GPT-6.1 Sol vs Laguna S 2.1: Harga Keluaran Lima Puluh Kali Lipat untuk Pekerjaan yang Belum Pernah Diukur Secara Berdampingan

Lima puluh kali. Itu adalah rasio antara berapa yang GPT-6.1 Sol bebankan untuk satu juta token keluaran dan berapa yang Laguna S 2.1 bebankan — $10,00 versus $0,20 — dan ini adalah selisih harga terbesar di seluruh rangkaian perbandingan ini. GPT-6.1 Sol adalah rilis OpenAI tanggal 2026-09-29, generalis 1.050.000 token dengan skor independen yang dipublikasikan. Laguna S 2.1 adalah rilis Poolside tanggal 2026-07-21, coder agentik mixture-of-experts berbobot terbuka dengan 118 miliar parameter, sekitar 8 miliar parameter aktif per token, bobot dengan lisensi yang mirip Apache di Hugging Face, dan seperangkat tolok ukur yang dibuat Poolside sendiri. Selisih harganya nyata dan sangat besar. Apakah ini selisih yang layak diseberangi bergantung pada pertanyaan yang belum dijawab oleh kedua vendor: apakah ada yang pernah mengukur keduanya pada tugas yang sama?

Angka yang dilaporkan vendor diberi label demikian di seluruh dokumen. Angka dari Artificial Analysis adalah pengukuran independen yang tercantum dalam catatan model kami. Angka penyajian kami sendiri diidentifikasi sebagai milik kami. Jika suatu sel kosong, sel itu tetap kosong.

Apa yang dimaksud masing-masing sisi

Laguna S 2.1 milik Poolside adalah spesialis, dan desainnya menunjukkan itu. Ini adalah model mixture-of-experts dengan 118 miliar parameter, dengan sekitar 8 miliar parameter aktif pada setiap token yang diberikan, tombol beralih berpikir / tanpa berpikir, dan jendela konteks yang mencapai 1.000.000 token. Varian yang lebih kecil, Laguna XS 2.1, berada pada 33 miliar parameter dengan sekitar 3 miliar aktif dan harganya $0,06 untuk masukan dan $0,12 untuk keluaran per juta. Bobot untuk varian S dipublikasikan di Hugging Face di poolside/Laguna-S-2.1.

Angka 8 miliar aktif adalah angka yang menjelaskan harga sekaligus membatasi produk. Biaya inferensi mengikuti parameter aktif, bukan total; MoE 118B yang menggunakan 8B per token memiliki biaya penyajian yang murah, sedangkan model padat dengan ukuran total yang sama tidak. Namun, anggaran 8B aktif juga merupakan batas atas yang ketat bagi apa yang dapat dilakukan satu forward pass, dan batas itulah alasan indeks serbaguna dari evaluator independen lebih berguna sebagai tolok ukur untuknya daripada skor khusus coding.

GPT-6.1 Sol adalah jenis objek yang berlawanan. Satu pengenal snapshot, gpt-6.1-sol, tanpa varian bertanggal, jendela konteks 1.050.000 token, output maksimum 128.000, input teks, gambar, dan file, penalaran selalu aktif di lima tingkat upaya dengan default sedang, dan batas pengetahuan 30 April 2026. Ia tidak menerima temperature atau top_p; dial effort menggantikannya. Ia tertutup, dihargai per token, dan tidak dapat di-fine-tune.

Dimensi di mana keduanya benar-benar berbeda:

• Harga input — $0,10 per juta untuk Laguna S 2.1 dibandingkan $2,00 untuk GPT-6.1 Sol. Dua puluh kali.

• Harga output — $0,20 dibandingkan $10,00. Lima puluh kali.

• Kendali penalaran — tombol biner berpikir / tidak berpikir pada Laguna S 2.1 dibandingkan dengan lima tingkat upaya berjenjang pada GPT-6.1 Sol.

• Bobot — dapat diunduh dan dihosting sendiri untuk Laguna S 2.1; tertutup untuk GPT-6.1 Sol.

• Jendela konteks — hingga 1.000.000 token untuk Laguna S 2.1 versus 1.050.000 untuk GPT-6.1 Sol. Praktis setara.

Baris benchmark, dengan kedua set label terpasang

Angka yang dipublikasikan Poolside untuk Laguna S 2.1, semuanya dilaporkan vendor dan tidak ada yang direproduksi oleh pihak ketiga sejauh yang dapat kami temukan:

• SWE-Bench Multilingual — 78,5%.

• Terminal-Bench 2.1 — 70,2%.

• DeepSWE v1.1 — 40,4%, dibandingkan 9,0% untuk DeepSeek-V4-Pro-Max, yang menurut Poolside sekitar seperenam parameter aktif mampu menghasilkan lebih dari empat kali skor.

Rekor independen GPT-6.1 Sol, semuanya dari Artificial Analysis:

• AA Intelligence Index — 51,8, peringkat 10 dari 147, persentil ke-93,2.

• Ujian Terakhir Umat Manusia — 52,9%.

• Recall Konteks Panjang — 83%.

• SciCode — 54,2%.

• Term-Bench 4.0 — 56,06%.

Ada satu tempat di mana kedua daftar ini tampak bertemu, dan itu adalah jebakan. Laguna S 2.1 melaporkan 70,2% pada Terminal-Bench 2.1. GPT-6.1 Sol sama sekali tidak diberi skor pada Terminal-Bench 2.1 dalam catatan kami — angka terminalnya ada pada versi 4.0, revisi harness yang lebih baru dan lebih sulit. Menempatkan 70,2% di samping 56,06% dan menyebutnya kemenangan dua belas poin untuk Laguna berarti membandingkan dua tes yang berbeda, dan itulah tepatnya kesalahan yang ingin dihindari oleh blog ini. Kedua model tidak memiliki baris benchmark yang sama, yang berarti separuh bagian performa dari perbandingan ini, untuk saat ini, belum terukur.

Dua celah lain perlu disebutkan. Laguna S 2.1 tidak memiliki skor Artificial Analysis Intelligence Index dan tidak ada hasil SWE-bench Verified yang independen. Untuk model yang dirilis pada Juli, itu sudah terlalu lama tanpa pengukuran dari pihak luar, dan itu adalah kelalaian terbesar dalam apa pun yang telah diterbitkan Poolside tentangnya.

Apa yang sebenarnya didapat dari tombol thinking

Angka Poolside sendiri memberi angka pada toggle itu, dan itulah hal paling menarik dalam rilis ini. Mengaktifkan thinking menaikkan DeepSWE v1.1 dari 16,5% menjadi 40,4% — faktor sekitar 2,4 — dan Terminal-Bench 2.1 dari 60,4% menjadi 70,2%. Kedua angka itu milik vendor, belum direproduksi.

Jika dibaca berdampingan dengan harganya, hal itu penting dengan cara yang tidak ditangkap oleh kartu tarif utama. Mode thinking mengonsumsi token output, dan token output itulah yang Anda bayar. Beban kerja yang menjalankan Laguna S 2.1 dengan thinking aktif akan membakar output jauh lebih banyak daripada beban kerja yang sama dengan thinking nonaktif — yang justru persis seperti yang Anda harapkan dari peningkatan 2,4× pada tolok ukur agenik yang sulit. Jadi perbandingan yang jujur terhadap GPT-6.1 Sol bukanlah $0,20 versus $10 untuk output mentah. Melainkan biaya per tugas yang diselesaikan dengan thinking aktif dibandingkan biaya per tugas yang diselesaikan yang dihargai berdasarkan tingkat usaha.

Perbandingan itu masih sangat menguntungkan Laguna S 2.1, dan ada baiknya melakukan perhitungannya daripada hanya menyatakannya. Ambil contoh beban kerja yang menghasilkan satu miliar token keluaran per bulan dibandingkan dengan tiga miliar token masukan:

• GPT-6.1 Sol — 3 miliar input dengan $2,00 per juta adalah $6.000; 1 miliar output dengan $10,00 per juta adalah $10.000. Enam belas ribu dolar per bulan.

• Laguna S 2.1, thinking nonaktif — $300 untuk input dan $200 untuk output. Lima ratus dolar per bulan.

• Laguna S 2.1, thinking aktif pada sekitar 2,4× output — $300 untuk input dan sekitar $480 untuk output. Di bawah delapan ratus dolar per bulan.

Bahkan dengan penalti berpikir, itu adalah selisih sekitar $15.000 per bulan pada volume ini. Jika beban kerja Anda adalah yang benar-benar bisa dilakukan oleh satu Laguna S 2.1, pertanyaan harga tidak perlu diperdebatkan, dan tidak ada jumlah overhead percobaan ulang yang masuk akal yang dapat menutupinya. Hal ini mendorong seluruh keputusan ke kapabilitas — dan kapabilitas adalah separuh dari perbandingan ini yang tidak memiliki pengukuran bersama.

Ketika kesenjangan lima puluh kali lipat berhenti menjadi intinya

Tiga hal menarik rasio itu kembali ke kenyataan, dan masing-masing layak dinyatakan secara gamblang karena angka di atas memikat dengan cara yang telah membuat tim mengeluarkan uang sungguhan.

Yang pertama adalah bahwa coder dengan 8 miliar parameter aktif dan generalis terdepan bukanlah pengganti. Laguna S 2.1 dibangun untuk rekayasa perangkat lunak agentik — pengeditan repositori, tugas terminal, kode multibahasa — dan Poolside memasarkannya seperti itu. Model ini tidak diposisikan untuk pekerjaan profesional yang padat dokumen, penggunaan komputer, atau tugas pengingatan konteks panjang di mana GPT-6.1 Sol memiliki skor Long-Context Recall independen 83% dan jendela 1.050.000 token. Pada tugas-tugas tersebut, perbandingan yang jujur bukanlah "model murah menang," melainkan "model murah tidak dibangun untuk ini." Angka $15.000 per bulan dalam contoh perhitungan hanya merupakan penghematan jika keluaran model yang lebih murah dapat digunakan, dan untuk satu kelas beban kerja, belum ada yang membuktikan bahwa keluaran itu dapat digunakan.

Yang kedua adalah throughput dan permukaan operasional. GPT-6.1 Sol melaporkan latensi p50 sebesar 2.442 milidetik dan 95,57 token keluaran per detik selama tujuh hari lalu lintas playground kami sendiri, dengan tingkat kesalahan 6,36%. Kami tidak memiliki panel penyajian yang sebanding untuk Laguna S 2.1 — model ini tidak dirutekan di OrcaRouter — jadi tidak ada angka untuk diletakkan di sampingnya, dan latensi jalur self-hosted adalah fungsi dari perangkat keras apa pun yang Anda beli. Pada delapan H100, Anda tidak akan menandingi throughput endpoint frontier yang dihosting pada konkurensi yang sama; Anda akan menukar latensi dengan biaya per unit, dan bagaimana pertukaran itu berakhir bergantung pada apakah beban kerja Anda sensitif terhadap latensi.

Ketiga, jalur swakelola hanya murah pada volume besar. Tarif $0.10 dan $0.20 yang sama yang membuat perhitungan di atas tampak seperti kemenangan telak juga merupakan tarif yang akan ditawarkan oleh penyedia inferensi yang menagih mendekati biaya — dan itulah argumen untuk menyewa model terbuka alih-alih membeli perangkat keras untuknya, pada volume apa pun yang belum mencapai volume yang membenarkan pembelian GPU.

Cara sebenarnya melakukan panggilan

Ini adalah pasangan langka yang langkah berikutnya yang tepat bukanlah perubahan routing, karena kedua model tersebut dijangkau dengan cara yang sepenuhnya berbeda.

GPT-6.1 Sol tersedia di OrcaRouter sebagai openai/gpt-6.1-sol dengan harga daftar OpenAI dan markup 0% — $2,00 untuk input, $10,00 untuk output, input yang di-cache $0,10, dan tier di atas 272.000 token diterapkan persis seperti yang ditetapkan OpenAI. Karena lapisan routing meneruskan harga dari penyedia alih-alih menaikkannya, perubahan harga di sisi OpenAI langsung berlaku di sini pada hari yang sama saat perubahan itu diberlakukan. Di mana suatu rute aktif, failover otomatis berada di bawahnya — cara murah untuk mengetahui apakah model yang lebih murah dapat mempertahankan jalur produksi, sebab model yang mahal tetap hanya berjarak satu aturan routing.

Laguna S 2.1 tidak ada di OrcaRouter dan kami tidak menghostingnya. Model ini dapat diakses melalui API milik Poolside sendiri dan, karena bobotnya dipublikasikan, dengan meng-host-nya sendiri — yang untuk model ini adalah opsi yang lebih menarik, sebab MoE 118B dengan 8B aktif benar-benar cukup kecil untuk dijalankan pada perangkat keras yang bisa dimiliki tim berukuran menengah. Langkah pertama yang tepat dengan pasangan ini karena itu sama sekali bukan perbandingan harga: ambil dua puluh tugas coding nyata Anda, jalankan melalui jalur GPT-6.1 Sol yang sudah ada, lalu jalankan dua puluh tugas yang sama melalui Laguna S 2.1 dengan thinking diaktifkan dan dinonaktifkan. Anda kini memiliki baris benchmark bersama yang belum diterbitkan vendor mana pun, pada satu-satunya kumpulan tugas yang penting, dan selisih harga lima puluh kali menjadi angka yang bisa Anda ambil atau tolak dengan bukti.

Putusan yang diperoleh pasangan ini, berdasarkan bukti yang ada saat ini: Laguna S 2.1 adalah proposisi biaya per kemampuan paling menarik dalam pengodean agentik saat ini, dengan angka-angka vendor yang akan menjadikannya pilihan default jika dikonfirmasi secara independen, dan tidak ada konfirmasi independen atas satu pun dari angka-angka itu. GPT-6.1 Sol berbiaya lima puluh kali lebih besar untuk output dan merupakan satu-satunya dari keduanya yang kemampuannya pernah diukur oleh pihak di luar perusahaan pada instrumen bersama. Beli bobot model murah itu dan ujilah, karena tidak seperti kebanyakan rilis terbuka, yang ini cukup kecil untuk diuji dengan benar — dan perlakukan angka lima puluh kali itu sebagai alasan untuk menjalankan pengujian tersebut, bukan sebagai jawabannya.