Een titelkaart voor een analyse van de prijsstelling van GPT-6.2 Astra, met als kop 'GPT-6.2 Astra' en als tweede regel '20% korting op tokens. 36% korting op taken.' boven een bijschrift dat luidt 'Gemeten tegen GPT-6 Astra op de Artificial Analysis Intelligence Index', en twee kaarten rechts met het label 'Prijs per token' op min 20% en 'Kosten per taak' op min 36% met een zichtbaar langere pijl, boven een voettekst die luidt 'Prijzen volgens de gepubliceerde tarieven van OpenAI; kosten per taak volgens Artificial Analysis.' Het OrcaRouter-logo staat in de rechteronderhoek.
Guides & Insights

GPT-6.2 Astra verlaagt tokenprijzen met 20%. De taakrekening daalt met 36%.

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

OpenAI heeft GPT-6.2 Astra op 17 november 2026 uitgebracht met een kop die je in tien seconden kunt verifiëren: $8 per miljoen inputtokens en $40 per miljoen outputtokens, tegenover $10 en $50 voor GPT-6 Astra. Dat is een zuivere korting van 20% op beide richtingen van de meter. Het getal dat echt bepaalt of je factuur verandert, is een ander getal, en het is groter. Artificial Analysis meet GPT-6.2 Astra op $4,00 per Intelligence Index-taak tegenover $6,24 voor GPT-6 Astra — een verlaging van 36% in wat het kost om een eenheid werk af te ronden, niet in wat een token kost.

Beide getallen kloppen, en het verschil ertussen is het hele verhaal. Een prijsverlaging vertelt je wat de meter aanrekent. Een kosten-per-taakcijfer vertelt je wat de meter aanrekende en hoe vaak hij draaide. GPT-6.2 Astra rekent minder per token en verbruikt er minder om op dezelfde plek te komen, dus de besparing loopt verder op. Waar dat stapelen ophoudt — verzoeken met lange context, cacheschrijfacties en de regels voor redeneeritems — daar besteedt dit artikel zijn tweede helft aan.

Dezelfde taak, 36% goedkoper — en waarom dat groter is dan de sticker

Artificial Analysis scoort {{1}}GPT-6.2 Astra{{/1}} met 62 op zijn Intelligence Index, derde van de 87 gevolgde modellen, een verbetering ten opzichte van 57 en de dertiende plaats voor GPT-6 Astra. Het kostencijfer wordt berekend over de identieke evaluatiesuite, wat de vergelijking eerlijk maakt: dezelfde taken, dezelfde harness, dezelfde scoring, alleen het model verandert. Vijf indexpunten aan capaciteit gingen gepaard met een daling van 36% in de kosten per taak.

Die combinatie is ongebruikelijk. De meeste releases ruilen het een voor het ander: je betaalt meer per taak voor een slimmer model, of je accepteert een zwakker model om een goedkopere te krijgen. Hier bewogen beide cijfers de juiste kant op ten opzichte van de voorganger, wat eruitziet als een echte efficiëntiewinst van generatie op generatie in plaats van een herpositionering.

De zes cijfers die ertoe doen, naast elkaar. Alle prijzen zijn het door OpenAI gepubliceerde standaardtarief; cijfers voor index en kosten per taak zijn onafhankelijke metingen van Artificial Analysis, niet van OpenAI.

• Invoer — GPT-6.2 Astra $8,00 per miljoen tokens vs GPT-6 Astra $10,00

• Uitvoer — $40,00 per miljoen tokens versus $50,00

• Gecachte invoer — $0.40 per miljoen met 95% korting ten opzichte van $1.00 bij 90%

• Intelligence Index — 62, gerangschikt als #3 van 87 vs. 57, gerangschikt als #13 van 87

• Kosten per Index-taak — $4,00 vs $6,24

• Contextvenster — 1.050.000 tokens in totaal, waarvan maximaal 922.000 invoer en 128.000 uitvoer

Let op de cachelijn. De korting is verdiept van 90% naar 95% en het basistarief waarop die van toepassing is, daalde van $10 naar $8, dus een gecacht invoertoken kost nu $0,40 waar dat vroeger $1,00 kostte — een verlaging van 60%, drie keer het kopcijfer. Als je workload een lange systeemprompt plus een korte gebruikersbeurt is, krijg je aanzienlijk meer dan 20%.

A single-column scoreboard titled 'GPT-6.2 Astra — the scoreboard' with six rows reading 'Intelligence Index: 62, #3 of 87', 'Input price: $8.00 / 1M', 'Output price: $40.00 / 1M', 'Cached input: $0.40, 95% off', 'Cost per Index task: $4.00' and 'Context window: 1,050,000', with a footer noting that pricing is per OpenAI's published rates and index and cost-per-task figures are per Artificial Analysis. The OrcaRouter logo sits in the bottom-right corner.

Waar de besparing weer weglekt

Drie mechanismen knabbelen een deel van die 36% weg, en alle drie zijn ze gedocumenteerd in plaats van verborgen — je hoeft alleen maar de prijspagina en de migratiegids te lezen voordat je je aan een contextbudget waagt.

De 272K-klif

GPT-6.2 Astra heeft een contextvenster van 1.050.000 tokens, maar de prijsstructuur verandert al ruim voordat je het venster vult. Zodra de invoer van een verzoek de 272.000 tokens overschrijdt, worden invoer en gecachte invoer gefactureerd tegen het dubbele van het standaardtarief en uitvoer tegen 1,5x — en de vermenigvuldigingsfactor geldt voor het hele verzoek, niet alleen voor de tokens boven de grens. Voor een prompt van 300.000 tokens geldt geen toeslag voor de laatste 28.000 tokens; over alle 300.000 wordt het dubbele tarief gerekend.

Bij $16 per miljoen input kost een enkele aanroep van 300K $4,80 voordat het model ook maar een woord schrijft, terwijl hetzelfde werk een moment eerder — bij 271.999 tokens — $2,17 zou hebben gekost. Dat is de 20%-verlaging die in één stap wordt teruggedraaid, en dan nog meer, want de cliff is een discontinuïteit en geen helling. Werk met lange documenten dat vroeger binnen het oude venster paste, vereist nu een bewuste chunkingstrategie, niet alleen een groter budget.

Cache-writes staan op een aparte regel.

Lezen uit de cache is goedkoop. Het vullen ervan is niet gratis: cachewrites worden gefactureerd tegen $10 per miljoen tokens, boven het standaard invoertarief. Een diepe, vaak geïnvalideerde promptcache kan meer kosten om te onderhouden dan hij bij het lezen oplevert. De economie pleit voor een stabiele prefix die vele beurten overleeft, precies het patroon waarnaar OpenAI's eigen migratienotities je sturen.

Verwijderde redeneeritems

Vanaf deze generatie gooit de API reasoning-items weg wanneer deze een wijziging in de geschiedenis midden in het gesprek detecteert — een prefixbewerking, een model-downgrade, een wijziging van eindgebruiker of organisatie. Wanneer het model die context verliest, kan het slechter antwoorden en meer tokens besteden aan het opnieuw afleiden van werk dat het al had gedaan. Dat tweede effect is wat op de rekening terug te zien is: een integratie die tussen beurten zijn systeemprompt aanpast, betaalt stilletjes twee keer voor dezelfde redenering, en de besparing van 36% zal op een afrondingsfout lijken.

De oplossing is architecturaal in plaats van financieel. Houd de prefix ongewijzigd wanneer je instellingen tussen antwoorden wijzigt, en de eerdere invoer blijft in aanmerking komen voor caching, terwijl tegelijkertijd de redenering behouden blijft. Eén gewoonte beschermt beide regels op de factuur.

De reasoning-instellingen zijn een budgetteringsbeslissing.

GPT-6.2 Astra accepteert reasoning.effort ingesteld op none niet. De migratiehandleiding van OpenAI zegt dat nieuwe integraties op medium moeten beginnen en dat een bestaande instelling none of minimal naar low moet worden gemapt. Niets daarvan is verrassend voor een model dat redeneren vooropstelt, maar het betekent wel dat een simpele modelstring-vervanging vanuit een niet-redenerende voorganger zowel een slechter antwoord als een hogere rekening oplevert dan het migratieplan suggereert.

Reasoning-tokens worden gefactureerd als output. Bij $40 per miljoen is het verschil tussen laag en hoog bij een lange agentrun geen afrondingsfout — het is vaak de grootste afzonderlijke variabele in de kosten van de taak. Het gemeten bedrag van $4,00 per Intelligence Index-taak gaat uit van welke effortconfiguratie Artificial Analysis ook heeft gebruikt; jouw getal hangt af van de jouwe. Behandel de effortinstelling als de eerste kostenhendel die je afstelt, voordat je iets anders aanraakt.

A screenshot of OpenAI's developer documentation page for GPT-6.2 Astra, showing the model description, a pricing table of $8.00 input, $0.40 cached input and $40.00 output per million tokens, a 1,050,000-token context window with 922,000 max input and 128,000 max output, and a May 18 2026 knowledge cutoff.

Wat de lancering daadwerkelijk heeft verbeterd, en wat niet

Een prijsverlaging is alleen de moeite waard als het model minstens zo goed is. Op langetermijn- en wetenschappelijke evaluaties maakte GPT-6.2 Astra een beslissende sprong. Terminal-Bench-Science steeg van 63,3% op GPT-6 Astra naar 78,1%, en Terminal-Bench 4.0 komt uit op 64,1%. AA-AnalystAgent staat op 62,5%, AA-3D op 1.318 Elo en Harvey's LAB-AA op 15,0%. Voor agentisch werk dat vele stappen draait en bij de taak moet blijven, is dat het profiel dat je wilt, en het is het profiel dat de token-efficiëntie oplevert die achter de 36% zit.

Twee plekken waar het niet verschoof, zijn de moeite waard om te weten voordat je een hele pipeline omzet.

De eerste is wedstrijdprogrammeren. FrontierCode-AA 2.0 zet GPT-6.2 Astra op 45,4%, nog steeds achter {{1}}Claude Fable 5.2 op 48,8%{{/1}}. Astra heeft elders veel terrein goedgemaakt, maar heeft op het gebied van moeilijk programmeerwerk nog geen koppositie veroverd, dus een team waarvan de werklast grotendeels FrontierCode-vormig is, heeft minder reden om op basis van capaciteit over te stappen — het prijsargument is het argument dat geldt.

Het tweede is erger dan een stilstand. Op AA-Omniscience is het hallucinatiepercentage van GPT-6.2 Astra 59,1%, tegen 49,8% bij GPT-6 Astra. Het is eerder bereid te antwoorden wanneer het iets niet weet. Dat is een kostenprobleem vermomd als een kwaliteitsprobleem: een vol vertrouwen gegeven fout antwoord dat je vervolgens moet opsporen, verwerpen en opnieuw moet uitvoeren, kost je twee keer de tokens, en het is bij die herhaling dat je zorgvuldige berekening per taak stukloopt. Elke workflow waarin een fout antwoord duur is om op te sporen, verdient een verificatiestap voordat de prijsverlaging als een besparing wordt beschouwd.

A screenshot of the Artificial Analysis model page for GPT-6.2 Astra showing an Intelligence Index of 62 ranked third of 87 models, input pricing of $8.00 and output of $40.00 per million tokens, a 95% cache discount, and a cost of $4.00 per Intelligence Index task ranked 57th of 86.

De prijs achterhalen zonder de hele pijplijn op het spel te zetten

GPT-6.2 Astra is beschikbaar via de eigen API van OpenAI en diverse platforms van derden. Het staat vandaag niet in de catalogus van OrcaRouter, dus als je het deze week wilt aanroepen, ga je rechtstreeks naar de leverancier. Niets in de bovenstaande prijsanalyse hangt af van waar je het vandaan aanroept — maar twee dingen over hoe je het aanroept, zijn het nu waard om voor te plannen, want het zijn dezelfde twee dingen die teams drie weken in een migratie parten spelen.

Het eerste is failover. Een model dat gisteren is uitgebracht, heeft geen trackrecord op jouw verkeer, en het eerlijke advies is om het naast het model te laten draaien dat het zou vervangen, in plaats van het te vervangen. Als je beide via één OpenAI-compatibel endpoint routeert, met automatische failover tussen providers, betekent dat dat een slechte dag bij één upstream geen slechte dag voor je gebruikers wordt terwijl je nog steeds beslist of de 36% echt is voor jouw workload. OrcaRouter biedt GPT-6 Astra, GPT-6 Sol en GPT-6.1 Sol, zodat de A/B tegen Astra's voorganger op één sleutel kan draaien, zonder een tweede contract en zonder codewijziging aan de kant van de client.

Het tweede punt is prijsdoorberekening. OrcaRouter factureert met 0% markup — de adviesprijs van de provider, ongewijzigd. Dat is juist bij een release als deze van belang: een prijsverlaging van een leverancier komt dezelfde dag in jouw tarief terecht als in dat van hen, zonder heronderhandeling en zonder vertraging bij het herprijzen. Als GPT-6.2 Astra aan de catalogus wordt toegevoegd, zijn de $8 en $40 hierboven de bedragen die je zult zien, en niet een opgehoogde versie daarvan.

Wat het je intussen oplevert, is een schone vergelijking. Laat vandaag dezelfde evaluatieset door GPT-6 Astra lopen, noteer je werkelijke kosten per taak bij je werkelijke effort-instelling, en je hebt de baseline waaraan die 36% ofwel standhoudt ofwel niet. De meeste teams die deze stap overslaan, meten uiteindelijk de krantenkop in plaats van hun eigen werklast, en ontdekken de 272K-cliff op de dure manier.

Wie moet nu handelen, en wie moet wachten?

Stap nu over als je workload langdurig agentisch werk is, documentanalyse van minder dan ongeveer 250.000 tokens, of iets wetenschappelijks en terminalgedrevends — de sprong van Terminal-Bench-Science van 63,3% naar 78,1% is groot genoeg om te veranderen wat haalbaar is, en de tokenefficiëntie versterkt het effect van de prijsverlaging.

Ga voorzichtig te werk als je prompts regelmatig meer dan 272.000 tokens overschrijden. De klif beloont een groter budget niet; hij bestraft het. Splits op in chunks, of reken op het dubbele.

Wacht, of doe in ieder geval eerst een A/B-test, als je werk zwaar leunt op moeilijke competitieve programmeeropdrachten — FrontierCode-AA 2.0 geeft nog steeds de voorkeur aan Claude Fable 5.2 — of als een overtuigend fout antwoord duur is in jouw domein, waar een hallucinatiepercentage dat steeg van 49,8% naar 59,1% een eigen meting verdient voordat het je standaard wordt.

En stel in elk geval je redeneerinspanning bewust in voordat je facturen vergelijkt. De 20% staat op de prijzenpagina en de 36% staat op het klassement. Geen van beide is nog jouw factuur.