
Tagihan Pengerjaan Ulang GPT-6.2 Sol: Murah per Token, Mahal per Perbaikan
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 185 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 826 tok/s
- AlibabaBARUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 juta token · 407 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 99 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 · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 41 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 · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 111 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 · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Pada pagi 20 November, komentator AI berbahasa Mandarin 宝玉 (@dotey) memposting penilaian tentang GPT-6.2 Solyang akan dikenali siapa pun yang telah menghabiskan seminggu bersama model tersebut. Tugas-tugas sederhana baik-baik saja. Tugas coding yang kompleks bukan sekadar sedikit lebih buruk daripada Claude Opus 5.5 — pekerjaan yang diselesaikan Sol masih perlu dirapikan oleh Opus setelahnya, jadi akan lebih baik jika Anda menyerahkan pekerjaan itu kepada Opus sejak awal. Postingan itu hanyalah laporan penggunaan dan tidak lebih: tidak ada harness, tidak ada daftar tugas, tidak ada diff, 124 suka pada saat penulisan dan sebuah thread komentar yang memperdebatkannya. Postingan itu juga dapat diperiksa dengan cara yang tidak dimiliki sebagian besar kesan minggu peluncuran, karena hal yang dijelaskannya memiliki bentuk. Model yang baik pada pekerjaan mudah dan berantakan pada pekerjaan sulit seharusnya menunjukkan pola tertentu dalam evaluasi — kuat dalam eksekusi, lemah dalam pemahaman — dan angka-angka yang dipublikasikan entah memiliki pola itu atau tidak.
Sebagian besar memang begitu. OpenAI merilis GPT-6.2 Sol pada 17 November 2026 dengan harga $2 per juta token masukan dan $10 per juta token keluaran. Di Coding Agent Index independen milik Artificial Analysis, model ini berada di bawah model yang digantikannya, dan komponen yang menyeretnya turun adalah komponen di mana model harus membaca basis kode dan mengatakan sesuatu yang benar tentangnya. Itulah mekanisme di balik "perlu dirapikan setelahnya", yang dinyatakan sebagai angka. Yang tidak dilakukan tweet itu, dan yang coba dilakukan tulisan ini, adalah menghitung biaya perapiannya — karena ketika Anda benar-benar mengerjakan aritmetikanya, tesis pengerjaan ulang ternyata jauh lebih kuat pada waktu aktual daripada pada uang, dan keduanya mengarah pada keputusan yang berbeda.
Apa yang sebenarnya diklaim oleh unggahan itu
Hari ini saya menguji dengan tekanan GPT-6.2 Sol. Tugas-tugas sederhana semuanya oke. Pada tugas coding yang sedikit lebih kompleks, ia bukan cuma sedikit lebih buruk daripada Opus 5.5 — pekerjaan yang diselesaikannya masih perlu Opus 5.5 untuk merapikannya, jadi lebih baik biarkan Opus 5.5 mengerjakannya sejak awal.
Ada tiga klaim yang dapat dipisahkan di dalamnya. Pertama, klaim kualitas: Sol secara substansial lebih buruk daripada Opus 5.5 dalam coding kompleks. Kedua, klaim alur kerja: kesenjangan itu muncul sebagai pengerjaan ulang, bukan sebagai kegagalan yang jelas — Anda memperoleh keluaran, tampak sudah selesai, dan model yang lebih kuat harus memperbaikinya. Ketiga, klaim ekonomi: pengerjaan ulang itu menghapus semua penghematan dari harga token.
Dua yang pertama dapat diuji terhadap evaluasi yang telah dipublikasikan. Yang ketiga adalah aritmetika, dan bergantung pada angka yang belum pernah dipublikasikan siapa pun — berapa biaya satu putaran perbaikan relatif terhadap mengerjakan tugas itu sekali dengan model yang mahal. Semua yang di bawah ini menjaga ketiga klaim itu tetap terpisah, karena tidak semuanya bertahan secara setara.
{{1}}Perbandingan bersih{{/1}} berjalan di dalam {{2}}satu harness{{/2}}
Satu peringatan sebelum angka apa pun, karena inilah cara paling umum perbandingan ini dilakukan secara tidak jujur. Artificial Analysis mengukur agen coding sebagai kombinasi model dan harness: Codex untuk model OpenAI, Claude Code untuk Anthropic. Biaya per tugas, pengeluaran token, dan waktu aktual semuanya dipengaruhi harness sama seperti oleh model, jadi perbandingan mentah "Sol berbiaya $1.22, Opus berbiaya $12.61" mengukur dua mesin yang berbeda.
Yang bertahan dari keberatan itu adalah perbandingan apa pun di dalam sebuah harness. Di dalam Codex, GPT-6.2 Sol dapat diadu langsung dengan GPT-6.1 Sol dan GPT-6.2 Astra, pada tugas yang identik, dengan perkakas yang sama dan penilaian yang sama — dan di situlah letak regresinya. Pasangan lintas-harness tetap layak ditampilkan, dengan label yang jelas, karena itulah perbandingan yang sebenarnya dilakukan pembaca ketika mereka memutuskan antara langganan OpenAI dan Anthropic.
• Codex, GPT-6.2 Sol (max) — Coding Agent Index 48,6, $1,22 per tugas, 4,25 juta token
• Codex, GPT-6.1 Sol (maks) — indeks 52,2, $1,51 per tugas, 4,33 juta token
• Codex, GPT-6.2 Astra (max) — indeks 53,5, $5,12 per tugas, 4,67 juta token
• Claude Code, Claude Opus 5.5 (max) — indeks 58,2, $12,61 per tugas, 15,89 juta token
Baca dua baris pertama secara bersamaan. Model baru itu mencetak 3,6 poin di bawah model yang digantikannya, pada harness yang sama, dengan pengeluaran token dalam kisaran 2% darinya. Harganya juga tidak berubah — Sol telah mempertahankan $2 dan $10 sejak 29 September, dan GPT-6.2 Sol mempertahankan daftar harga persis sama. Jadi ini bukan model yang lebih murah yang mengorbankan kualitas demi harga. Ini adalah harga yang sama, harness yang sama, dan kemampuan yang lebih rendah pada hal yang diukur indeks. Perbandingan @dotey adalah dengan model vendor lain, tetapi regresi yang ia rasakan terlihat tanpa harus keluar dari lini produk OpenAI sendiri.

Di mana kesenjangan tugas kompleks benar-benar nyata
Coding Agent Index adalah komposit dari tiga evaluasi dengan bobot yang sama: FrontierCode-AA 2.0 (132 tugas rekayasa perangkat lunak, ditulis oleh Cognition dan diimplementasikan oleh Artificial Analysis), Terminal-Bench 4.1 (66 tugas terminal agentik, dari Laude Institute), dan SWE-Atlas-QnA-AA (124 tugas tanya jawab teknis atas basis kode, dari Scale AI dengan penilaian yang disesuaikan oleh Artificial Analysis). Setiap skor adalah rata-rata dari tiga percobaan per tugas.
Pisahkan Sol dari pendahulunya berdasarkan komponen dan bentuk yang dijelaskan @dotey langsung muncul:
• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46,2% vs GPT-6.1 Sol 59,9%, penurunan 13,7 poin dalam satu harness
• FrontierCode-AA 2.0 — 41,5% vs 42,5%, praktis tidak berubah
• Terminal-Bench 4.1 — 58,1% vs 54,0%, peningkatan 4,1 poin
Jadi, model menjadi lebih baik dalam melakukan dan lebih buruk dalam mengetahui. Pekerjaan terminal adalah eksekusi-dan-observasi: jalankan perintah, baca output, sesuaikan. Tanya jawab basis kode adalah ambil-dan-laporkan: temukan kode yang relevan, pahami mengapa kode itu demikian, dan nyatakan dengan akurat. Model yang meningkat pada yang pertama dan turun 13,7 poin pada yang kedua akan lolos smoke test dan menghasilkan suntingan yang tampak benar tetapi melewatkan alasan kode ditulis seperti itu. Itulah tepatnya mode kegagalan yang menghasilkan pengerjaan ulang alih-alih pesan kesalahan, dan itulah sebabnya keluhan muncul sebagai "ini perlu dirapikan" bukan "ini tidak berfungsi".
Kesenjangan absolut terhadap Opus 5.5 pada evaluasi yang sama bahkan lebih besar — 46,2% berbanding 65,9% — tetapi yang itu melintasi harness, jadi anggaplah sebagai indikatif arah. Penurunan 13,7 poin di dalam Codex bukanlah indikatif arah. Ini adalah harness yang sama, 124 tugas yang sama, penilai yang sama, dan model itu hanya menjawab pertanyaan tentang basis kode dengan kurang akurat daripada model yang digantikannya.

Di mana Sol benar-benar baik
Klausa pertama tweet itu layak mendapat perlakuan yang sama dengan klausa keduanya. "Tugas-tugas sederhana tidak apa-apa" bukanlah sebuah konsesi; pada Indeks Kecerdasan komposit, yang menjalankan setiap model melalui satu rangkaian identik alih-alih melalui harness vendor, GPT-6.2 Sol pada upaya maksimal mengalahkan Claude Opus 5.5 pada upaya maksimal pada beberapa komponen secara mutlak:
• Terminal-Bench-Science 0.1 — 67,6% vs 59,0%, kemenangan 8,6 poin untuk Sol
• AutomationBench-AA — 71,3% vs 69,5%
• Terminal-Bench 4.0 — 60,1% vs 59,6%
• GDP.pdf semua lulus — 30,0% vs 26,2%
Dan ia kalah pada kasus-kasus yang mengharuskan penyimpanan suatu fakta dan pelaporannya:
• HLE-Diamond — 64.0% vs 67.9%
• AnalystAgent — 53,8% vs 56,3%
AA-Omniscience — 40,4 pada akurasi 61,6% vs 48,1 pada akurasi 65,5%
• FrontierCode-AA 2.0 (versi Index) — 44,4% vs 46,4%
Baris Omniscience adalah baris yang layak direnungkan. Ini adalah evaluasi yang mengukur apakah suatu model mengetahui apa yang tidak diketahuinya: Sol menjawab dengan benar dalam 61,6% kasus dan tingkat halusinasinya 55,4%, dibandingkan dengan 65,5% dan 50,3% untuk Opus 5.5. Model yang menjawab dengan benar hampir empat poin lebih jarang dan mengarang sesuatu lima poin lebih sering adalah model yang keluarannya harus diperiksa oleh manusia — yang merupakan klaim kerja ulang, datang dari arah kedua.
Secara keseluruhan, Sol mencetak 57,3 berbanding 59,1 pada skor komposit, dan melakukannya dalam 9,6 menit per tugas alih-alih 25,7 menit, dengan biaya $1,01 alih-alih $10,04, sementara menghasilkan 60,9 juta token keluaran di seluruh rangkaian dibandingkan 218 juta milik Opus. Apa pun yang lain benar, model murah ini tidak lambat dan tidak bertele-tele.
Pengatur upaya telah disapu
Keberatan yang jelas dari siapa pun yang pernah menggunakan model penalaran OpenAI adalah bahwa ini adalah pengaturan yang salah. Turunkan upayanya dan model berhenti berpikir berlebihan; naikkan dan model berhenti mengambil jalan pintas. Artificial Analysis sudah melakukan pengujian menyeluruh pada Coding Agent Index di dalam Codex, dan itu tidak menyelamatkan situasi:
• rendah — 37.2
• sedang — 45,4
• tinggi — 47.5
• xhigh — 49.8
• maks — 48.6
Puncaknya ada di xhigh, bukan di max: memaksakan upaya maksimal justru memakan 1,2 poin, semacam hasil non-monoton yang muncul ketika sebuah model mulai meragukan dirinya sendiri. Namun bahkan pengaturan terbaik, 49,8, berada 2,4 poin di bawah skor GPT-6.1 Sol pada max dan 8,4 poin di bawah Claude Opus 5.5. Tidak ada posisi dial di mana GPT-6.2 Sol menjadi agen coding yang lebih kuat; yang ada hanyalah pilihan tentang berapa besar biaya yang ingin Anda keluarkan untuk 49,8.
Biaya dari pilihan itu layak diketahui, karena besar secara relatif meskipun murah secara absolut. Pada Intelligence Index, Sol memakan biaya $0.18 per tugas pada low effort, $0.41 pada medium, $0.56 pada high, $0.65 pada xhigh, dan $1.01 pada max. Beralih dari medium ke xhigh kurang lebih menggandakan kualitas per tugas — dari 52.7 ke 55.7 pada indeks tersebut — dan biayanya 58% lebih mahal. Defaultnya adalah medium, yaitu pengaturan yang menghasilkan skor coding 45.4. Jika Anda mengevaluasi Sol terhadap Opus, lakukan pada xhigh atau max, atau Anda membandingkan konfigurasi yang salah.
Satu angka yang memprediksi pekerjaan ulang
Ada seri data kedua dalam run yang sama yang secara langsung menyoroti pengalaman "ini perlu dibersihkan", dan itu bukan skor kualitas. Artificial Analysis mencatat penolakan keamanan per evaluasi, dan membedakan penolakan yang berhasil dipulihkan oleh harness dari penolakan yang mengakhiri percobaan. Pada SWE-Atlas-QnA-AA, dari lebih dari 372 percobaan:
• GPT-6.2 Sol (max) — 25 penolakan, semuanya penghentian total, 6,7% dari percobaan
• GPT-6.2 Sol (xhigh) — 22 penolakan, 5,9%
• GPT-6.2 Sol (medium) — 13 penolakan, 3,5%
• GPT-6.1 Sol (max) — 15 penolakan, 4,0%
• GPT-6.2 Astra (max) — 8 penolakan, 2,2%
• Claude Opus 5.5 — 52 penolakan, tidak ada yang merupakan penghentian keras, 14,0%
Lini Opus adalah yang menarik dan berlawanan dengan pembacaan yang malas. Opus 5.5 menolak lebih sering daripada model mana pun dalam tabel ini — dan harness berhasil memulihkan semua 52, jadi tidak satu pun menggagalkan run. Sol lebih jarang menolak dan harness tidak dapat memulihkan satu pun dari 25 penolakannya. Penolakan yang mengakhiri giliran agen adalah tugas yang sekarang harus diambil alih manusia; penolakan yang berhasil dipulihkan hanyalah percobaan ulang. Pada evaluasi yang paling mirip dengan "menjawab pertanyaan tentang repositori ini", model yang dikeluhkan tweet itu gagal dalam mode yang menghasilkan pekerjaan belum selesai alih-alih pekerjaan yang salah.
Jika dibaca bersama dengan penurunan pemahaman sebesar 13,7 poin, ini adalah kisah yang koheren, bukan dua angka yang tidak saling terkait: Sol kurang dapat diandalkan pada bagian coding yang berkaitan dengan mengambil dan melaporkan informasi, dan ketika performanya menurun, penurunan itu terjadi dengan cara yang membuat tugas tetap terbuka.
Menetapkan harga untuk proses pembersihan
Sekarang klaim ketiga, klaim ekonomi, yang merupakan titik ketika intuisi paling sering mengalahkan aritmetika. Gunakan biaya per tugas Intelligence Index, karena suite itu memakai harness yang sama untuk setiap model di dalamnya sehingga angka-angkanya dapat dibandingkan secara langsung: GPT-6.2 Sol $1.01, Claude Opus 5.5 $10.04.

Ambil tugas yang diselesaikan Sol lalu diperbaiki Opus. Misalkan p adalah proporsi tugas yang memerlukan perbaikan dan r adalah biaya perbaikan sebagai fraksi dari satu pass Opus penuh. Biaya Sol-lalu-perbaikan adalah $1.01 + p × r × $10.04. Opus saja membutuhkan biaya $10.04. Sol-lalu-perbaikan lebih murah setiap kali p × r berada di bawah 0.899.
Itu ambang yang tinggi untuk dilampaui. Jika biaya perbaikan hanya setengah dari satu proses penuh, Anda bisa memperbaiki setiap tugas dan tetap 78% lebih murah daripada langsung beralih ke Opus. Barulah ketika biaya perbaikan mendekati biaya pengerjaan ulang penuh pada hampir setiap tugas, tagihannya berbalik: pada p = 1 dan r = 1, Anda membayar $11,05 untuk sesuatu yang bisa dikerjakan Opus dengan $10,04. Untuk seribu tugas, itu berarti $11.050 versus $10.040 — penalti 10%, bukan kekalahan telak seperti yang disiratkan tweet tersebut.
Jadi jika hanya soal uang, keluhan tentang pengerjaan ulang tidak membatalkan argumen harga kecuali pengerjaan ulangnya hampir total. Namun uang bukanlah kendala yang paling sering dihadapi tim. Waktu adalah:
• Waktu per tugas Intelligence Index — GPT-6.2 Sol 9,6 menit vs Claude Opus 5.5 25,7 menit
• Waktu saat suatu tugas memerlukan pengerjaan ulang penuh Opus — 9,6 + 25,7 = 35,3 menit dibandingkan dengan 25,7 menit
• Pengeluaran token pada suite yang sama — 60.9M vs 218M token output
Tesis pengerjaan ulang di sini berlaku tanpa syarat. Tugas apa pun yang dicoba Sol lalu dikembalikan adalah tugas yang memakan waktu 37% lebih lama daripada jika Anda langsung pergi ke Opus, dan Anda tidak bisa membeli kembali waktu itu dengan token yang lebih murah. Jika kendala Anda adalah tenggat waktu, bukan anggaran — yang merupakan situasi yang sebenarnya dialami hampir setiap developer saat mereka memposting keluhan ini — @dotey benar, dan argumennya adalah tentang throughput, bukan harga.
Apa yang akan mengubah putusan?
Ada dua hal, dan keduanya belum tersedia. Yang pertama adalah tingkat rework yang dipublikasikan: berapa proporsi diff tugas kompleks Sol yang benar-benar harus diubah oleh model yang lebih kuat, yang diukur pada kumpulan tugas tetap. Tidak ada yang mempublikasikan ini, karena diperlukan menjalankan dua model pada tiket yang sama dan mem-diff hasilnya, dan inilah satu-satunya angka yang bisa menyelesaikan perdebatan. Yang kedua adalah angka GPT-6.2 Sol pada uji coding dengan harness Anthropic, atau Opus 5.5 pada Codex, yang akan mengubah perbandingan lintas-harness di atas menjadi adu langsung yang sesungguhnya.
Sebagai pembanding, perhatikan apa yang sudah mapan. Regresi tersebut nyata dan berada di dalam satu harness. Penyapuan effort tidak memperbaikinya. Evaluasi pemahaman — yang memprediksi pengerjaan ulang — bergerak ke arah yang salah sebesar 13,7 poin. Pembaca yang ingin alasan untuk tetap menggunakan Opus 5.5 bagi pengkodean kompleks sudah memilikinya, yaitu alasan yang tidak bergantung pada kesan siapa pun terhadap pekan peluncuran.
Menjalankan tes pada tugas Anda sendiri
Tingkat pengerjaan ulang dapat diukur pada backlog Anda sendiri dalam satu sore, dan itulah satu-satunya versi angka ini yang penting bagi Anda. Ambil dua puluh tugas yang benar-benar dirilis tim Anda bulan lalu, jalankan masing-masing melalui kedua model dengan pengaturan upaya yang sama, dan bandingkan patch yang dihasilkan dengan apa yang akhirnya digabungkan oleh manusia. Fraksi yang memerlukan pengerjaan ulang substantif adalah p; biaya token untuk putaran perbaikan adalah r.
OrcaRouter menjadikan itu sebagai keputusan perutean, bukan keputusan pengadaan: anthropic/claude-opus-5.5 dan openai/gpt-6.1-sol sama-sama berada di balik satu kunci, dengan harga daftar resmi dari vendor tanpa markup 0% yang diteruskan, sehingga angka di atas adalah angka yang akan Anda tagih. Hal ini lebih penting dari biasanya di sini, karena model yang dipertahankan oleh tweet tersebut — GPT-6.2 Sol — belum ada dalam katalog kami; kami tidak menyajikannya, dan sebanyak apa pun perutean tidak akan mengubah itu. Yang kami sajikan adalah model yang digantikan oleh Sol, yang merupakan kontrol yang tepat untuk sebuah eksperimen: jalankan 6.2 Sol di mana pun Anda bisa menjangkaunya, jalankan GPT-6.1 Sol pada tugas yang sama melalui kami, dan penurunan pemahaman sebesar 13,7 poin menjadi sesuatu yang dapat Anda konfirmasi atau bantah pada kode Anda sendiri alih-alih pada suite sintetis.
Untuk bentuk deployment yang ditunjukkan data, DSL routing adalah jawaban jujur: kirim langkah perencanaan dan pemahaman basis kode ke Opus 5.5, kirim eksekusi dan loop terminal ke model yang lebih murah, dan biarkan failover otomatis menangani kasus ketika penyedia macet di tengah proses. Itu adalah konfigurasi, bukan arsitektur — dan itulah tampilan "gunakan Opus untuk merapikan setelah Sol" ketika Anda menuliskannya sebagai pipeline alih-alih sebagai keluhan.
Satu hal yang layak diambil dari tweet itu, terlepas dari model mana yang kamu pilih: tagihan untuk sebuah tugas coding bukanlah jumlah token. Tagihannya adalah token ditambah menit manusia ditambah waktu jam dinding yang berlalu antara "selesai" dan "benar-benar selesai". Sol menang telak di baris pertama catatan itu, Opus 5.5 menang di baris kedua dan ketiga setiap kali sebuah tugas dikembalikan, dan tidak ada vendor yang mempublikasikan seberapa sering tugas dikembalikan. Sampai ada yang melakukannya, satu-satunya angka yang bisa dipercaya adalah angka yang kamu ukur sendiri pada diff-mu.
Dibandingkan dalam artikel ini1
Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari
