
GPT-6.2 Sol, il conto del rework: economico per token, costoso per correzione
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 185 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 826 tok/s
- AlibabaNUOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M di token · 407 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
La mattina del 20 novembre, il commentatore AI in lingua cinese 宝玉 (@dotey) ha pubblicato un giudizio su GPT-6.2 Sol che chiunque abbia passato una settimana con il modello riconoscerà. I compiti semplici vanno bene. I compiti di programmazione complessi non sono solo un po' peggiori di Claude Opus 5.5 — il lavoro che Sol completa richiede comunque che Opus ripulisca dopo di lui, quindi sarebbe stato meglio affidare il lavoro a Opus fin dall'inizio. Il post è un resoconto d'uso e nient'altro: nessun harness, nessuna lista di attività, nessun diff, 124 like al momento della scrittura e un filone di commenti che ne discute. È anche verificabile in un modo in cui la maggior parte delle impressioni della settimana di lancio non lo è, perché la cosa che descrive ha una forma. Un modello che va bene sul lavoro facile e crolla su quello difficile dovrebbe mostrare uno schema specifico nelle valutazioni — forza nell'esecuzione, debolezza nella comprensione — e i numeri pubblicati o mostrano quello schema o no.
In gran parte sì. OpenAI ha rilasciato GPT-6.2 Sol il 17 novembre 2026 a 2 dollari per milione di token in input e 10 dollari per milione in output. Nel Coding Agent Index indipendente di Artificial Analysis si colloca sotto il modello che sostituisce, e la componente che lo penalizza è quella in cui il modello deve leggere una base di codice e dirne qualcosa di vero. È il meccanismo dietro «va ripulito dopo», espresso come numero. Ciò che il tweet non fa, e che questo articolo prova a fare, è quantificare il costo della pulizia — perché, quando si fanno davvero i conti, la tesi della rilavorazione risulta molto più solida sul tempo effettivo che sul denaro, e le due cose portano a decisioni diverse.
Che cosa afferma effettivamente il post
{{1}}Oggi ho messo sotto stress GPT-6.2 Sol.{{/1}} {{2}}I compiti semplici vanno bene.{{/2}} {{3}}Sui compiti di programmazione un po' più complessi non è solo un po' peggio di Opus 5.5 — il lavoro che completa richiede comunque che Opus 5.5 ripulisca dopo di lui, quindi faresti meglio a lasciare che se ne occupi Opus 5.5 fin dall'inizio.{{/3}}
Dentro questo si trovano tre affermazioni separabili. La prima è un'affermazione sulla qualità: Sol è materialmente peggiore di Opus 5.5 nella programmazione complessa. La seconda è un'affermazione sul flusso di lavoro: il divario si manifesta come rilavorazione anziché come un fallimento evidente — ottieni un output, sembra finito, e un modello più forte deve ripararlo. La terza è un'affermazione economica: la rilavorazione annulla tutto ciò che il prezzo dei token ha permesso di risparmiare.
I primi due sono verificabili sulla base di valutazioni pubblicate. Il terzo è aritmetica, e dipende da un numero che nessuno ha pubblicato — quanto costa una passata di riparazione rispetto a svolgere il compito una volta con il modello costoso. Tutto quanto segue tiene separate queste tre affermazioni, perché non tutte reggono allo stesso modo.
Il confronto pulito viene eseguito all'interno di un unico harness.
Un avvertimento prima di qualsiasi numero, perché è il modo più comune in cui questo confronto viene fatto in modo disonesto. Artificial Analysis misura gli agenti di coding come un abbinamento tra modello e harness: Codex per i modelli di OpenAI, Claude Code per quelli di Anthropic. Il costo per attività, il consumo di token e il tempo effettivo variano con l'harness tanto quanto con il modello, quindi un confronto grezzo "Sol costa $1,22, Opus costa $12,61" sta misurando due macchine diverse.
Ciò che sopravvive a quell'obiezione è qualsiasi confronto all'interno di un harness. All'interno di Codex, GPT-6.2 Sol può essere messo direttamente a confronto con GPT-6.1 Sol e GPT-6.2 Astra, su compiti identici, con gli stessi strumenti e la stessa valutazione — ed è lì che risiede la regressione. La coppia cross-harness vale comunque la pena di stamparla, chiaramente etichettata, perché è il confronto che un lettore sta effettivamente facendo quando sceglie tra un abbonamento OpenAI e uno Anthropic.
• Codex, GPT-6.2 Sol (max) — Coding Agent Index 48,6, 1,22 $ per attività, 4,25M token
• Codex, GPT-6.1 Sol (max) — indice 52,2, $1,51 per attività, 4,33M token
• Codex, GPT-6.2 Astra (max) — indice 53,5, 5,12 $ per attività, 4,67M token
• Claude Code, Claude Opus 5.5 (max) — indice 58,2, 12,61 $ per attività, 15,89M token
Leggi le prime due righe insieme. Il nuovo modello ottiene 3,6 punti in meno rispetto a quello che sostituisce, sullo stesso harness, con un consumo di token entro il 2% rispetto a quello. Anche il prezzo non è cambiato — Sol mantiene $2 e $10 dal 29 settembre, e GPT-6.2 Sol ha mantenuto esattamente il listino. Quindi non è un modello più economico che sacrifica qualità per il prezzo. È lo stesso prezzo, lo stesso harness e minori capacità su ciò che l'indice misura. Il confronto di @dotey è con il modello di un altro fornitore, ma la regressione che percepisce è visibile senza uscire dalla linea di prodotti di OpenAI.

Dove il divario nelle attività complesse è reale
Il Coding Agent Index è un composito di tre valutazioni, ponderate in modo uguale: FrontierCode-AA 2.0 (132 attività di ingegneria del software, scritte da Cognition e implementate da Artificial Analysis), Terminal-Bench 4.1 (66 attività agentiche da terminale, del Laude Institute) e SWE-Atlas-QnA-AA (124 attività tecniche di domande e risposte su una base di codice, da Scale AI con valutazione adattata da Artificial Analysis). Ogni punteggio è la media di tre tentativi per attività.
Scomponi Sol rispetto al suo predecessore per componente e la forma che @dotey descrive appare immediatamente:
• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46,2% vs GPT-6.1 Sol 59,9%, un calo di 13,7 punti all'interno di un unico harness
• FrontierCode-AA 2.0 — 41,5% vs 42,5%, praticamente stabile
• Terminal-Bench 4.1 — 58,1% contro 54,0%, un guadagno di 4,1 punti
Quindi il modello è migliorato nel fare ed è peggiorato nel sapere. Il lavoro da terminale è eseguire e osservare: esegui il comando, leggi l'output, adatta. Le domande e risposte sul codebase sono recuperare e riportare: trova il codice pertinente, capisci perché è così com'è e esponilo con precisione. Un modello che migliora sul primo e regredisce di 13,7 punti sul secondo supererà uno smoke test e produrrà modifiche che sembrano corrette e non colgono il motivo per cui il codice era stato scritto in quel modo. È esattamente la modalità di guasto che genera rilavorazione invece di un messaggio di errore, ed è per questo che il reclamo arriva come "va ripulito" invece che "non funziona".
Il divario assoluto rispetto a Opus 5.5 sulla stessa valutazione è ancora più ampio — 46,2% contro 65,9% — ma questo attraversa harness diversi, quindi consideralo indicativo. Il calo di 13,7 punti all’interno di Codex non è indicativo. È lo stesso harness, gli stessi 124 task, lo stesso valutatore, e il modello semplicemente risponde alle domande su una base di codice con meno accuratezza del modello che ha sostituito.

Dove Sol è davvero a posto
La prima proposizione del tweet merita lo stesso trattamento della seconda. «I compiti semplici vanno bene» non è una concessione; sull’Intelligence Index composito, che sottopone ogni modello a un’unica suite identica anziché agli harness dei fornitori, GPT-6.2 Sol al massimo sforzo batte Claude Opus 5.5 al massimo sforzo su diversi componenti in modo netto:
Terminal-Bench-Science 0.1 — 67,6% vs 59,0%, un vantaggio di 8,6 punti per Sol
• AutomationBench-AA — 71,3% vs 69,5%
• Terminal-Bench 4.0 — 60,1% vs 59,6%
• GDP.pdf tutti superati — 30,0% vs 26,2%
E perde su quelli che richiedono di tenere a mente un fatto e di riferirlo:
• HLE-Diamond — 64,0% vs 67,9%
• AnalystAgent — 53,8% contro 56,3%
• AA-Omniscience — 40,4 con un'accuratezza del 61,6% rispetto a 48,1 con un'accuratezza del 65,5%
• FrontierCode-AA 2.0 (versione Index) — 44,4% vs 46,4%
La riga Omniscience è quella su cui vale la pena soffermarsi. È la valutazione che misura se un modello sa ciò che non sa: Sol risponde correttamente nel 61,6% dei casi e il suo tasso di allucinazione è del 55,4%, contro il 65,5% e il 50,3% di Opus 5.5. Un modello che risponde correttamente quasi quattro punti percentuali in meno spesso e inventa qualcosa cinque punti in più spesso è un modello il cui output deve essere verificato da un umano — ovvero la tesi del rework, che arriva da una seconda direzione.
Nel complesso, Sol ottiene 57,3 contro 59,1 sul punteggio composito, e ci riesce in 9,6 minuti per attività anziché 25,7, a 1,01 $ anziché 10,04 $, emettendo 60,9 milioni di token di output sull'intera suite contro i 218 milioni di Opus. Qualunque altra cosa sia vera, il modello economico non è lento e non è prolisso.
Il quadrante dello sforzo è già stato spazzato.
L'ovvia obiezione di chiunque abbia usato un modello di ragionamento OpenAI è che questa sia l'impostazione sbagliata. Riduci lo sforzo e il modello smette di pensare troppo; aumentalo e smette di prendere scorciatoie. Artificial Analysis ha già eseguito l'intera scansione sul Coding Agent Index all'interno di Codex, e ciò non salva la situazione:
• basso — 37.2
• medio — 45.4
• alto — 47,5
• xhigh — 49.8
• max — 48,6
Il picco si trova a xhigh, non al massimo: spingere fino allo sforzo massimo costa in realtà 1,2 punti, il tipo di risultato non monotono che emerge quando un modello inizia a dubitare di sé. Ma anche l'impostazione migliore, 49,8, si colloca 2,4 punti sotto il punteggio ottenuto da GPT-6.1 Sol al massimo e 8,4 sotto Claude Opus 5.5. Non esiste una posizione del selettore in cui GPT-6.2 Sol diventi l'agente di programmazione più forte; c'è solo una scelta su quanto si vuole pagare per 49,8.
Vale la pena conoscere il costo di quella scelta, perché è salato in termini relativi anche se è contenuto in termini assoluti. Sull'Intelligence Index, Sol costa 0,18 $ per attività con sforzo basso, 0,41 $ con sforzo medio, 0,56 $ con sforzo alto, 0,65 $ con xhigh e 1,01 $ con max. Passare da medio a xhigh raddoppia all'incirca la qualità per attività — da 52,7 a 55,7 su quell'indice — e costa il 58% in più. Il valore predefinito è medio, l'impostazione che produce il punteggio di coding di 45,4. Se stai valutando Sol rispetto a Opus, fallo a xhigh o max, altrimenti stai confrontando la configurazione sbagliata.
Un numero che predice il rework
C'è una seconda serie di dati nella stessa esecuzione che parla direttamente all'esperienza del "va ripulito", e non è un punteggio di qualità. Artificial Analysis registra i rifiuti per motivi di sicurezza per ogni valutazione e distingue i rifiuti da cui l'harness si è ripreso da quelli che hanno posto fine al tentativo. Su SWE-Atlas-QnA-AA, su oltre 372 tentativi:
• GPT-6.2 Sol (max) — 25 rifiuti, ognuno un blocco netto, 6,7% dei tentativi
• GPT-6.2 Sol (xhigh) — 22 rifiuti, 5,9%
• GPT-6.2 Sol (medium) — 13 rifiuti, 3,5%
• GPT-6.1 Sol (max) — 15 rifiuti, 4,0%
• GPT-6.2 Astra (max) — 8 rifiuti, 2,2%
• Claude Opus 5.5 — 52 rifiuti, nessuno dei quali un blocco definitivo, 14,0%
La linea Opus è quella interessante e contraddice una lettura superficiale. Opus 5.5 rifiuta più spesso rispetto a qualsiasi modello in questa tabella — e l'harness li ha recuperati tutti e 52, quindi nessuno di essi ha compromesso l'esecuzione. Sol rifiuta meno spesso e l'harness non è riuscito a recuperarne nemmeno uno dei suoi 25. Un rifiuto che termina il turno di un agente è un compito che ora una persona deve prendere in carico; un rifiuto che viene recuperato è un nuovo tentativo. Nella valutazione che più assomiglia a "rispondere a domande su questo repository", il modello di cui si lamenta il tweet fallisce nella modalità che produce lavoro incompiuto anziché lavoro sbagliato.
Letto insieme al calo di 13,7 punti nella comprensione, questa è una storia coerente anziché due numeri non correlati: Sol è meno affidabile nella parte del coding che riguarda recupero e riporto delle informazioni, e quando cala, lo fa in un modo che lascia il compito aperto.
Prezzare la passata di pulizia
Ora la terza affermazione, quella economica, dove l'intuizione batte più spesso l'aritmetica. Usa il costo per attività dell'Intelligence Index, perché quella suite è lo stesso harness per ogni modello che ne fa parte e quindi i numeri sono direttamente confrontabili: GPT-6.2 Sol $1,01, Claude Opus 5.5 $10,04.

Prendi un'attività che Sol completa e che Opus poi ripara. Sia p la quota di attività che necessitano di riparazione e r il costo di una riparazione come frazione di una passata completa di Opus. Sol-poi-riparazione costa $1.01 + p × r × $10.04. Opus da solo costa $10.04. Sol-poi-riparazione è più economico ogni volta che p × r è inferiore a 0.899.
È un'asticella alta da superare. Se una riparazione costa la metà di una passata completa, puoi riparare ogni singolo task e risultare comunque il 78% più economico che andare direttamente su Opus. Solo quando le riparazioni si avvicinano al costo di un rifacimento completo su quasi ogni task il conto si inverte: con p = 1 e r = 1, paghi $11,05 per ciò che Opus avrebbe fatto per $10,04. Su mille task, sono $11.050 contro $10.040 — una penalità del 10%, non la disfatta che il tweet lascia intendere.
Quindi, considerando solo il denaro, la critica sulle rilavorazioni non ribalta l'argomentazione sul prezzo, a meno che le rilavorazioni non siano quasi totali. Ma il denaro non è il vincolo che la maggior parte dei team incontra. È il tempo:
Tempo per ogni attività dell'Intelligence Index — GPT-6.2 Sol 9,6 min vs Claude Opus 5.5 25,7 min
• Tempo necessario quando un'attività richiede un rifacimento completo di Opus — 9,6 + 25,7 = 35,3 min rispetto a 25,7 min
• Spesa in token sulla stessa suite — 60,9M vs 218M token di output
Qui la tesi del rework regge senza riserve. Qualsiasi attività che Sol tenti e poi ti restituisca è un’attività che ha richiesto il 37% di tempo in più rispetto a quella che avresti avuto andando subito da Opus, e quel tempo non lo puoi ricomprare con un token più economico. Se il tuo vincolo è una scadenza più che un budget — cioè la situazione in cui si trova quasi ogni sviluppatore quando pubblica questa lamentela — @dotey ha ragione, e la discussione riguarda la produttività, non il prezzo.
Che cosa cambierebbe il verdetto
Due cose, e nessuna delle due è ancora disponibile. La prima è un tasso di rilavorazione pubblicato: quale frazione dei diff di Sol su compiti complessi un modello più forte deve effettivamente modificare, misurata su un set di compiti fisso. Nessuno lo pubblica, perché richiede di eseguire due modelli sugli stessi ticket e confrontare i risultati, ed è l'unico numero che chiuderebbe la questione. La seconda è un valore di GPT-6.2 Sol su un'esecuzione di coding con harness Anthropic, o di Opus 5.5 su Codex, che trasformerebbe il confronto tra harness di cui sopra in un vero testa a testa.
A fronte di ciò, si noti quanto è già stabilito. La regressione è reale ed è interna a un unico harness. Lo sweep dell’effort non la corregge. La valutazione della comprensione — quella che predice il rework — si è mossa nella direzione sbagliata di 13,7 punti. Un lettore che voglia un motivo per mantenere il coding complesso su Opus 5.5 ne ha uno che non dipende dall’impressione di chicchessia su una settimana di lancio.
Eseguire il test sui tuoi stessi compiti
Il tasso di rilavorazione è misurabile sul tuo backlog in un pomeriggio, ed è l'unica versione di questo numero che conti per te. Prendi venti attività che il tuo team ha effettivamente consegnato il mese scorso, esegui ciascuna attraverso entrambi i modelli con la stessa impostazione di sforzo e confronta le patch risultanti con ciò che un umano ha eventualmente integrato. La frazione che ha richiesto una rilavorazione sostanziale è la tua p; il costo in token del passaggio di riparazione è il tuo r.
OrcaRouter rende questa una decisione di routing anziché di approvvigionamento: anthropic/claude-opus-5.5 e openai/gpt-6.1-sol sono entrambi dietro un'unica chiave, al prezzo di listino del fornitore con 0% di ricarico pass-through, quindi i numeri sopra sono quelli che ti verranno fatturati. Questo conta più del solito qui, perché il modello contro cui il tweet si difende — GPT-6.2 Sol — non è ancora nel nostro catalogo; non lo serviamo, e nessuna quantità di routing cambia ciò. Quello che serviamo è il modello che Sol ha sostituito, che è il controllo giusto per un esperimento: esegui 6.2 Sol ovunque tu possa raggiungerlo, esegui GPT-6.1 Sol sugli stessi task tramite noi, e il calo di comprensione di 13,7 punti diventa qualcosa che puoi confermare o confutare sul tuo codice invece che su una suite sintetica.
Per la forma di deployment che i dati suggeriscono, il DSL di routing è la risposta onesta: invia i passaggi di pianificazione e di comprensione della codebase a Opus 5.5, invia l’esecuzione e i cicli del terminale al modello più economico e lascia che il failover automatico copra il caso in cui un provider si blocca a metà esecuzione. Questa è una configurazione, non un’architettura — ed è ciò che “usare Opus per ripulire dopo Sol” sembra quando lo scrivi come pipeline invece che come lamentela.
L'unica cosa che vale la pena prendere dal tweet, qualunque modello tu scelga: il conto di un'attività di programmazione non è il numero di token. Sono i token più i minuti umani più il tempo reale trascorso tra "fatto" e "effettivamente fatto". Sol vince in modo decisivo la prima voce di quel registro, Opus 5.5 vince la seconda e la terza ogni volta che un'attività torna indietro, e nessun fornitore pubblica la frequenza con cui le attività tornano indietro. Finché qualcuno non lo farà, l'unico numero affidabile è quello che misuri sui tuoi stessi diff.
Confrontati in questo articolo1
Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno
