GPT-6.1 Sol vs Laguna S 2.1: cinquanta volte il prezzo dell'output per un lavoro che nessuno ha misurato fianco a fianco

Cinquanta volte. È il rapporto tra quanto GPT-6.1 Sol fa pagare per un milione di token di output e quanto Laguna S 2.1 fa pagare — 10,00 $ contro 0,20 $ — ed è il divario di prezzo più ampio dell'intera serie di confronti. GPT-6.1 Sol è il rilascio di Open​AI del 2026-09-29, un generalista da 1.050.000 token con un punteggio indipendente pubblicato. Laguna S 2.1 è il rilascio di Poolside del 2026-07-21, un coder agentico open-weight mixture-of-experts da 118 miliardi di parametri con circa 8 miliardi di parametri attivi per token, pesi di tipo Apache su Hugging Face e un set di benchmark prodotto da Poolside stessa. Il divario di prezzo è reale ed enorme. Se valga la pena colmarlo dipende da una domanda a cui nessuno dei due fornitori ha risposto: qualcuno ha misurato i due sullo stesso compito?

Le cifre riportate dai fornitori sono etichettate come tali in tutto il documento. Le cifre di Artificial Analysis sono misurazioni indipendenti presenti nei nostri record dei modelli. I nostri numeri di serving sono identificati come nostri. Dove una cella è vuota, rimane vuota.

Che cosa è ciascun lato

La Laguna S 2.1 di Poolside è un modello specialistico, e il suo design lo dichiara. È un modello mixture-of-experts da 118 miliardi di parametri con circa 8 miliardi di parametri attivi su qualsiasi token dato, un interruttore pensiero / non pensiero e una finestra di contesto che raggiunge 1.000.000 di token. Un fratello minore, Laguna XS 2.1, si colloca a 33 miliardi di parametri con circa 3 miliardi attivi e ha un prezzo di $0,06 per l'input e $0,12 per l'output per milione. I pesi per la variante S sono pubblicati su Hugging Face all'indirizzo poolside/Laguna-S-2.1.

La cifra di 8 miliardi di parametri attivi è il numero che spiega il prezzo e vincola il prodotto allo stesso tempo. Il costo di inferenza segue i parametri attivi, non il totale; un MoE da 118B che spende 8B per token è economico da servire in un modo in cui un modello denso della stessa dimensione totale non lo sarebbe. Ma un budget di 8B attivi è anche un tetto rigido su ciò che un singolo passaggio in avanti può fare, e quel tetto è il motivo per cui un indice di uso generale di un valutatore indipendente è un metro di misura più utile per esso rispetto a un punteggio specifico per la programmazione.

GPT-6.1 Sol è il tipo opposto di oggetto. Un unico identificatore di snapshot, gpt-6.1-sol, nessuna variante datata, una finestra di contesto di 1.050.000 token, un massimo di 128.000 token in output, input di testo, immagini e file, ragionamento sempre attivo su cinque livelli di impegno con valore predefinito medio, e un limite delle conoscenze al 30 aprile 2026. Non accetta temperature né top_p; la manopola dell'impegno li sostituisce. È chiuso, con prezzo per token e non perfezionabile.

Le dimensioni in cui effettivamente differiscono:

• Prezzo di input — $0,10 per milione per Laguna S 2.1 contro $2,00 per GPT-6.1 Sol. Venti volte.

• Prezzo di output — $0.20 contro $10.00. Cinquanta volte.

• Ragionamento — un interruttore binario / senza pensiero su Laguna S 2.1 rispetto a cinque livelli di impegno graduati su GPT-6.1 Sol.

• Pesi — scaricabili e self-hostabili per Laguna S 2.1; chiusi per GPT-6.1 Sol.

• Finestra di contesto — fino a 1.000.000 di token per Laguna S 2.1 contro 1.050.000 per GPT-6.1 Sol. Praticamente allo stesso livello.

Le righe del benchmark, con entrambi i gruppi di etichette allegati

I numeri pubblicati da Poolside per Laguna S 2.1, tutti dichiarati dal fornitore e nessuno riprodotto da terzi per quanto ci è dato trovare:

• SWE-Bench Multilingual — 78,5%.

• Terminal-Bench 2.1 — 70,2%.

• DeepSWE v1.1 — 40,4%, contro il 9,0% di DeepSeek-V4-Pro-Max, che Poolside presenta come circa un sesto dei parametri attivi che producono oltre quattro volte il punteggio.

Il record indipendente di GPT-6.1 Sol, tutti i dati di Artificial Analysis:

• AA Intelligence Index — 51,8, posizione 10 su 147, 93,2° percentile.

• Humanity's Last Exam — 52,9%.

• Recall su contesto lungo — 83%.

• SciCode — 54,2%.

• Terminal-Bench 4.0 — 56,06%.

C’è un punto in cui questi due elenchi sembrano incontrarsi, ed è una trappola. Laguna S 2.1 riporta 70,2% su Terminal-Bench 2.1. GPT-6.1 Sol non è affatto valutato su Terminal-Bench 2.1 nei nostri registri — il suo dato per il terminale riguarda la versione 4.0, una revisione successiva e più difficile della strumentazione di test. Mettere 70,2% accanto a 56,06% e chiamarlo una vittoria di Laguna di dodici punti significherebbe confrontare due test diversi, ed è esattamente l’errore che questo blog esiste per evitare. I due modelli non hanno alcuna riga di benchmark condivisa, il che significa che la metà relativa alle prestazioni di questo confronto è, allo stato attuale, non misurata.

Vale la pena menzionare due ulteriori lacune. Laguna S 2.1 non ha un Artificial Analysis Intelligence Index né un risultato indipendente su SWE-bench Verified. Per un modello pubblicato a luglio, è molto tempo senza una misurazione esterna, ed è la più grande omissione in tutto ciò che Poolside ha pubblicato al riguardo.

Cosa ti dà davvero il toggle del pensiero

I numeri di Poolside quantificano il toggle, ed è la cosa più interessante della release. Attivare il thinking porta DeepSWE v1.1 dal 16,5% al 40,4% — un fattore di circa 2,4 — e Terminal-Bench 2.1 dal 60,4% al 70,2%. Entrambi i valori sono del fornitore, non riprodotti.

Letto in rapporto al prezzo, questo conta in un modo che il listino di facciata non coglie. La modalità thinking consuma token di output, e i token di output sono ciò per cui stai pagando. Un carico di lavoro che esegue Laguna S 2.1 con thinking attivo consumerà in modo sostanziale più output rispetto allo stesso carico con thinking disattivato — esattamente ciò che ti aspetteresti da un guadagno di 2,4× su un benchmark agentico difficile. Quindi il confronto onesto con GPT-6.1 Sol non è 0,20 $ contro 10,00 $ sull'output grezzo. È il costo con thinking abilitato per attività completata contro il costo prezzato in base allo sforzo per attività completata.

Quel confronto favorisce ancora enormemente Laguna S 2.1, e vale la pena fare i calcoli invece di limitarsi ad affermarlo. Prendi un carico di lavoro che produce un miliardo di token di output al mese a fronte di tre miliardi di token di input:

• GPT-6.1 Sol — 3 miliardi di input a $2,00 per milione fanno $6.000; 1 miliardo di output a $10,00 per milione fanno $10.000. Sedicimila dollari al mese.

• Laguna S 2.1, ragionamento disattivato — 300 $ di input e 200 $ di output. Cinquecento dollari al mese.

• Laguna S 2.1, con il pensiero attivo a circa 2,4 volte l'output — 300 $ di input e circa 480 $ di output. Meno di ottocento dollari al mese.

Anche con la penalità di pensiero, a questo volume si tratta di una differenza di circa 15.000 $ al mese. Se il tuo carico di lavoro è qualcosa che una Laguna S 2.1 può effettivamente svolgere, sul prezzo non c'è partita, e nessuna quantità plausibile di overhead di retry colma il divario. Il che sposta l'intera decisione sulla capacità — e la capacità è la metà di questo confronto per cui non esiste una misurazione condivisa.

Dove il divario di cinquanta volte smette di essere il punto

Tre cose riportano il rapporto verso la realtà, e ciascuna merita di essere detta chiaramente, perché il numero qui sopra è seducente in un modo che è costato a team reali soldi veri.

Il primo è che un coder con 8 miliardi di parametri attivi e un generalista di frontiera non sono sostituti. Laguna S 2.1 è costruito per l'ingegneria del software agentica — modifiche ai repository, attività da terminale, codice multilingue — e Poolside lo commercializza come tale. Non è posizionato per il lavoro professionale ad alta intensità documentale, l'uso del computer o le attività di recupero a lungo contesto in cui GPT-6.1 Sol vanta un punteggio indipendente Long-Context Recall dell'83% e una finestra di 1.050.000 token. Su questi compiti, il confronto onesto non è «vince il modello economico», ma «il modello economico non è stato costruito per questo». I 15.000 dollari al mese nell'esempio pratico costituiscono un risparmio solo se l'output del modello più economico è utilizzabile, e per una classe di carichi di lavoro nessuno ha dimostrato che lo sia.

Il secondo è il throughput e la superficie operativa. GPT-6.1 Sol riporta una latenza p50 di 2.442 millisecondi e 95,57 token di output al secondo su sette giorni di traffico del nostro playground, con un tasso di errore del 6,36%. Non abbiamo un pannello di serving comparabile per Laguna S 2.1 — non è instradato su OrcaRouter — quindi non c'è nessun numero da mettergli accanto, e la latenza del percorso self-hosted è funzione di qualunque hardware tu acquisti. Su otto H100 non raggiungerai il throughput di un endpoint frontier ospitato con la stessa concorrenza; scambierai latenza con costo unitario, e come si traduce questo scambio dipende dal fatto che il tuo carico di lavoro sia sensibile alla latenza.

Il terzo punto è che il percorso self-hosted è economico solo a volume. Le stesse tariffe di $0,10 e $0,20 che fanno sembrare il calcolo precedente una vittoria schiacciante sono anche quelle che praticherebbe un fornitore di inferenza che applica prezzi vicini al costo — il che è l'argomento a favore del noleggio del modello aperto invece dell'acquisto dell'hardware per eseguirlo, per qualsiasi volume inferiore a quello che giustifica le GPU.

Come fare davvero la chiamata

Questo è il raro abbinamento in cui il prossimo passo giusto non è una modifica del routing, perché i due modelli vengono raggiunti in modi completamente diversi.

GPT-6.1 Sol è su OrcaRouter come openai/gpt-6.1-sol al prezzo di listino di Open​AI con 0% di ricarico — 2,00 $ in input, 10,00 $ in output, input in cache a 0,10 $, e lo scaglione oltre 272.000 token applicato esattamente come lo imposta Open​AI. Poiché il livello di routing trasmette il prezzo del provider invece di applicarvi un ricarico, una variazione di prezzo da parte di Open​AI è attiva qui lo stesso giorno in cui entra in vigore. Dove una rotta è attiva, il failover automatico si trova al di sotto — che è il modo economico per scoprire se un modello più economico può reggere un percorso di produzione, dato che il modello costoso resta a una regola di routing di distanza.

Laguna S 2.1 non è su OrcaRouter e non lo ospitiamo noi. È raggiungibile tramite l'API di Poolside e, poiché i pesi sono pubblicati, servendolo tu stesso — il che per questo modello è l'opzione più interessante, dato che un MoE da 118B con 8B attivi è davvero abbastanza piccolo da girare su hardware che un team di medie dimensioni può possedere. La prima mossa giusta con questo abbinamento non è quindi affatto un confronto prezzi: prendi venti dei tuoi compiti di programmazione reali, eseguili attraverso il tuo percorso GPT-6.1 Sol esistente, poi esegui gli stessi venti attraverso Laguna S 2.1 con thinking attivo e disattivato. Ora hai la riga di benchmark condivisa che nessuno dei due fornitori ha pubblicato, sull'unico set di attività che conta, e la differenza di prezzo di cinquanta volte diventa un numero che o raccogli o rifiuti con prove.

Il verdetto che questo abbinamento si guadagna, sulla base delle prove attualmente esistenti: Laguna S 2.1 è la proposta più interessante in termini di costo per capacità nel coding agentico in questo momento, con numeri del fornitore che ne farebbero la scelta predefinita se fossero confermati in modo indipendente, e nessuna conferma indipendente di alcuno di essi. GPT-6.1 Sol costa cinquanta volte tanto sull'output ed è l'unico dei due la cui capacità qualcuno al di fuori dell'azienda abbia misurato su uno strumento condiviso. Acquista i pesi del modello economico e testali, perché a differenza della maggior parte delle release aperte questo è abbastanza piccolo da poter essere testato adeguatamente — e considera la cifra delle cinquanta volte come il motivo per eseguire quel test, non come la sua risposta.