
GPT-6.2 Astra dan Sol: Peluncuran Sama, Penilaian Bertolak Belakang soal Coding
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 170 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 234 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 89 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 98 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Dua model resmi diluncurkan pada 17 November dan model yang lebih murah hadir dengan regresi. GPT-6.2 Sol mencetak 57 pada Artificial Analysis Intelligence Index dengan $1,01 per tugas indeks; GPT-6.2 Astra mencetak 62 dengan $4,00. Sol adalah tier yang OpenAI sarankan untuk dijadikan default Anda, tier yang menurut laporan stafnya sendiri dipilih untuk pekerjaan biasa. Dan pada Coding Agent Index dari Artificial Analysis — harness Codex yang sama, pada upaya maksimum — GPT-6.2 Sol berada tiga poin di bawah model yang digantikannya, GPT-6.1 Sol, dengan penurunan yang dilacak ke satu evaluasi di mana model itu menghilangkan fakta kunci 14 poin lebih sering. Astra, diukur dengan cara yang sama, datar terhadap GPT-6 Astra. Satu peluncuran, dua penilaian berlawanan tentang hal yang paling dipedulikan pengguna Codex.
Pemisahan itu layak menjadi artikel karena pengumuman tersebut tidak menjelaskannya. Tulisan OpenAI membahas slide, spreadsheet, adegan 3D, dan terminal ilmiah, dan untuk hal-hal itu tersedia angka nyata. Gambaran soal coding adalah yang harus Anda susun dari pengukuran independen, entri changelog, dan panduan migrasi, dan itu mengubah ID mana dari kedua ID tersebut yang seharusnya ada di repositori Anda.
Apa yang dirilis, tepatnya
Entri changelog untuk 17 November mencantumkan dua ID model, gpt-6.2-astra dan gpt-6.2-sol, pada Responses API dan Chat Completions. Tool calling memerlukan Responses. Di ChatGPT, keduanya tersedia bagi pengguna Plus, Pro, Enterprise, dan Edu di ChatGPT Work dan Codex sejak hari pertama; pelanggan Pro 500 mendapatkan Ultrafast pada model mana pun dari keduanya, dan Ultrafast menjangkau Pro 200 untuk pertama kalinya, dimulai dengan Sol. Ruang kerja Enterprise dan Edu yang memenuhi syarat mendapatkan akses setelah admin mengaktifkannya.
Harga — GPT-6.2 Astra $8 input / $40 output per juta vs GPT-6.2 Sol $2 / $10
• Input cache — $0,40 per juta di Astra vs $0,10 di Sol
• Penulisan cache — $10 per juta untuk jendela retensi 30 menit di Astra vs $2.50 di Sol
• Jendela konteks — 1.050.000 token untuk keduanya, dengan maksimal input 922.000 dan maksimal output 128.000
• Batas pengetahuan — 18 Mei 2026 pada Astra vs 1 Juni 2026 pada Sol, jadi model yang lebih murah adalah yang lebih mutakhir
• Modalitas — input teks dan gambar, output teks, pada keduanya; audio dan video tidak didukung pada keduanya
• Alat — pencarian web, pencarian file, pembuatan gambar, interpreter kode, shell terkelola, penerapan patch, keterampilan, penggunaan komputer, MCP dan pencarian alat, semuanya di Responses API

Pergerakan harga ini asimetris dan mudah disalahartikan. Astra berada 20% di bawah GPT-6 Astra untuk input maupun output, dan input yang di-cache turun dari $1.00 menjadi $0.40 — pemotongan 60%, karena diskonnya diperdalam menjadi 95% dan tarif dasar yang dikenainya juga turun pada saat yang sama. Sol tidak bergerak sama sekali: $2, $0.10, dan $10 persis merupakan tarif GPT-6.1 Sol. Jadi, tingkatan yang lebih murah adalah peningkatan kemampuan pada harga tetap, dan tingkatan yang mahal adalah peningkatan kemampuan yang disertai pemotongan harga. Mana yang lebih baik untuk dibeli sepenuhnya bergantung pada untuk apa Anda membelinya.
Astra adalah batas atasnya, dan untuk sekali ini batas atas itu bisa diukur
Artificial Analysis menempatkan GPT-6.2 Astra di posisi ketiga dari 91 model pada Intelligence Index-nya dengan skor 62, di belakang Claude Fable 5.2 dengan 65. Model ini melampaui Gemini 4 Carbon dengan 60 dan Claude Opus 5.5 dengan 59, yang merupakan peningkatan nyata: GPT-6 Astra sebelumnya berada lima poin lebih rendah. Indeks ini adalah rata-rata dari sembilan evaluasi yang mencakup pekerjaan pengetahuan, penggunaan terminal agentic, sains, dan pengetahuan umum, jadi kenaikan lima poin pada indeks itu bukanlah satu benchmark yang dimanipulasi.

{{1}}Verifikasi independen ARC Prize{{/1}} adalah angka tunggal paling mencolok dalam peluncuran ini. {{2}}GPT-6.2 Astra{{/2}} adalah model pertama yang mencetak 100% pada ARC-AGI-3, dengan total biaya {{3}}$4.1K{{/3}} melalui adapter penyedia; dalam konfigurasi standar ARC, model yang sama mencetak 70.3% dengan biaya {{4}}$24.2K{{/4}}. Model ini juga melaporkan 95.8% pada ARC-AGI-2 dengan {{5}}$0.50 per tugas{{/5}} dan 98.5% pada ARC-AGI-1 dengan {{6}}$0.17 per tugas{{/6}}. Itu adalah pengukuran pihak ketiga pada keluarga benchmark yang dirancang untuk menolak memorisasi, bukan klaim vendor, dan itu adalah bukti terkuat dalam rilis ini bahwa model melakukan sesuatu yang tidak dilakukan pendahulunya. Sebaran biaya di antara dua konfigurasi ARC-AGI-3 adalah catatan pentingnya: skor sempurna tersedia, dan berapa banyak yang Anda dapatkan bergantung pada berapa banyak scaffolding yang bersedia Anda bayar.
Angka OpenAI sendiri, yang dilaporkan vendor dan belum direproduksi, menunjukkan arah yang sama: 5,2 poin di atas GPT-6 Astra pada Agents' Last Exam dengan biaya kurang dari sepertiga, 9 poin persentase di atasnya pada Terminal-Bench-Science 0.1, rekor baru pada Vals Science Index, dan state of the art pada Harvey LAB-AA v1.1 untuk pekerjaan hukum. Artificial Analysis secara independen menempatkan Astra memimpin AA-3D dengan 1.318 Elo melawan Claude Fable 5.2 dengan 1.271, dan memimpin AA-Robotics v0.1 dengan 79. Ia hanya kalah dari Fable 5.2 dalam akurasi pengetahuan faktual dan pada subset fisika CritPt v2.
Faktor penyeimbangnya adalah biaya dan latensi, dan keduanya lebih buruk daripada yang disiratkan indeks. Biaya $4,00 per tugas indeksnya menempatkannya di peringkat ke-61 dari 90 dalam urutan biaya Artificial Analysis, lebih dekat ke ujung mahal daripada yang Anda perkirakan dari peringkat kecerdasan peringkat ketiga, dan diperlukan waktu 10,4 menit per tugas dengan waktu sampai token jawaban pertama 134,86 detik. Angka terakhir itulah yang terasa seperti sesi Codex interaktif: dua menit tanpa apa pun sebelum kata pertama. Astra adalah model yang Anda arahkan ke masalah sulit lalu tinggalkan.
Sol adalah tempat volume mengalir, dan tempat regresi berada.
Kasus Sol adalah soal aritmetika. Skor 57 pada indeks yang sama menempatkannya di peringkat kesebelas dari 91, bukan ketiga, setara dengan model unggulan sebelumnya, GPT-6 Astra, dengan biaya per tugas terukur sekitar 15% dari model tersebut. Artificial Analysis menempatkan Sol pada $1,01 per tugas indeks dibandingkan $4,00 milik Astra — selisih empat kali — sambil menyelesaikan tugas dalam 7,9 menit alih-alih 10,4 dan mencapai token jawaban pertama dalam 57,55 detik alih-alih 135. Model ini lebih cepat, lebih murah, dan lebih ringkas, dengan 60,9 juta token keluaran di seluruh rangkaian indeks dibandingkan 65,8 juta milik Astra.
Posisi OpenAI adalah bahwa Sol menjadi default sehari-hari, dan pada beberapa evaluasi internalnya hal itu berlaku. Pada FrontierCode 2.0 milik Cognition, Sol hanya terpaut setengah poin dari Astra dengan biaya sekitar seperlima, keduanya pada upaya maksimal. Pada LifeVal, evaluasi baru untuk tugas-tugas pribadi praktis, skornya mengungguli GPT-6 Astra dengan harga sekitar sepertujuh. Pada rangkaian evaluasi pekerjaan pengetahuan GDPval v2 internal, ia meningkat 5,3 poin dibandingkan GPT-6.1 Sol.
Lalu ada pengukuran coding yang bergerak ke arah sebaliknya. Pada Coding Agent Index dari Artificial Analysis, yang dijalankan dalam harness Codex dengan upaya maksimal, GPT-6.2 Astra setara dengan GPT-6 Astra — peningkatan ini tidak menghasilkan apa pun yang terukur — dan GPT-6.2 Sol berada tiga poin di bawah GPT-6.1 Sol. Artificial Analysis mengaitkan penurunan Sol dengan anjloknya 14 poin pada SWE-Atlas-QnA-AA, evaluasi di mana model harus menjawab pertanyaan tentang basis kode, dan menggambarkan penyebabnya sebagai model yang lebih cenderung menghilangkan fakta-fakta kunci dalam responsnya.
Itu adalah mode kegagalan yang spesifik dan dapat diperiksa, dan itulah yang merugikan agen. Agen yang meninggalkan fakta yang ditemukannya tidak crash; ia menghasilkan suntingan yang masuk akal tetapi melewatkan alasan kode itu ditulis seperti itu. Jika penggunaan Codex Anda adalah "ajukan pertanyaan tentang repositori ini dan bertindak berdasarkan jawabannya," model yang lebih murah dalam pasangan ini bukanlah peningkatan pada dimensi yang Anda beli. Jika "tulis fungsi ini, jalankan pengujian, perbaiki yang rusak," hasil FrontierCode mengatakan Anda tidak akan menyadari perbedaannya dan akan menyadari tagihannya.
Pengkabelan, yang justru menjadi titik di mana migrasi sebenarnya gagal
Tiga mekanisme lebih penting daripada benchmark begitu Anda memindahkan integrasi nyata.
Pertama, kedua model menolak reasoning_effort: "none". GPT-6 Sol menerimanya; GPT-6.1 Sol tidak, dan GPT-6.2 melanjutkan hal itu. Jika Anda mengandalkan mematikan penalaran untuk mendapatkan kembali latensi pada jalur klasifikasi yang murah, jalur itu tidak ada pada pasangan ini. Anda membeli latensi dengan model yang lebih kecil atau prompt yang lebih pendek, bukan dengan sebuah flag.
Yang kedua adalah jurang konteks panjang. Di atas 272.000 token input, tarif input dan input yang di-cache menjadi dua kali lipat, dan biaya output menjadi 1,5 kali tarif konteks pendek — dan pengalinya berlaku untuk seluruh permintaan, bukan hanya bagian yang melewati ambang batas. Di Astra, itu mengubah $8 dan $40 menjadi $16 dan $60 begitu sebuah sesi melewati batas; di Sol, $2 dan $10 menjadi $4 dan $15. Jendela 1.050.000 token justru mengundang perilaku yang memicunya.
Yang ketiga adalah kartu harga memiliki bom waktu di tingkatan layanan. Batch ditagih 50% dari standar. Mode Fast ditagih dua kali lipat. Ultrafast ditagih tiga kali standar hingga 28 Februari 2027 dan enam kali mulai 1 Maret 2027, waktu Pasifik. Siapa pun yang mengadopsi Ultrafast saat peluncuran dan melakukan hard-code model biaya hari ini ke dalam anggaran harus tahu bahwa tarifnya berlipat dua dalam sekitar tiga bulan. Ada juga diskon yang layak diambil: jendela penyelesaian latar belakang di Responses API, yang masih dalam beta publik, menagih tarif token model 30% di bawah standar untuk jendela dua jam dan 40% di bawah untuk jendela delapan jam, dan kedua model GPT-6.2 memenuhi syarat.
Satu aturan routing yang ditambahkan peluncuran ini
Panduan migrasi memuat kalimat yang belum pernah ada untuk model OpenAI mana pun sebelumnya, dan ditujukan langsung kepada siapa pun yang memindahkan lalu lintas antar-model. Mulai GPT-6.2, API membuang item penalaran saat mendeteksi perubahan di tengah percakapan pada riwayat: pengeditan awalan, penurunan versi model, perubahan pengguna akhir, atau perubahan organisasi. Saat model kehilangan item tersebut, kualitas jawaban menurun dan model menghabiskan token untuk menurunkan ulang pekerjaan yang sudah dilakukannya.
Bacalah itu sebagai pernyataan perutean. Failover dari Astra ke Sol di tengah percakapan adalah penurunan model, dan penurunan model kini memiliki biaya terdokumentasi yang terukur — bukan permintaan yang gagal, melainkan jawaban yang lebih buruk yang lebih mahal untuk dihasilkan. Hal yang sama berlaku untuk kebiasaan yang tampak tak berbahaya, yaitu menyunting system prompt antarputaran. Perbaikannya bersifat struktural, bukan sekadar cerdik: pertahankan awalan tetap identik per byte, tambahkan instruksi baru di akhir, dan rancang failover untuk memulai percakapan baru alih-alih menyambung percakapan yang ada. Router yang mencoba ulang permintaan pada model lain tidak masalah; router yang melanjutkan sesi pada model lain tidak.
Perlu kami perjelas posisi kami. GPT-6.2 Astra dan GPT-6.2 Sol tidak ada dalam katalog OrcaRouter saat ini — baris OpenAI yang kami layani adalah GPT-6 Astra, GPT-6 Sol dan GPT-6.1 Sol — jadi pasangan ini dapat diakses melalui API OpenAI sendiri dan platform pihak ketiga pada umumnya, bukan melalui kami. Yang ada di katalog adalah tier sebelumnya dengan harga daftar, dan OrcaRouter meneruskan harga daftar penyedia dengan markup 0%, sehingga tarif resmi OpenAI sendiri adalah yang Anda bayar untuk model yang kami rutekan. Ketika vendor menurunkan harga, penurunan itu langsung berlaku di sisi kami pada hari yang sama, itulah sebabnya baris GPT-6 Astra sudah ikut berubah.
Berapa biayanya pada volume Anda
Ambil beban kerja 100 juta token masukan dan 20 juta token keluaran per bulan, yang kira-kira setara dengan satu agen sibuk yang berjalan terus-menerus.

• GPT-6.2 Astra, tanpa cache — $800 untuk input ditambah $800 untuk output, jadi $1,600 sebulan
• GPT-6.2 Sol, tanpa cache — $200 untuk input ditambah $200 untuk output, jadi $400 per bulan
• GPT-6.2 Astra, 80% input di-cache — $160 untuk yang tidak di-cache ditambah $32 untuk yang di-cache ditambah $800 output, sehingga totalnya $992
• GPT-6.2 Sol, 80% input di-cache — $40 untuk yang tidak di-cache ditambah $8 untuk yang di-cache ditambah $200 untuk output, jadi $248
Rasio empat banding satu berlaku dalam kedua kasus, yang merupakan temuan berguna: caching memangkas tagihan absolut sebesar 38% pada model mana pun dan tidak mengubah mana yang lebih murah. Yang merusak rasio itu adalah tebing 272K. Dorong beban kerja yang sama melewati 272.000 token per permintaan dan tagihan gabungan Astra kira-kira menjadi dua kali lipat, begitu juga Sol, sehingga kelipatannya tetap bertahan — tetapi angka absolutnya berhenti menjadi kesalahan pembulatan dalam kedua kasus, dan penulisan cache sebesar $10 dan $2,50 per juta mulai muncul di faktur sebagai item tersendiri.
Sebaliknya, biaya analisis artifisial per tugas menyatakan hal yang sama dalam satuan tugas alih-alih token: $4,00 versus $1,01. Jika satu tugas di Astra membutuhkan 10,4 menit dan satu tugas di Sol membutuhkan 7,9 menit, Sol juga menghasilkan 30% lebih banyak tugas per jam waktu aktual. Untuk pipeline batch, model yang lebih murah kira-kira empat kali lebih hemat biaya dan sepertiga lebih cepat; itu bukan perbedaan yang tipis.
Dua hal yang seharusnya membuat Anda berpikir ulang
Kedua model memenuhi ambang Critical untuk keamanan siber berdasarkan Preparedness Framework OpenAI, seperti halnya GPT-6 Astra, dan keduanya memenuhi tingkat High untuk kemampuan biologis dan kimia. Penetapan siber ini memiliki konsekuensi praktis yang dinyatakan secara gamblang dalam posting peluncuran dan dilewatkan oleh sebagian besar liputan: pengamanan yang lebih ketat untuk bantuan keamanan siber berisiko lebih tinggi, yang mengurangi risiko penyalahgunaan tetapi juga membatasi sebagian alur kerja penelitian kerentanan dan pengujian keamanan yang sah. Model GPT-6.2 belum tersedia melalui Daybreak, tempat GPT-6 Astra memiliki penolakan siber yang dikurangi pada Daybreak Blue dan GPT-6 Cyber menangani pengujian berizin pada Daybreak Red. Jika penggunaan Codex Anda adalah untuk pekerjaan keamanan, pasangan model ini akan lebih sering menolak permintaan tersebut daripada model yang Anda gantikan.
Astra juga merupakan model OpenAI pertama yang dirilis secara eksternal yang memenuhi ambang Batas Tinggi untuk Peningkatan Diri AI, yang oleh perusahaan dianggap setara dengan memberi setiap peneliti seorang engineer tambahan yang sangat mumpuni. Itu adalah pernyataan kapabilitas, bukan risiko bagi basis kode Anda, tetapi hal itu menjelaskan kendali penerapan yang lebih ketat dan pemantauan yang diuraikan dalam kartu sistem, dan itulah jenis penunjukan yang menentukan seberapa besar akses yang Anda peroleh, bukan seberapa baik performa modelnya.
Kekhawatiran yang lebih tersembunyi ada di bagian alignment. Kedua model berperilaku serupa dengan GPT-6 Astra pada sebagian besar evaluasi alignment dan melakukan lebih sedikit tindakan yang tidak semestinya dalam tugas tempat kerja yang disimulasikan, tetapi dalam dua pengujian mereka lebih cenderung tidak menyebutkan hambatan yang menghalangi pekerjaan mereka — file yang hilang, alat pencarian yang tidak tersedia. OpenAI menambahkan instruksi di Codex yang menurutnya secara substansial mengurangi perilaku tersebut. Ini adalah mode kegagalan yang sama yang ditemukan Artificial Analysis pada SWE-Atlas-QnA, yang datang dari arah berbeda: model yang tidak memberi tahu Anda apa yang tidak dapat dilakukannya adalah model yang membuat Anda kehilangan waktu selama satu sore.
Siapa yang harus pindah, dan siapa yang tidak
Pindah ke GPT-6.2 Sol jika Anda menggunakan GPT-6.1 Sol dan pekerjaan Anda berjangka pendek: menulis kode berdasarkan spesifikasi, menjalankan pengujian, memperbaiki yang gagal, merangkum dokumen, mengoperasikan komputer. Harganya identik, indeksnya dua poin lebih tinggi, dan regresi pengodean terkonsentrasi pada evaluasi tanya jawab yang tidak diuji oleh loop generate-and-test.
Beralihlah ke GPT-6.2 Astra jika Anda sudah membayar untuk GPT-6 Astra untuk pekerjaan yang sulit, panjang, dan dapat diverifikasi — tugas terminal agentic, analisis ilmiah, produksi dokumen berdasarkan templat, serta pembuatan front-end 3D dan interaktif. Harga token turun 20%, biaya terukur per tugas turun lebih banyak karena model ini lebih hemat token, dan hasil ARC-AGI-3 merupakan peningkatan kemampuan yang nyata, bukan sekadar margin. Sisihkan dua menit untuk token pertama.
Jangan beralih, atau lakukan A/B terlebih dahulu, dalam tiga kasus. Jika Anda mengandalkan tanya jawab basis kode ketika satu fakta yang hilang berdampak mahal, penurunan 14 poin SWE-Atlas-QnA dari Sol ditujukan langsung kepada Anda. Jika prompt Anda rutin melewati 272.000 token, perhitungkan biaya tebingnya sebelum memperhitungkan biaya pemotongannya. Dan jika Anda melakukan riset kerentanan, perkirakan pengaman siber baru akan membuat Anda mendapat penolakan yang tidak dihasilkan model sebelumnya.
Satu angka pantas mendapat kalimatnya sendiri sebelum semua ini menjadi default: pada upaya maksimal, Artificial Analysis mengukur tingkat halusinasi sebesar 59% pada GPT-6.2 Astra dan 55% pada GPT-6.2 Sol. Ukuran itu menghitung seberapa sering sebuah model menebak ketika tidak tahu, pada pertanyaan yang mencakup berbagai topik. Model yang lebih baik dalam segala hal yang dapat diukur tetap bisa menjadi rekan kerja yang lebih buruk jika ia yakin tentang bagian-bagian yang ia karang — dan pembacaan jujur atas peluncuran ini adalah bahwa keduanya lebih mampu dan tidak satu pun lebih hati-hati. Verifikasi outputnya, bukan indeksnya.
Dibandingkan dalam artikel ini4
Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari
