא פגע בהרצה. Sol מסרב פחות לעיתים קרובות, וההרנס לא הצליח לשחזר אפילו אחד מ-25 שלו. סירוב שמסיים את התור של סוכן הוא משימה שמישהו צריך כעת לקחת על עצמו; סירוב שמשוחזר הוא ניסיון חוזר. בהערכה שהכי דומה ל"לענות על שאלות על המאגר הזה", המודל שהציוץ מתלונן עליו נכשל במצב שמייצר עבודה לא גמורה ולא עבודה שגויה.

כשקוראים זאת לצד הירידה של 13.7 נקודות בהבנה, מדובר בסיפור קוהרנטי ולא בשני מספרים לא קשורים: Sol פחות אמין בחלק של אחזור ודיווח בכתיבת קוד, וכשהוא נחלש, הוא נחלש באופן שמשאיר את המשימה פתוחה.

תמחור מעבר הניקוי

כעת הטענה השלישית, הכלכלית, וזה המקום שבו האינטואיציה לרוב מנצחת את האריתמטיקה. השתמשו בעלות לכל משימה ב-Intelligence Index, מפני שחבילת המבחנים הזו היא אותה מסגרת בדיקה לכל מודל שנמצא בה, ולכן המספרים ניתנים להשוואה ישירה: 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.

ניקח משימה ש-Sol משלים ואז Opus מתקן. יהי p חלקן של המשימות שזקוקות לתיקון, ו-r תהיה עלות תיקון כשבריר מסבב מלא של Opus. עלות Sol ואז תיקון היא $1.01 + p × r × $10.04. Opus לבדו עולה $10.04. Sol ואז תיקון זול יותר כאשר p × r נמוך מ-0.899.

זהו רף גבוה לעבור. אם תיקון עולה חצי ממעבר מלא, אפשר לתקן כל משימה ומשימה ועדיין להיות זולים ב-78% מאשר לפנות ישירות ל-Opus. רק כאשר עלות התיקונים מתקרבת לעלות של ביצוע מחדש מלא כמעט בכל משימה, החשבון מתהפך: כאשר p = 1 ו-r = 1, משלמים $11.05 על מה ש-Opus היה עושה ב-$10.04. באלף משימות, זה $11,050 לעומת $10,040 — קנס של 10%, לא התבוסה שהציוץ מרמז עליה.

אז מבחינת כסף בלבד, התלונה על עבודה מחדש אינה מפילה את טיעון המחיר, אלא אם העבודה מחדש קרובה להיות מוחלטת. אבל כסף הוא לא האילוץ שרוב הצוותים נתקלים בו. הזמן הוא:

• זמן לכל משימה במדד האינטליגנציה — GPT-6.2 Sol 9.6 דק' לעומת Claude Opus 5.5 25.7 דק'

• זמן שבו משימה מחייבת ביצוע מחדש מלא של Opus — 9.6 + 25.7 = 35.3 דקות לעומת 25.7 דקות

• צריכת טוקנים על אותה ערכה — 60.9M לעומת 218M טוקני פלט

תזת העבודה-מחדש תקפה כאן ללא הסתייגויות. כל משימה שסול מנסה ואז מחזיר היא משימה שארכה 37% יותר זמן ממה שהיה לוקח אילו פנית ל-Opus קודם, ואין לך אפשרות לקנות את הזמן הזה בחזרה באמצעות טוקן זול יותר. אם האילוץ שלך הוא מועד יעד ולא תקציב — וזה המצב שבו כמעט כל מפתח באמת נמצא כשהוא מפרסם את התלונה הזו — @dotey צודק, והטיעון הוא על תפוקה, לא על מחיר.

מה היה משנה את פסק הדין

שני דברים, ואף אחד מהם עדיין לא זמין. הראשון הוא שיעור עבודה מחדש מפורסם: איזה חלק מהדיפים של Sol במשימות מורכבות מודל חזק יותר אכן נאלץ לשנות, כשזה נמדד על סט משימות קבוע. אף אחד לא מפרסם את זה, משום שזה דורש הרצת שני מודלים על אותם כרטיסים והרצת דיף על התוצאות, וזה המספר היחיד שיכריע את הוויכוח. השני הוא נתון של GPT-6.2 Sol בהרצת קידוד על הרנס של Anthropic, או Opus 5.5 על Codex, מה שיהפוך את ההשוואה החוצת-הרנסים שלמעלה להתמודדות ראש בראש אמיתית.

לעומת זאת, שים לב למה שכבר ברור. הנסיגה אמיתית והיא בתוך הרנס אחד. סריקת רמות המאמץ אינה מתקנת אותה. הערכת ההבנה — זו שמנבאת עבודה חוזרת — נעה בכיוון הלא נכון ב-13.7 נקודות. לקורא שמחפש סיבה להשאיר קידוד מורכב על Opus 5.5 יש כזו שאינה תלויה בהתרשמות של מישהו משבוע השקה.

הרצת הבדיקה על המשימות שלך

שיעור העבודה מחדש ניתן למדוד על צבר המשימות שלכם בתוך אחר צהריים, והוא הגרסה היחידה של המספר הזה שחשובה לכם. קחו עשרים משימות שהצוות שלכם שחרר בפועל בחודש שעבר, הריצו כל אחת מהן דרך שני המודלים באותה הגדרת מאמץ, והשוו את הפאצ'ים המתקבלים למה שאדם מיזג בסופו של דבר. השבר שנזקק לעבודה מחדש מהותית הוא ה־p שלכם; עלות הטוקנים של סבב התיקון היא ה־r.

OrcaRouter הופך את זה להחלטת ניתוב ולא להחלטת רכש: anthropic/claude-opus-5.5 ו-openai/gpt-6.1-sol נמצאים שניהם מאחורי מפתח יחיד, במחיר המחירון של הספק עצמו עם 0% תוספת מחיר המועברת הלאה, כך שהמספרים שלמעלה הם המספרים שיחויבו לך. זה חשוב כאן יותר מהרגיל, כי המודל שהצייצן מגן מפניו — GPT-6.2 Sol — עדיין לא נמצא בקטלוג שלנו; אנחנו לא מספקים אותו, ושום כמות של ניתוב לא תשנה את זה. מה שכן אנחנו מספקים הוא המודל ש-Sol החליף — וזו הבקרה הנכונה לניסוי: הריצו את 6.2 Sol בכל מקום שבו תוכלו להגיע אליו, הריצו את GPT-6.1 Sol על אותן משימות דרכנו, והירידה של 13.7 נקודות בהבנה הופכת למשהו שתוכלו לאשר או להפריך על הקוד שלכם ולא על מערך בדיקות סינתטי.

לצורת הפריסה שהנתונים מרמזים עליה, ה-DSL לניתוב הוא התשובה הכנה: לשלוח שלבי תכנון והבנת בסיס הקוד אל Opus 5.5, לשלוח שלבי ביצוע ולולאות טרמינל אל המודל הזול יותר, ולתת ל-failover האוטומטי לכסות את המקרה שבו ספק נתקע באמצע הריצה. זו תצורה, לא ארכיטקטורה — וזה מה ש״להשתמש ב-Opus כדי לנקות אחרי Sol״ נראה כמו כשכותבים את זה כ-pipeline ולא כתלונה.

הדבר היחיד ששווה לקחת מהציוץ, לא משנה באיזה מודל תבחרו: החשבון של משימת קידוד אינו מספר הטוקנים. הוא הטוקנים ועוד דקות האדם ועוד זמן השעון החולף בין "בוצע" ל"בוצע באמת". Sol מנצח את השורה הראשונה של יומן החשבונות הזה באופן חד-משמעי, Opus 5.5 מנצח את השנייה והשלישית בכל פעם שמשימה חוזרת, ואף ספק לא מפרסם את הקצב שבו משימות חוזרות. עד שמישהו יעשה זאת, המספר היחיד שאפשר לסמוך עליו הוא זה שתמדדו על הדיפים שלכם.

השוואות במאמר הזה1

זוהה מתוך המאמר הזה · בנצ'מרקים: Artificial Analysis · מתעדכן יומית