GPT-6.1 Sol 対 Laguna S 2.1：誰も横並びで測定したことのない作業に対する、50倍の出力価格

50倍。それは、GPT-6.1 Solが出力100万トークンに対して請求する額と、Laguna S 2.1が請求する額との比率だ — 10.00ドル対0.20ドル — そしてこれは、この一連の比較全体の中で最大の価格差である。GPT-6.1 Sol は Open​AI の 2026-09-29 リリースで、公開された独立系スコアを持つ 1,050,000 トークンの汎用モデルだ。Laguna S 2.1 は Poolside の 2026-07-21 リリースで、1,180億パラメータのオープンウェイトな Mixture-of-Experts 型エージェントコーダーであり、トークンあたり約80億パラメータがアクティブで、Hugging Face 上に Apache 系のウェイトが公開されており、ベンチマークセットは Poolside 自身が作成したものだ。価格差は現実のもので、しかも巨大だ。その差を埋める価値があるかどうかは、どちらのベンダーも答えていないある問いにかかっている。すなわち、誰かがこの2つを同じタスクで測定したことがあるのか、という問いだ。

ベンダー報告の数値には、全体を通じてその旨が明示されています。Artificial Analysis からの数値は、当社のモデル記録に掲載されている独立した測定値です。当社自身のサービング数値は、当社のものとして識別されています。セルが空の場合は、空のままです。

それぞれの側が何であるか

PoolsideのLaguna S 2.1は専門特化型であり、その設計がそれを物語っている。これは1180億パラメータのMixture-of-Expertsモデルで、任意のトークンに対して約80億パラメータがアクティブになり、思考／非思考のトグルを備え、コンテキストウィンドウは1,000,000トークンに達する。小さい方の兄弟であるLaguna XS 2.1は330億パラメータで、約30億がアクティブ、価格は100万トークンあたり入力$0.06、出力$0.12。Sバリアントの重みはHugging Faceで公開されている: poolside/Laguna-S-2.1。

80億アクティブという数字は、価格を説明すると同時に製品を制約する数値だ。推論コストは総パラメータ数ではなくアクティブパラメータ数に連動する。トークンあたり8Bを使う118B MoEは、同じ総規模の密なモデルでは実現できないほど低コストで提供できる。しかし8Bアクティブという予算は、単一のフォワードパスでできることの厳しい上限でもあり、その上限こそ、独立した評価者による汎用インデックスが、コーディング特化のスコアよりもそれにとって有用な尺度である理由だ。

GPT-6.1 Solは正反対の種類のオブジェクトだ。単一のスナップショット識別子、gpt-6.1-solで、日付付きのバリアントはなく、コンテキストウィンドウは1,050,000トークン、最大出力は128,000、入力はテキスト・画像・ファイル、推論は常時オンで5段階のエフォートレベル（デフォルトはmedium）、ナレッジカットオフは2026年4月30日。temperatureやtop_pは受け付けず、エフォートのダイヤルがそれらに取って代わる。クローズドで、トークン単位の課金、ファインチューニングは不可。

実際に違いが生じる次元：

• 入力価格 — 100万あたり$0.10のLaguna S 2.1に対し、GPT-6.1 Solは$2.00。20倍。

• 出力価格 — $0.20 対 $10.00。実に50倍。

• 推論制御 — Laguna S 2.1 における思考／非思考のバイナリトグルと、GPT-6.1 Sol における5段階のエフォートレベルとの対比。

• 重み — Laguna S 2.1 はダウンロードおよびセルフホスト可能、GPT-6.1 Sol は非公開。

• コンテキストウィンドウ — Laguna S 2.1 は最大 1,000,000 トークン、GPT-6.1 Sol は 1,050,000 トークン。実質同等です。

両方のラベルセットが付いたベンチマーク行

Poolsideが公表したLaguna S 2.1の数値は、すべてベンダー報告によるもので、我々が調べた限りでは第三者による再現は一切ありません：

• SWE-Bench Multilingual — 78.5%。

• Terminal-Bench 2.1 — 70.2%.

• DeepSWE v1.1 — 40.4%、DeepSeek-V4-Pro-Maxの9.0%に対して。Poolsideはこれを、アクティブパラメータが約6分の1でありながら、4倍を超えるスコアを生み出したものと位置づけている。

GPT-6.1 Solの独立した記録、すべてArtificial Analysisによる：

• AA Intelligence Index — 51.8、147件中10位、93.2パーセンタイル。

• Humanity's Last Exam — 52.9%.

• 長文コンテキスト想起 — 83%.

• SciCode — 54.2%。

• Terminal-Bench 4.0 — 56.06%。

これら2つのリストが交わるように見える箇所が1つあるが、それは罠だ。Laguna S 2.1はTerminal-Bench 2.1で70.2%を報告している。私たちの記録では、GPT-6.1 SolはTerminal-Bench 2.1でまったくスコアが付けられていない——そのターミナル性能の数値は、ハーネスのより新しく、より難しい改訂版であるバージョン4.0のものだ。70.2%を56.06%の横に並べ、それを12ポイント差のLagunaの勝利と呼ぶのは、2つの異なるテストを比較することになる。そしてそれは、このブログが避けるために存在するまさにその誤りだ。この2つのモデルには共通のベンチマーク行がない。つまり、この比較の半分を成す性能面は、現時点では未測定である。

さらに2つの欠落を挙げておく価値がある。Laguna S 2.1にはArtificial Analysis Intelligence Indexのスコアがなく、独立したSWE-bench Verifiedの結果もない。7月に公開されたモデルにとって、それは外部からの測定なしで過ごすには長い時間であり、Poolsideがこれについて公表したものの中で単一最大の欠落である。

思考が実際にもたらすもの

Poolside自身の数値がこのトグルの効果を数値化しており、それはこのリリースで最も興味深い点である。思考をオンにすると、DeepSWE v1.1 は 16.5% から 40.4% に上昇する — およそ 2.4 倍 — また Terminal-Bench 2.1 は 60.4% から 70.2% に上昇する。どちらの数値もベンダーによるもので、再現されていない。

価格と突き合わせて読めば、それは表向きの料金表では捉えきれない形で重要になる。思考モードは出力トークンを消費し、そしてあなたが支払っているのはその出力トークンだ。Laguna S 2.1 を思考オンで実行するワークロードは、同じワークロードを思考オフで実行する場合より大幅に多くの出力を消費する——これは、難度の高いエージェント・ベンチマークで2.4×の向上からまさに予想されることだ。したがって、GPT-6.1 Sol との正直な比較は、生の出力における $0.20 対 $10.00 ではない。思考を有効にした場合の完了タスクあたりコスト 対 エフォート価格設定による完了タスクあたりコスト だ。

その比較は依然としてLaguna S 2.1を圧倒的に有利にしており、ただ主張するのではなく実際に計算してみる価値がある。月に10億の出力トークンを生成する一方、入力トークンが30億であるワークロードを考えてみよう：

• GPT-6.1 Sol — 入力30億が100万あたり$2.00で$6,000、出力10億が100万あたり$10.00で$10,000。月額16,000ドル。

• Laguna S 2.1、思考オフ — 入力が300ドル、出力が200ドル。月額500ドル。

• Laguna S 2.1、thinkingをオンにして出力約2.4倍 — 入力が300ドル、出力が約480ドル。月800ドル未満。

思考ペナルティを考慮に入れても、この処理量では月およそ15,000ドルの差になる。あなたのワークロードがLaguna S 2.1で実際にこなせるものなら、価格の問題は接戦ですらなく、現実的な量のリトライオーバーヘッドでもそれを埋め合わせられない。となれば、判断全体は能力に押しやられる——そして能力こそ、この比較の中で共通の測定尺度を持たない側なのだ。

50倍の格差が本題でなくなる時

その比率を現実へと引き戻す3つの要因があり、それぞれを率直に述べておく価値がある。なぜなら、上記の数字は魅力的で、そのためにチームが実際に金銭を損してきたからだ。

第一の点は、アクティブパラメータ80億のコーダーとフロンティア汎用モデルは代替品ではないということだ。Laguna S 2.1はエージェント型ソフトウェアエンジニアリング——リポジトリ編集、ターミナルタスク、多言語コード——向けに作られており、Poolsideもそう位置づけて販売している。文書中心のプロフェッショナル業務、コンピュータ操作、あるいはGPT-6.1 Solが独立したLong-Context Recallスコア83%と1,050,000トークンウィンドウを備える長文脈想起タスク向けに位置づけられているわけではない。そうしたタスクで誠実な比較は「安いモデルが勝つ」ではなく、「安いモデルはこのために作られていない」である。試算例の月額15,000ドルは、安いモデルの出力が使える場合にのみ節約になるが、ある種のワークロードについては誰もそれが使えると示していない。

2つ目はスループットと運用面です。GPT-6.1 Sol は、当社自身のプレイグラウンドの7日間のトラフィックで、p50レイテンシ2,442ミリ秒、毎秒95.57出力トークン、エラー率6.36%を報告しています。Laguna S 2.1 には比較可能なサービングパネルがありません — OrcaRouter でルーティングされていない — ため、並べて示せる数値はありません。また、セルフホスト経路のレイテンシは、購入するハードウェア次第で決まります。8台の H100 では、同じ同時実行数でホスト型フロンティアエンドポイントのスループットには及びません。レイテンシとユニットコストをトレードオフすることになり、そのトレードオフがどうなるかは、ワークロードがレイテンシに敏感かどうかによって変わります。

第三の点は、セルフホストという道は大量利用のときしか安くならないということだ。上の計算を一方的な結果に見せるのと同じ$0.10と$0.20の料金は、ほぼ原価で提供している推論プロバイダーが提示する料金でもある——つまり、GPUを正当化できるほどの規模に満たないあらゆる利用量では、オープンモデル向けにハードウェアを買うよりも、そのモデルを借りるべきだという論拠になる。

実際に電話をかける方法

これは珍しい組み合わせで、この場合に次に取るべき正しい一手はルーティングの変更ではない。というのも、その2つのモデルにはまったく異なる方法で到達するからだ。

GPT-6.1 SolはOrcaRouter上でopenai/gpt-6.1-sol として、Open​AIの定価どおりマークアップ0%で提供されています — 入力$2.00、出力$10.00、キャッシュ入力は$0.10、そして272,000トークン超のティアもOpen​AIが設定したとおりにそのまま適用されます。ルーティングレイヤーはプロバイダーの価格をマークアップせずそのまま通すため、Open​AI側の価格変更は発効したその日にここでも反映されます。ルートが稼働している場所では、その下に自動フェイルオーバーが備わっています — 高価なモデルはルーティングルール1つ分の距離にとどまるため、より安価なモデルが本番パスを維持できるかどうかを安上がりに確かめる方法です。

Laguna S 2.1はOrcaRouterにはなく、当社もホストしていません。これに到達するにはPoolside自身のAPIを経由するか、重みが公開されているため自分でサービングするかです。このモデルについては、後者のほうがより興味深い選択肢です。活性8Bの118B MoEは、中規模チームが所有できるハードウェアで実行するのに本当に十分小さいからです。したがって、この組み合わせで最初に取るべき正しい行動は、価格比較ではまったくありません。実際のコーディングタスクを20件選び、既存のGPT-6.1 Solの経路で実行し、次に同じ20件をLaguna S 2.1で思考オンとオフの両方で実行します。これで、どちらのベンダーも公開していない共通のベンチマーク行を、唯一重要なタスクセット上で手に入れたことになり、50倍の価格差は、証拠とともに受け入れるか辞退するかの数字になります。

現在存在する証拠に基づいてこの組み合わせが得る評決はこうだ。Laguna S 2.1 は、今のエージェント型コーディングにおいて最も興味深い能力対コストの選択肢であり、ベンダーが示す数値が独立に確認されていればそれを既定の選択にするはずだが、それらのいずれについても独立した確認はない。GPT-6.1 Sol は出力にかかるコストが50倍で、この2つのうち、社外の誰かが共通の計測器でその能力を測定した唯一のモデルである。安いモデルの重みを購入してテストせよ。というのも、ほとんどのオープンリリースと違い、これは適切にテストできるほど小さいからだ。そして、50倍という数字は、そのテストを行う理由として扱い、その答えとして扱うな。