Una card del titolo generata che riporta 82% è un tweet, non una voce della classifica, con il sottotitolo GPT-6.2 Sol, due giorni dopo il lancio, e tre chip che riportano il post Browser Use del 18 novembre all'82%, la bacheca pubblica del 29 ottobre a GPT-6.1 Sol 81,3 e il listino condiviso di $2 in entrata e $10 in uscita.
Guides & Insights

Il punteggio dell'82% di GPT-6.2 Sol su Browser-Use è un tweet, non una voce in classifica

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Il 18 novembre, Browser Use ha pubblicato che GPT-6.2 Sol è il modello migliore sul suo benchmark per agenti browser: 82%, in aumento rispetto all'81% di GPT-6.1 Sol, con un costo per attività inferiore del 35%, il doppio della velocità e il 36% di passaggi in meno. Greg Brockman l'ha rilanciato lo stesso giorno con "GPT-6.2 è incredibile nell'uso del browser". Due giorni prima, O​penAI aveva rilasciato GPT-6.2 Sol a 2 $ per milione di token di input e 10 $ per milione di token di output. L'affermazione è valida ed è probabilmente corretta in linea di massima. È anche, a oggi, l'unico posto in cui quei quattro numeri esistono. La classifica pubblica di Browser Use continua a elencare GPT-6.1 Sol a 81,3 e non ha alcuna riga per GPT-6.2 Sol — la sua pagina dei risultati riporta una data di ultima modifica del 29 ottobre 2026, e l'URL che dovrebbe contenere una pagina per modello di GPT-6.2 Sol restituisce un 404. Quindi la versione onesta di questa storia è più ristretta e più utile del tweet: un fornitore di benchmark ti sta dicendo che il modello che ora classifica al primo posto è migliore, più economico e più veloce del modello che classificava al primo posto tre settimane fa, e la classifica che normalmente controlleresti per confermarlo non si è ancora allineata.

Cosa ha effettivamente pubblicato Browser Use, per intero

Il post citato proviene dall'account di Browser Use stesso alle 00:09 UTC del 18 novembre. Recita: "GPT-6.2 Sol è il miglior modello per l'uso del browser 👀 — 82%, in aumento dall'81% di GPT-6.1 Sol; 35% più economico; 2x più veloce: 12 min invece di 22 min; 36% in meno di passaggi." Si tratta di quattro affermazioni distinte di forza molto diversa, e andrebbero separate prima che una qualsiasi di esse venga usata per giustificare una migrazione.

• Punteggio — 82 contro 81. Un punto su un punteggio medio ponderato della rubrica da 0 a 100, in un benchmark la cui metodologia pubblicata descrive 180 attività eseguite su siti web live. Un punto rientra nella banda di rumore di un benchmark che viene rieseguito su siti di terze parti in continua evoluzione.

• Costo per attività — 35% in meno. Questa è l'affermazione più forte dell'insieme, perché è quella che un operatore di agenti può riprodurre a basso costo e perché è vincolata aritmeticamente: i prezzi dei token non sono cambiati, quindi il risparmio deve venire da qualcos'altro.

• Tempo effettivo (wall-clock) — 12 minuti invece di 22. È questa l'affermazione che contraddice più direttamente i dati pubblicati dal fornitore stesso, ed è affrontata qui sotto.

• Passaggi — 36% in meno. In un agente browser, i passaggi sono chiamate agli strumenti, e le chiamate agli strumenti sono dove un ciclo dell'agente spende sia denaro che tempo. Una riduzione del 36% dei passaggi spiega plausibilmente gran parte degli altri tre numeri contemporaneamente.

Browser Use Bench v2.1 non è un esercizio di marketing. La sua scheda metodologica è esplicita nel dire che il punteggio è un punteggio medio ponderato secondo rubrica per attività su una scala 0–100, che la colonna dei costi è il costo stimato del modello per attività in USD ed esclude i costi di ricerca, giudice, browser e runner, e che le esecuzioni riguardano 180 siti web live anziché un set di test congelato. Questo è un vero regime di misurazione. È anche un regime in cui una variazione del punteggio di un punto e una nuova esecuzione su un sito live non sono lo stesso tipo di evidenza, motivo per cui la board è stata storicamente più conservativa dei suoi stessi post sui social.

I quattro numeri non sono sulla lavagna

Abbiamo controllato la classifica su browser-use.com/benchmarks/agents il 19 novembre 2026. I metadati del dataset strutturato incorporati in quella pagina riportano ancora "Browser Use Bench v2.1 model results" con un dateModified del 2026-10-29. Cercando nel codice sorgente della pagina la stringa "GPT-6.2" si ottengono zero corrispondenze. La pagina per singolo modello su browser-use.com/benchmarks/models/gpt-6-2-sol non esiste — restituisce uno stub 404. E le FAQ della pagina stessa descrivono ancora la classifica attuale come "GPT-6.1 Sol high: 81.3 su 100 a $1.92 per attività, su 180 attività su siti web live. Il successivo è GPT-6 Sol high a 79.4."

A generated two-column scoreboard comparing the Browser Use post of 18 November against the public leaderboard of 29 October: score 82 versus GPT-6.1 Sol 81.3, cost per task 35% cheaper versus $1.92, time per task 12 minutes versus 14.3 minutes, steps 36% fewer versus not published, input $2.00 on both, output $10.00 on both.

Non è un'accusa di malafede. I benchmark vengono pubblicati con una cadenza, mentre gli annunci no; l'account che ha pubblicato il 18 novembre è quello che gestisce l'harness, quindi ha i numeri prima del sito. Ma definisce lo status epistemico di questo articolo, e di qualsiasi decisione di approvvigionamento presa da esso questa settimana: le cifre 82%, 35%, 2x e 36% sono dichiarate dal fornitore e non pubblicate, nel senso specifico che la tabella pubblicata dal fornitore stesso non le contiene ancora. Un team che oggi sposta un agente browser di produzione su GPT-6.2 Sol agisce in base a un annuncio di benchmark, non a un risultato di benchmark.

La buona notizia è che smentire l'annuncio costa poco. Se i numeri reggono, una classifica aggiornata con una riga GPT-6.2 Sol dovrebbe comparire entro pochi giorni, e le quattro cifre dovrebbero sopravvivere al contatto con il JSON. Se la riga compare con numeri diversi, lo saprai prima di aver ricostruito qualsiasi cosa.

La baseline nel tweet non corrisponde alla baseline sulla board

Ecco il dettaglio che vale la pena segnalare, perché è il tipo di cosa che va persa quando un'affermazione circola come screenshot. Il tweet riporta il risultato precedente di GPT-6.1 Sol come "81%" e "22 min". La classifica pubblicata da Browser Use riporta GPT-6.1 Sol con sforzo di ragionamento elevato a 81,3 su 100 a 1,92 $ per task, con una mediana di 14,3 minuti. Il punteggio è abbastanza vicino — 81 e 81,3 sono lo stesso numero arrotondato in modo diverso. Il tempo no. Quattordici minuti e ventidue minuti non sono la stessa misura.

A capture of the Browser Use Bench leaderboard on 19 November 2026 showing 17 models on 180 live-website tasks, GPT-6.1 Sol high leading at 81.3 at $1.92 per task and a 14.3 minute median, GPT-6.1 Terra high at 79.0 for 35% less, and a last-updated stamp of Oct 29, 2026, with no GPT-6.2 Sol row visible.

Ci sono spiegazioni innocenti. La colonna dei tempi della classifica è una mediana su 180 attività live, e le mediane sono sensibili a quali attività vengono scartate quando un sito fallisce; 22 minuti potrebbero essere una media, potrebbero essere un sottoinsieme composto solo da attività ad alto sforzo, potrebbero essere una diversa fetta di attività, oppure il runtime prima che arrivasse una correzione dell'harness tra il 29 ottobre e il 18 novembre. Ce n'è anche una meno innocente: il dato temporale del tweet è un confronto scelto per far sembrare più veloce il nuovo modello, e il denominatore onesto per un'affermazione di velocità 2x è qualunque valore lo stesso harness abbia prodotto per il vecchio modello nello stesso giorno.

Non puoi risolverlo dall’esterno. Quello che puoi fare è rifiutarti di importare il rapporto. "2 volte più veloce" qui significa "l’harness del fornitore del 18 novembre ha misurato 12 minuti dove ne ha misurati 22 per il modello precedente", non "GPT-6.2 Sol è due volte più veloce del modello che la classifica pubblica indica come eseguito in 14,3 minuti". Se la velocità è il motivo per cui stai considerando il passaggio, il numero su cui pianificare è il dato pubblicato di 14,3 minuti finché una nuova classifica non lo sostituisce, perché è l’unico con una pagina di metodologia a supporto.

Perché «35% più economico» è l'affermazione, con i calcoli sotto

Il prezzo rende l'affermazione sui costi verificabile in un modo in cui le altre non lo sono. GPT-6.2 Sol e GPT-6.1 Sol riportano lo stesso listino prezzi, secondo le pagine dei modelli di O​penAI:

• Input — $2,00 per milione di token su entrambi.

• Input in cache — $0,10 per milione di token su entrambi. Le scritture nella cache costano $2,50 per milione per una cache di 30 minuti, $5,00 per la scrittura di 12 ore, su entrambi.

• Output — $10,00 per milione di token su entrambi.

• Contesto lungo — oltre 272.000 token di input, le tariffe di input e cache raddoppiano e la tariffa di output passa a 1,5x per l'intera richiesta, su entrambi i modelli. Il salto si trova nello stesso punto.

Batch — 50% delle tariffe standard su entrambi; la modalità Fast raddoppia, Ultrafast triplica fino al 28 febbraio 2027 e sestuplica dal 1° marzo 2027 su entrambi.

• Contesto — finestra di 1.050.000 token, input massimo 922.000, output massimo 128.000, testo e immagini in input, testo in output, su entrambi. La data di aggiornamento delle conoscenze di GPT-6.2 Sol è il 1° giugno 2026 rispetto al 30 aprile 2026.

Input identici, prezzi per token identici. Quindi un calo del 35% del costo per attività non può essere un taglio di prezzo. Devono essere meno token acquistati, e il tweet fornisce il meccanismo: il 36% di passaggi in meno. Il conto dei token di un agente browser è dominato dalla cronologia della conversazione riprodotta a ogni passaggio, quindi passaggi e costo crescono insieme quasi linearmente in un'esecuzione lunga. Riduci il numero di passaggi di un terzo e il conto cala di circa un terzo, che è esattamente l'entità del risparmio riportato. Le due affermazioni si corroborano a vicenda, il che è un buon segno per entrambe.

È anche un avvertimento su come interpretare il risparmio. Un'attività più economica del 35% non equivale a un mese più economico del 35% se al modello più economico vengono affidati compiti ai quali il vecchio modello falliva, o se meno passaggi significano che l'agente termina prima e restituisce un lavoro parziale. È il punteggio di 82 nella rubrica a escluderlo — un'esecuzione che si interrompe presto con un terzo di passaggi in meno otterrebbe un punteggio inferiore, non superiore di un punto — ma un punto è un margine sottile per reggere un peso così grande.

Il fatto che i prezzi dei token vengano trasferiti invariati è la parte di tutto questo che è davvero noiosa e davvero utile. Su OrcaRouter, il modello a 0% di ricarico significa che il prezzo di listino di un fornitore è il prezzo che paghi, quindi quando un fornitore modifica davvero un listino prezzi — come ha fatto OpenAI per GPT-6.2 Astra, che ha ridotto del 20% input e output lo stesso giorno — la modifica è attiva sulla piattaforma il giorno stesso in cui avviene, invece di aspettare che un rivenditore aggiorni i prezzi. Vale in entrambe le direzioni: non c'è nulla da arbitraggiare e nessuno sconto da ottenere cambiando. Se oggi usi GPT-6.1 Sol tramite un'unica chiave API, una chiamata al modello GPT-6.2 Sol costerebbe lo stesso per token che costa presso il fornitore.

Cosa conta in un ciclo di agente, al di là del titolo

Quattro dettagli operativi dalla pagina del modello di O​penAI contano più, per un deployment di agenti browser, di quanto conti il numero del benchmark, e nessuno di essi compare in un titolo dell'82%.

• Sforzo di ragionamento — GPT-6.2 Sol rifiuta nessuno. L'impostazione più bassa è reale, non un interruttore per disattivare il ragionamento. GPT-6.1 Sol accetta l'intera gamma da basso a massimo. Se il tuo harness codifica in modo fisso "nessun ragionamento, solo agire" per la latenza, quella configurazione non è trasferibile.

• Batch — supportato, al 50% delle tariffe standard. Le traiettorie degli agenti browser sono solitamente sensibili alla latenza, quindi questo conta soprattutto per le esecuzioni di valutazione offline anziché in produzione.

• Endpoint — Responses, Chat Completions e Batch. Realtime, Assistants, Fine-tuning, Images, Videos, Speech e Transcription non sono supportati. La mancanza di Fine-tuning è quella che penalizza maggiormente i team che avevano messo a punto una policy del browser sul modello precedente.

• Strumenti — computer_use, web_search, mcp, hosted_shell, apply_patch, skills, tool_search, code_interpreter, image_generation e file_search sono elencati come supportati. Per un agente browser la coppia interessante è computer_use insieme a tool_search: un harness in grado di scoprire strumenti durante l'esecuzione è la plausibile fonte di un terzo di passaggi in meno, perché l'agente smette di indovinare un'azione che non esiste e poi ritentarla.

• Limiti di frequenza — 5.000 richieste e 1.000.000 di token al minuto con il livello Build, 10.000 e 4.000.000 con Launch, 15.000 e 40.000.000 con Grow.

Come provarlo senza far dipendere da esso il percorso di produzione

La risposta giusta a una dichiarazione su un benchmark non pubblicato è un campione, non una migrazione. Scegli tra venti e cinquanta dei tuoi compiti nel browser, eseguili su entrambi i modelli con lo stesso harness nello stesso giorno e confronta tre numeri: tasso di completamento secondo la tua rubrica, token consumati per compito completato e tempo reale p50 e p95. Poi confronta i due risultati tra loro anziché con l'82 di Browser Use, perché la loro distribuzione dei compiti non è la tua e un divario di un punto non sopravviverà alla trasposizione.

Due note pratiche per quel test. Primo, fissa esplicitamente il reasoning effort su entrambe le parti e usa un'impostazione che entrambi i modelli accettano, altrimenti passerai l'esecuzione a misurare una differenza di configurazione. Secondo, registra il conteggio dei passaggi, dato che il 36% di passaggi in meno è il meccanismo alla base dell'affermazione sui costi e la prima cosa da confermare o confutare nei tuoi dati.

Per la prova in sé, il failover è il modo economico per eseguire un modello non ancora collaudato accanto a uno collaudato: indirizza il campione verso il nuovo modello con fallback automatico al modello di cui ti fidi, così un rifiuto, un timeout o un picco di rate limit ti costa un nuovo tentativo anziché un job fallito. Questo è utile qui proprio perché GPT-6.2 Sol ha due giorni e le sue modalità di errore sui siti live sono esattamente ciò che il benchmark dovrebbe misurare e non ha ancora pubblicato. Tieni però presente lo stato del catalogo: OrcaRouter elenca 217 modelli tra cui GPT-6.1 Sol, il modello che attualmente è in cima alla classifica di Browser Use, ma GPT-6.2 Sol non è ancora presente — per quello passeresti direttamente tramite l'API di OpenAI. Il modello precedente a prezzo di pass-through è una buona baseline con cui confrontare quello nuovo, e questo è il ruolo che dovrebbe ricoprire questa settimana.

A capture of the OrcaRouter model catalogue listing more than 200 routable models in a provider-and-model table, with rows including openai/gpt-6.1-sol, openai/gpt-6-sol, openai/gpt-6-luna and openai/gpt-6-astra, and no GPT-6.2 Sol entry.

Cosa cambierebbe questa storia?

Tre cose, in ordine di quanto sposterebbero la risposta. Una riga GPT-6.2 Sol che compare su browser-use.com/benchmarks/agents con cifre corrispondenti o vicine al tweet: questo trasforma un annuncio del fornitore in un risultato del fornitore e rende l'argomento a favore della migrazione molto più forte, anche se non sarebbe comunque indipendente. Una misurazione indipendente di terze parti del tempo e del costo delle attività nel browser sullo stesso set di attività: è ciò che risolverebbe la questione dei 12 contro 22 minuti, ed è il numero da tenere d'occhio. E una ripartizione pubblicata a livello di singola attività, perché "36% in meno di passaggi" è o un miglioramento a livello di harness che si generalizza al tuo agente oppure una peculiarità di 180 siti web specifici, e solo i dati per attività distinguono queste due possibilità.

Fino a quando non arriverà almeno il primo di questi, la sintesi difendibile è questa: GPT-6.2 Sol costa per token quanto GPT-6.1 Sol, il piccolo guadagno di punteggio e il grande guadagno sui costi riportati da Browser Use sono internamente coerenti con una riduzione di un terzo delle chiamate agli strumenti, e l'affermazione sulla velocità si basa su una baseline che non corrisponde alla mediana pubblicata dal fornitore stesso. Questo basta a giustificare una valutazione di due giorni sui propri compiti. Non basta a giustificare una riscrittura.

Confrontati in questo articolo1

Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno