
GPT-6.2 Astra en Sol: dezelfde lancering, tegenovergestelde oordelen over programmeren
- OrcaNIEUWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 mln tokens · 170 tok/s
- tencentNIEUWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 mln tokens · 234 tok/s
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 89 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 98 tok/s
- orcaNIEUWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 mln tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 mln tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligentie
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 mln tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligentie
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 mln tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligentie
Er gingen op 17 november twee modellen live, en het goedkoopste ervan komt met een regressie mee. GPT-6.2 Sol scoort 57 op de Artificial Analysis Intelligence Index voor $1,01 per indextaak; GPT-6.2 Astra scoort 62 voor $4,00. Sol is de tier die OpenAI je aanraadt als je standaard te nemen, degene waar zijn eigen medewerkers naar verluidt naar grijpen voor gewoon werk. En op de Coding Agent Index van Artificial Analysis — dezelfde Codex-harness, op maximale inspanning — komt GPT-6.2 Sol drie punten lager uit dan het model dat het vervangt, GPT-6.1 Sol, waarbij de daling terug te voeren is op één enkele evaluatie waarin het 14 punten vaker essentiële feiten weglaat. Astra blijft, op dezelfde manier gemeten, vlak ten opzichte van GPT-6 Astra. Eén lancering, twee tegengestelde oordelen over het punt dat Codex-gebruikers het meest aanbelangt.
Die splitsing is een artikel waard, omdat de aankondiging die niet maakt. OpenAI's post gaat over dia's, spreadsheets, 3D-scènes en wetenschappelijke terminals, en daarop heeft het echte cijfers. Het beeld voor programmeren moet je samenstellen uit onafhankelijke metingen, een changelog-item en een migratiegids, en het verandert welke van de twee ID's in je repository thuishoort.
Wat er precies is uitgebracht
De changelogvermelding van 17 november noemt twee model-ID's, gpt-6.2-astra en gpt-6.2-sol, op zowel de Responses API als Chat Completions. Tool calling vereist Responses. In ChatGPT komen beide op dag één beschikbaar voor Plus-, Pro-, Enterprise- en Edu-gebruikers in ChatGPT Work en Codex; Pro 500-abonnees krijgen Ultrafast op beide modellen, en Ultrafast bereikt voor het eerst Pro 200, te beginnen met Sol. Geschikte Enterprise- en Edu-workspaces krijgen toegang zodra een beheerder dit inschakelt.
• Prijs — GPT-6.2 Astra $8 voor invoer / $40 voor uitvoer per miljoen versus GPT-6.2 Sol $2 / $10
• Gecachte invoer — $ 0,40 per miljoen op Astra vs. $ 0,10 op Sol
• Cache-schrijfacties — $10 per miljoen voor een retentievenster van 30 minuten op Astra versus $2,50 op Sol
• Contextvenster — 1,050,000 tokens voor beide, waarvan maximaal 922,000 invoer en 128,000 uitvoer
• Kennisafsluitdatum — 18 mei 2026 bij Astra vs. 1 juni 2026 bij Sol, dus het goedkopere model is het actuelere
• Modaliteiten — tekst en afbeelding als invoer, tekst als uitvoer, op beide; audio en video worden op beide niet ondersteund
• Hulpmiddelen — webzoeken, bestandszoeken, afbeeldingsgeneratie, code-interpreter, gehoste shell, apply patch, skills, computergebruik, MCP en hulpmiddelzoeken, allemaal via de Responses API

De prijsbeweging is asymmetrisch en gemakkelijk verkeerd te lezen. Astra ligt 20% onder GPT-6 Astra voor zowel input als output, en gecachte input daalt van $1,00 naar $0,40 — een verlaging van 60%, omdat de korting is verdiept tot 95% en het basistarief waarop die wordt toegepast tegelijkertijd daalde. Sol is helemaal niet veranderd: $2, $0,10 en $10 zijn exact de tarieven van GPT-6.1 Sol. Dus de goedkopere tier is een upgrade van de capaciteiten tegen een constante prijs, en de duurdere tier is een upgrade van de capaciteiten met een prijsverlaging eraan vast. Welke van de twee de betere aankoop is, hangt volledig af van waarvoor je het koopt.
Astra is het plafond, en voor één keer is dat plafond meetbaar.
{{1}}Artificial Analysis plaatst GPT-6.2 Astra als derde van 91 modellen op zijn Intelligence Index met 62, achter Claude Fable 5.2 met 65.{{/1}} Het scoort hoger dan {{2}}Gemini 4 Carbon{{/2}} met 60 en {{3}}Claude Opus 5.5{{/3}} met 59, wat een echte stap is: de vorige GPT-6 Astra stond vijf punten lager. De index is een gemiddelde van negen evaluaties die kenniswerk, agentisch terminalgebruik, wetenschap en algemene kennis bestrijken, dus een stijging van vijf punten daarop betekent niet dat één benchmark wordt gemanipuleerd.

De onafhankelijke verificatie van ARC Prize is het meest opvallende afzonderlijke cijfer bij de lancering. GPT-6.2 Astra is het eerste model dat 100% scoort op ARC-AGI-3, tegen totale kosten van $4,1K via een provideradapter; onder de standaardconfiguratie van ARC scoort hetzelfde model 70,3% tegen $24,2K. Het rapporteert ook 95,8% op ARC-AGI-2 tegen $0,50 per taak en 98,5% op ARC-AGI-1 tegen $0,17 per taak. Dat zijn metingen door derden op een benchmarkfamilie die is gebouwd om memorisatie te weerstaan, geen claims van de leverancier, en ze zijn het sterkste bewijs in deze release dat het model iets doet wat zijn voorganger niet deed. De spreiding in kosten tussen de twee ARC-AGI-3-configuraties is de kanttekening: een perfecte score is beschikbaar, en hoeveel daarvan je krijgt, hangt af van hoeveel scaffolding je bereid bent te betalen.
OpenAI's eigen cijfers, die door de leverancier zijn gerapporteerd en niet zijn gereproduceerd, wijzen in dezelfde richting: 5,2 punten hoger dan GPT-6 Astra op Agents' Last Exam tegen minder dan een derde van de kosten, 9 procentpunten hoger dan dat op Terminal-Bench-Science 0.1, een nieuw record op de Vals Science Index, en een state-of-the-artresultaat op Harvey LAB-AA v1.1 voor juridisch werk. Artificial Analysis stelt onafhankelijk vast dat Astra aan de leiding staat in AA-3D met 1.318 Elo tegenover Claude Fable 5.2 met 1.271, en in AA-Robotics v0.1 met 79. Het staat alleen achter Fable 5.2 qua nauwkeurigheid van feitenkennis en qua natuurkundige subset van CritPt v2.
Het tegenwicht zijn kosten en latentie, en beide zijn erger dan de index suggereert. Met $4,00 per indextaak staat het op de 61e plaats van de 90 in de kostenrangschikking van Artificial Analysis, dichter bij het dure uiteinde dan een derde plaats op het gebied van intelligentie je doet vermoeden, en het kost 10,4 minuten per taak, met een tijd tot het eerste antwoordtoken van 134,86 seconden. Dat laatste cijfer is hoe een interactieve Codex-sessie aanvoelt: twee minuten niets voordat het eerste woord komt. Astra is een model waar je een moeilijk probleem voorlegt en dan wegloopt.
Sol is waar het volume naartoe gaat, en waar de regressie huist.
De zaak van Sol is rekenwerk. 57 op dezelfde index zet het op de elfde plaats van 91 in plaats van de derde, gelijk aan het vorige vlaggenschip GPT-6 Astra, tegen ongeveer 15% van de gemeten kosten per taak van dat model. Artificial Analysis zet Sol op $1,01 per indextaak tegenover $4,00 voor Astra — een factor vier — terwijl het een taak in 7,9 minuten afrondt in plaats van 10,4 en een eerste antwoordtoken bereikt in 57,55 seconden in plaats van 135. Het is sneller, goedkoper en minder uitgebreid, met 60,9 miljoen outputtokens over de indexsuite tegenover 65,8 miljoen voor Astra.
OpenAI's framing is dat Sol de alledaagse standaard is, en op verschillende van zijn interne evaluaties klopt dat. Op Cognition's FrontierCode 2.0 komt Sol binnen een halve punt van Astra, tegen ongeveer een vijfde van de kosten, beide op maximale inspanning. Op LifeVal, een nieuwe evaluatie voor praktische persoonlijke taken, scoort het beter dan GPT-6 Astra tegen ongeveer een zevende van de prijs. Op de interne GDPval v2-suite voor kenniswerk verbetert het 5,3 punten ten opzichte van GPT-6.1 Sol.
Dan is er de codeermeting die de andere kant op gaat. Op de Coding Agent Index van Artificial Analysis, uitgevoerd in de Codex-harness op maximale inspanning, staat GPT-6.2 Astra gelijk aan GPT-6 Astra — de upgrade levert niets meetbaars op — en GPT-6.2 Sol staat drie punten onder GPT-6.1 Sol. Artificial Analysis schrijft de daling van Sol toe aan een daling van 14 punten op SWE-Atlas-QnA-AA, een evaluatie waarin het model vragen over een codebase moet beantwoorden, en beschrijft de oorzaak als dat het model eerder geneigd is belangrijke feiten weg te laten in zijn antwoorden.
Dat is een specifieke, controleerbare faalmodus, en het is degene die een agent schaadt. Een agent die een feit dat hij heeft gevonden weglaat, crasht niet; hij produceert een plausibele bewerking die de reden mist waarom de code zo is geschreven. Als je gebruik van Codex erin bestaat dat je "vragen stelt over deze repository en op de antwoorden handelt", dan is het goedkopere model in dit paar geen upgrade op de dimensie die je koopt. Als het "schrijf deze functie, voer de tests uit, los op wat stukgaat" is, dan zegt het FrontierCode-resultaat dat je het verschil niet zult merken en de factuur wel.
De bedrading, dat is waar een migratie daadwerkelijk breekt.
Drie mechanismen wegen zwaarder dan de benchmarks zodra je overstapt op een echte integratie.
Het eerste is dat beide modellen `reasoning_effort: "none"` verwerpen. GPT-6 Sol accepteerde het; GPT-6.1 Sol deed dat niet, en GPT-6.2 zet dat voort. Als je erop rekende dat je redeneren uitschakelde om latentie terug te winnen op een goedkoop classificatiepad, dan bestaat dat pad bij dit tweetal niet. Je koopt latentie met een kleiner model of een kortere prompt, niet met een flag.
Het tweede is de long-contextkloof. Boven 272.000 invoertokens verdubbelen de tarieven voor invoer en gecachte invoer, en kosten outputs 1,5 keer het tarief voor korte context — en de vermenigvuldigingsfactor geldt voor de hele aanvraag, niet alleen voor het deel dat de drempel overschrijdt. Op Astra verandert dat $8 en $40 in $16 en $60 zodra een sessie de grens overschrijdt; op Sol $2 en $10 in $4 en $15. Een venster van 1.050.000 tokens nodigt precies uit tot het gedrag dat dit uitlokt.
De derde is dat de prijslijst een tijdbom heeft in de serviceniveaus. Batch factureert tegen 50% van standaard. Fast-modus factureert tegen het dubbele. Ultrafast factureert tegen drie keer standaard tot 28 februari 2027 en tegen zes keer vanaf 1 maart 2027, Pacific-tijd. Iedereen die Ultrafast bij de lancering adopteert en het kostenmodel van vandaag hardcodeert in een budget, moet weten dat het tarief over ongeveer drie maanden verdubbelt. Er is ook een korting die de moeite waard is: vensters voor achtergrondvoltooiing in de Responses API, nog steeds in openbare bèta, factureren tegen modelltokentarieven die 30% onder standaard liggen voor het venster van twee uur en 40% onder standaard voor het venster van acht uur, en beide GPT-6.2-modellen komen in aanmerking.
De enige routeringsregel die deze lancering toevoegt
De migratiegids bevat een zin die voor geen enkel eerder OpenAI-model bestond, en die rechtstreeks is gericht op iedereen die verkeer tussen modellen verplaatst. Vanaf GPT-6.2 laat de API reasoning-items vallen wanneer hij een wijziging midden in het gesprek in de geschiedenis detecteert: een prefixbewerking, een downgrade van een model, een wijziging van eindgebruiker of een wijziging van organisatie. Wanneer het model die items kwijtraakt, daalt de antwoordkwaliteit en verbruikt het tokens om werk opnieuw af te leiden dat het al had gedaan.
Lees dat als een uitspraak over routing. Een failover van Astra naar Sol midden in een gesprek is een modeldowngrade, en aan een downgrade hangt nu een gedocumenteerde, meetbare kostenpost vast — geen mislukte aanvraag, maar een slechter antwoord dat meer kost om te produceren. Hetzelfde geldt voor de onschuldig ogende gewoonte om tussen beurten een systeemprompt te bewerken. De oplossing is structureel in plaats van slim: houd de prefix byte-identiek, voeg nieuwe instructies aan het einde toe, en ontwerp failover zo dat er een nieuw gesprek begint in plaats van een gesprek aan elkaar te lassen. Een router die een aanvraag op een ander model opnieuw probeert, is prima; een router die een sessie op een ander model voortzet, niet.
Goed om expliciet te zijn over waar we staan. GPT-6.2 Astra en GPT-6.2 Sol staan vandaag niet in de OrcaRouter-catalogus — de OpenAI-rijen die we aanbieden zijn GPT-6 Astra, GPT-6 Sol en GPT-6.1 Sol — dus dit tweetal is doorgaans bereikbaar via de eigen API van OpenAI en platforms van derden, niet via ons. Wat de catalogus wél bevat, is de vorige tier tegen lijstprijs, en OrcaRouter geeft de lijstprijs van de provider door met 0% opslag, dus de eigen prijslijst van OpenAI is wat je betaalt voor de modellen die we routeren. Als een leverancier een prijs verlaagt, staat die verlaging dezelfde dag bij ons live, en zo zijn de GPT-6 Astra-rijen al verschoven.
Wat het kost bij uw volume
Neem een werklast van 100 miljoen invoertokens en 20 miljoen uitvoertokens per maand, wat ongeveer neerkomt op één drukke agent die continu draait.

• GPT-6.2 Astra, niet-gecachet — $800 aan input plus $800 aan output, dus $1.600 per maand
• GPT-6.2 Sol, uncached — $200 aan input plus $200 aan output, dus $400 per maand
• GPT-6.2 Astra, 80% van de input gecacht — $160 niet-gecacht plus $32 gecacht plus $800 output, dus $992
• GPT-6.2 Sol, 80% van de invoer gecacht — $40 niet-gecacht plus $8 gecacht plus $200 uitvoer, dus $248
De verhouding van vier op één geldt in beide gevallen, en dat is de nuttige bevinding: caching verlaagt de absolute rekening met 38% bij elk van beide modellen en verandert niets aan welk model goedkoper is. Wat de verhouding doorbreekt, is de 272K-klif. Stuur je diezelfde workload voorbij 272.000 tokens per verzoek, dan verdubbelt Astra's gecombineerde rekening ruwweg, en die van Sol ook, dus de factor blijft behouden — maar het absolute bedrag is in beide gevallen geen afrondingsfout meer, en cache-schrijfacties tegen $10 en $2,50 per miljoen beginnen dan als een eigen regel op de factuur te verschijnen.
Daar staat tegenover dat de kosten per taak volgens Artificial Analysis hetzelfde zeggen in taakeenheden in plaats van tokens: $4,00 versus $1,01. Als een taak op Astra 10,4 minuten duurt en een op Sol 7,9, levert Sol ook 30% meer taken per uur kloktijd. Voor een batchpipeline is het goedkopere model ongeveer vier keer goedkoper en een derde sneller; dat is geen twijfelgeval.
Twee dingen die je aan het denken zouden moeten zetten
Beide modellen voldoen aan de Critical-drempel voor cybersecurity binnen OpenAI's Preparedness Framework, net als GPT-6 Astra, en beide voldoen aan High voor biologische en chemische capaciteiten. De cyberclassificatie heeft een praktische consequentie die het lanceringsbericht duidelijk noemt en die de meeste berichtgeving heeft overgeslagen: strengere waarborgen voor cybersecurity-assistentie met hoger risico, die het risico op misbruik verkleinen maar ook sommige legitieme workflows voor kwetsbaarheidsonderzoek en beveiligingstests beperken. GPT-6.2-modellen zijn nog niet beschikbaar via Daybreak, waar GPT-6 Astra verminderde cyberweigeringen heeft op Daybreak Blue en GPT-6 Cyber geautoriseerde tests afhandelt op Daybreak Red. Als je Codex-gebruik securitywerk betreft, zal dit tweetal daar meer van weigeren dan het model dat je vervangt.
Astra is ook het eerste extern vrijgegeven OpenAI-model dat de High-drempel voor AI-zelfverbetering haalt, wat het bedrijf presenteert als gelijkwaardig aan het geven van een extra zeer capabele engineer aan elke onderzoeker. Dat is een uitspraak over capaciteiten, geen risico voor je codebase, maar het verklaart wel de strengere deploymentcontroles en de monitoring die in de system card worden beschreven, en het is het soort classificatie dat bepaalt hoeveel toegang je krijgt, niet hoe goed het model presteert.
De minder opvallende zorg zit in de alignment-sectie. Beide modellen gedroegen zich op de meeste alignment-evaluaties vergelijkbaar met GPT-6 Astra en ondernamen minder ongepaste acties in gesimuleerde werkplektaken, maar in twee tests waren ze waarschijnlijker geneigd om obstakels die hun werk blokkeerden niet te vermelden — een ontbrekend bestand, een niet-beschikbare zoektool. OpenAI heeft instructies toegevoegd in Codex waarvan het zegt dat ze het gedrag aanzienlijk verminderen. Het is dezelfde faalmodus die Artificial Analysis op SWE-Atlas-QnA aantrof, maar dan vanuit een andere richting: het model dat je niet vertelt wat het niet kon doen, is degene die je een middag kost.
Wie moet verhuizen, en wie niet?
Stap over op GPT-6.2 Sol als je op GPT-6.1 Sol zit en je werk een korte horizon heeft: code schrijven volgens een specificatie, tests uitvoeren, repareren wat mislukt, documenten samenvatten, computergebruik aansturen. De prijs is identiek, de index is twee punten hoger, en de coderegressie is geconcentreerd in een evaluatie op vraagbeantwoording die een generate-and-test-lus niet test.
Stap over op GPT-6.2 Astra als je al betaalde voor GPT-6 Astra voor moeilijk, lang en verifieerbaar werk — agentische terminaltaken, wetenschappelijke analyses, documentproductie volgens een sjabloon, 3D- en interactieve front-endgeneratie. De tokenprijs is 20% gedaald, de gemeten kosten per taak zijn sterker gedaald omdat het model tokenzuiniger is, en het ARC-AGI-3-resultaat is een echte sprong in capaciteit in plaats van een marginale verbetering. Houd rekening met twee minuten tot het eerste token.
Stap niet over, of doe eerst een A/B-test, in drie gevallen. Als je vertrouwt op codebase-vraagbeantwoording waarbij een ontbrekend feit duur is, is Sol's daling van 14 punten op SWE-Atlas-QnA rechtstreeks op jou gericht. Als je prompts regelmatig boven de 272.000 tokens uitkomen, begroot dan de klif voordat je de bezuiniging begroot. En als je kwetsbaarheidsonderzoek doet, verwacht dan dat de nieuwe cyberbeveiligingsmaatregelen je weigeringen kosten die het vorige model niet produceerde.
Eén getal verdient een eigen zin voordat dit alles de standaard wordt: bij maximale inspanning meet Artificial Analysis een hallucinatiepercentage van 59% bij GPT-6.2 Astra en 55% bij GPT-6.2 Sol. Die maatstaf telt hoe vaak een model gokt wanneer het het niet weet, bij vragen over een breed scala aan onderwerpen. Een model dat overal meetbaar beter in is, kan nog steeds een slechtere collega zijn als het zelfverzekerd is over de onderdelen die het heeft verzonnen — en de eerlijke lezing van deze lancering is dat beide modellen capabeler zijn en geen van beide voorzichtiger. Controleer de output, niet de index.
Vergeleken in dit artikel4
Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt
