Een gegenereerde titelkaart met 82% erop is een tweet, geen vermelding op de ranglijst, met de ondertitel GPT-6.2 Sol, twee dagen na de lancering, en drie chips die het Browser Use-bericht van 18 november op 82% zetten, het openbare bord van 29 oktober op GPT-6.1 Sol 81,3, en de gedeelde tariefkaart van $2 in en $10 uit.
Guides & Insights

De 82% Browser-Use-score van GPT-6.2 Sol is een tweet, geen vermelding op een leaderboard.

Auteur

jinhao.song

Publicatiedatum

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

Op 18 november plaatste Browser Use dat GPT-6.2 Sol het beste model is op zijn browser-agent-benchmark: 82%, tegen 81% voor GPT-6.1 Sol, 35% goedkoper per taak, twee keer zo snel en 36% minder stappen. Greg Brockman versterkte dat dezelfde dag met "GPT-6.2 is ongelooflijk goed in browsergebruik." Twee dagen eerder had OpenAI GPT-6.2 Sol uitgebracht voor $2 per miljoen invoertokens en $10 per miljoen uitvoertokens. De bewering is een goede en waarschijnlijk in grote lijnen juist. Het is ook, op dit moment, de enige plek waar die vier getallen bestaan. Het eigen openbare leaderboard van Browser Use vermeldt nog steeds GPT-6.1 Sol op 81,3 en heeft helemaal geen rij voor GPT-6.2 Sol — de resultatenpagina draagt een last-modified-stempel van 29 oktober 2026, en de URL die een pagina per model voor GPT-6.2 Sol zou bevatten, geeft een 404. Dus de eerlijke versie van dit verhaal is smaller en nuttiger dan de tweet: een benchmarkleverancier vertelt je dat het model dat ze nu als eerste rangschikken beter, goedkoper en sneller is dan het model dat ze drie weken geleden als eerste rangschikten, en het board dat je normaal zou checken om dat te bevestigen, is nog niet bijgewerkt.

Wat Browser Use daadwerkelijk heeft gepost, in zijn geheel

De geciteerde post was op 18 november om 00:09 UTC afkomstig van het eigen account van Browser Use. Er staat: "GPT-6.2 Sol is het beste model voor browsergebruik 👀 — 82%, tegenover 81% voor GPT-6.1 Sol; 35% goedkoper; 2x sneller: 12 min in plaats van 22 min; 36% minder stappen." Dat zijn vier afzonderlijke claims met heel verschillende bewijskracht, en ze moeten worden gescheiden voordat een ervan wordt gebruikt om een migratie te rechtvaardigen.

• Score — 82 tegen 81. Eén punt op een gemiddelde gewogen rubricscore van 0–100, op een benchmark waarvan de gepubliceerde methodologie 180 taken beschrijft die op live websites worden uitgevoerd. Eén punt valt binnen de ruisband van een benchmark die opnieuw wordt uitgevoerd tegen veranderende sites van derden.

• Kosten per taak — 35% goedkoper. Dit is de sterkste bewering in de set, omdat het degene is die een agent-operator goedkoop kan reproduceren en omdat het rekenkundig beperkt is: de tokenprijzen zijn niet veranderd, dus de besparing moet ergens anders vandaan komen.

• Kloktijd — 12 minuten in plaats van 22. Dit is de bewering die het meest direct in tegenspraak is met de eigen gepubliceerde gegevens van de leverancier, en hieronder wordt erop ingegaan.

• Stappen — 36% minder. In een browseragent zijn stappen tool-aanroepen, en tool-aanroepen zijn waar een agent-loop zowel geld als tijd aan besteedt. Een vermindering van 36% in stappen verklaart waarschijnlijk in één keer het grootste deel van de andere drie cijfers.

Browser Use Bench v2.1 is geen marketingoefening. De methodologiekaart ervan maakt expliciet dat de score een gemiddelde gewogen rubricscore per taak op een schaal van 0–100 is, dat de kostkolom de geschatte modelkosten per taak in USD weergeeft en zoek-, judge-, browser- en runnerkosten uitsluit, en dat de runs op 180 live websites plaatsvinden in plaats van op een bevroren testset. Dat is een echt meetregime. Het is ook een regime waarin een scorewijziging van één punt en een herrun op een live site niet hetzelfde soort bewijs zijn, en daarom is het leaderboard historisch gezien conservatiever geweest dan zijn eigen socialmediaposts.

De vier getallen staan niet op het bord.

We hebben de ranglijst op browser-use.com/benchmarks/agents op 19 november 2026 gecontroleerd. De gestructureerde metadata van de dataset die in die pagina is ingebed, luidt nog steeds "Browser Use Bench v2.1 model results" met een dateModified van 2026-10-29. Zoeken in de paginabron naar de tekenreeks "GPT-6.2" levert nul treffers op. De pagina per model op browser-use.com/benchmarks/models/gpt-6-2-sol bestaat niet — die levert een 404-stub op. En de FAQ van de pagina zelf beschrijft de huidige rangorde nog steeds als "GPT-6.1 Sol high: 81,3 van de 100 tegen $1,92 per taak, op 180 taken op live websites. Daarna komt GPT-6 Sol high met 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.

Dat is geen beschuldiging van kwade trouw. Benchmarks worden volgens een vaste cadans gepubliceerd en aankondigingen niet; het account dat op 18 november plaatste, is het account dat de harness draait, dus het heeft de cijfers voordat de site ze heeft. Maar het bepaalt wel de epistemische status van dit stuk, en van elke inkoopbeslissing die deze week op basis daarvan wordt genomen: de cijfers 82%, 35%, 2x en 36% zijn door de leverancier gerapporteerd en ongepubliceerd, in de specifieke zin dat de eigen gepubliceerde tabel van de leverancier ze nog niet bevat. Een team dat vandaag een productie-browseragent naar GPT-6.2 Sol verhuist, handelt op basis van een benchmarkaankondiging, niet op basis van een benchmarkresultaat.

Het goede nieuws is dat de aankondiging makkelijk te falsificeren is. Als de cijfers kloppen, zou er binnen enkele dagen een bijgewerkt scorebord met een GPT-6.2 Sol-rij moeten verschijnen, en de vier cijfers zouden contact met de JSON moeten doorstaan. Als de rij met andere cijfers verschijnt, weet je het voordat je iets hebt herbouwd.

De baseline in de tweet komt niet overeen met de baseline op het bord.

Dit is het detail dat het vermelden waard is, omdat het precies het soort ding is dat verloren gaat wanneer een bewering als screenshot rondgaat. De tweet geeft het eerdere resultaat van GPT-6.1 Sol als "81%" en "22 min". De door Browser Use gepubliceerde ranglijst vermeldt GPT-6.1 Sol bij hoge reasoning-inspanning als 81,3 van 100 bij $1,92 per taak, met een mediaan van 14,3 minuten. De score komt dicht genoeg in de buurt — 81 en 81,3 zijn hetzelfde getal, anders afgerond. De tijd niet. Veertien minuten en tweeëntwintig minuten zijn niet dezelfde meting.

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.

Er zijn onschuldige verklaringen. De tijds kolom van het leaderboard is een mediaan over 180 live taken, en mediaan zijn gevoelig voor welke taken worden verwijderd wanneer een site uitvalt; 22 minuten kan een gemiddelde zijn, een subset met alleen hoge inspanning, een andere taakselectie, of de looptijd voordat een harness-fix werd doorgevoerd tussen 29 oktober en 18 november. Er is ook een minder onschuldige: het tijdscijfer in de tweet is een vergelijking die is gekozen om het nieuwe model sneller te laten lijken, en de eerlijke noemer voor een 2x-snelheidsclaim is wat dezelfde harness op dezelfde dag voor het oude model opleverde.

Je kunt dat niet van buitenaf oplossen. Wat je kunt doen, is weigeren die verhouding over te nemen. "2x sneller" betekent hier "de meetopstelling van de leverancier van 18 november mat 12 minuten waar die 22 minuten mat voor het vorige model", niet "GPT-6.2 Sol is twee keer zo snel als het model waarvan het openbare leaderboard zegt dat het in 14,3 minuten draait." Als snelheid de reden is dat je de overstap overweegt, is het getal waarop je moet plannen de gepubliceerde waarde van 14,3 minuten totdat een nieuw leaderboard die vervangt, want dat is de enige met een methodologiepagina erachter.

Waarom '35% goedkoper' de bewering is met de berekening eronder

De prijsstelling maakt de kostenclaim controleerbaar op een manier waarop de andere dat niet zijn. GPT-6.2 Sol en GPT-6.1 Sol hebben dezelfde tarievenkaart, volgens O​penAI's eigen modelpagina's:

• Input — $ 2,00 per miljoen tokens voor beide.

• Gecachte invoer — $0,10 per miljoen tokens voor beide. Cache-schrijfacties kosten $2,50 per miljoen voor een cache van 30 minuten, $5,00 voor de schrijfactie van 12 uur, voor beide.

• Uitvoer — $10,00 per miljoen tokens op beide.

• Lange context — boven 272.000 invoertokens verdubbelen de invoer- en cachetarieven en gaat het uitvoertarief naar 1,5x voor het hele verzoek, bij beide modellen. De drempel ligt op dezelfde plek.

• Batch — 50% van de standaardtarieven op beide; Fast mode verdubbelt, Ultrafast verdrievoudigt tot en met 28 februari 2027 en verzesvoudigt vanaf 1 maart 2027 op beide.

• Context — een venster van 1.050.000 tokens, maximaal 922.000 invoer, maximaal 128.000 uitvoer, tekst en afbeelding als invoer, tekst als uitvoer, op beide. De kennisafsluitdatum van GPT-6.2 Sol is 1 juni 2026 tegenover 30 april 2026.

Identieke inputs, identieke prijzen per token. Een daling van 35% in de kosten per taak kan dus geen prijsverlaging zijn. Het moet gaan om minder gekochte tokens, en de tweet levert het mechanisme: 36% minder stappen. De tokenrekening van een browseragent wordt gedomineerd door gespreksgeschiedenis die bij elke stap opnieuw wordt afgespeeld, dus stappen en kosten schalen bij een lange run bijna lineair mee. Verlaag het aantal stappen met een derde en de rekening daalt met ongeveer een derde, precies de omvang van de gemelde besparing. De twee beweringen bevestigen elkaar, wat voor beide een goed teken is.

Het is ook een waarschuwing over hoe je de besparing moet lezen. Een 35% goedkopere taak is geen 35% goedkopere maand als het goedkopere model taken krijgt die het oude model niet aankon, of als minder stappen betekent dat de agent eerder stopt en gedeeltelijk werk teruggeeft. De rubriekscore van 82 is wat dat uitsluit — een run die vroegtijdig stopt met een derde minder stappen zou lager scoren, niet één punt hoger — maar één punt is een krappe marge om zoveel gewicht te dragen.

Dat tokenprijzen ongewijzigd worden doorgegeven, is het deel hiervan dat echt saai en echt nuttig is. Op OrcaRouter houdt het 0%-opslagmodel in dat de lijstprijs van een aanbieder de prijs is die je betaalt, dus wanneer een leverancier zijn tariefkaart aanpast — zoals OpenAI deed voor GPT-6.2 Astra, dat dezelfde dag 20% daalde op input en output — is de wijziging op de dag zelf live op het platform in plaats van te wachten tot een wederverkoper de prijzen aanpast. Dat werkt ook twee kanten op: er valt niets te arbitreren en er is geen korting te behalen door over te stappen. Als je vandaag GPT-6.1 Sol via één API-sleutel gebruikt, zou een aanroep van het GPT-6.2 Sol-model per token hetzelfde kosten als bij de leverancier.

Wat telt voor een agent-loop, voorbij de kop

Vier operationele details van de modelpagina van OpenAI zijn belangrijker voor een browseragent-implementatie dan het benchmarkcijfer, en geen ervan komt voor in een 82%-kop.

• Redeneerinspanning — GPT-6.2 Sol verwerpt none. De laagste instelling is een echte instelling, geen schakelaar om redeneren uit te zetten. GPT-6.1 Sol accepteert het volledige bereik van laag tot max. Als jouw harness 'geen redenering, gewoon handelen' hardcodeert voor latentie, is die configuratie niet overdraagbaar.

• Batch — ondersteund, tegen 50% van de standaardtarieven. Trajecten van browser-agents zijn doorgaans latentiegevoelig, dus dit is vooral van belang voor offline evaluatieruns en niet voor productie.

• Endpoints — Responses, Chat Completions en Batch. Realtime, Assistants, Fine-tuning, Images, Videos, Speech en Transcription worden allemaal niet ondersteund. Dat Fine-tuning niet beschikbaar is, is juist het punt dat teams raakt die een browserbeleid op het vorige model hebben afgestemd.

• Hulpmiddelen — computer_use, web_search, mcp, hosted_shell, apply_patch, skills, tool_search, code_interpreter, image_generation en file_search staan vermeld als ondersteund. Voor een browseragent is het interessante paar computer_use naast tool_search: een raamwerk dat tijdens de uitvoering tools kan ontdekken is de aannemelijke bron van een derde minder stappen, omdat de agent dan ophoudt met gokken naar een actie die niet bestaat en die vervolgens opnieuw probeert.

• Snelheidslimieten — 5.000 verzoeken en 1.000.000 tokens per minuut bij de Build-tier, 10.000 en 4.000.000 bij Launch, 15.000 en 40.000.000 bij Grow.

Hoe je het kunt uitproberen zonder het productiepad eraan te wagen

Het juiste antwoord op een niet-gepubliceerde benchmarkclaim is een steekproef, niet een migratie. Kies twintig tot vijftig van je eigen browsertaken, voer ze op dezelfde dag op beide modellen uit via dezelfde harness en vergelijk drie getallen: voltooiingspercentage volgens je rubric, verbruikte tokens per voltooide taak, en p50- en p95-kloktijd. Vergelijk de twee resultaten vervolgens met elkaar in plaats van met de 82 van Browser Use, omdat hun taakdistributie niet de jouwe is en een verschil van één punt de vertaling niet zal overleven.

Twee praktische opmerkingen voor die test. Ten eerste: zet de reasoning-inspanning expliciet vast aan beide kanten en gebruik een instelling die beide modellen accepteren, anders besteed je de run aan het meten van een configuratieverschil. Ten tweede: log het aantal stappen, aangezien 36% minder stappen het mechanisme achter de kostenclaim is en het eerste dat je in je eigen data moet bevestigen of weerleggen.

Voor de proef zelf is failover de goedkope manier om een onbewezen model naast een bewezen model te draaien: stuur het sample naar het nieuwe model met automatische fallback naar het model dat je vertrouwt, zodat een weigering, een timeout of een piek in de rate limit je een herkansing kost in plaats van een mislukte taak. Dat is hier juist nuttig omdat GPT-6.2 Sol twee dagen oud is en de faalwijzen ervan op live sites precies zijn wat de benchmark beoogt te meten en nog niet heeft gepubliceerd. Let wel op de staat van de catalogus: OrcaRouter vermeldt 217 modellen, inclusief GPT-6.1 Sol, het model dat momenteel bovenaan het Browser Use-board staat, maar GPT-6.2 Sol staat er nog niet op — daarvoor zou je rechtstreeks via OpenAI's eigen API gaan. Het vorige model tegen pass-through-prijzen is een degelijke baseline om het nieuwe model tegen af te meten, en dat is de rol die het deze week zou moeten spelen.

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.

Wat zou dit verhaal veranderen?

Drie dingen, in volgorde van hoeveel ze het antwoord zouden verschuiven. Een GPT-6.2 Sol-rij die op browser-use.com/benchmarks/agents verschijnt met cijfers die overeenkomen met of dicht bij de tweet liggen — dat verandert een leveranciersaankondiging in een leveranciersresultaat en maakt het migratieargument veel sterker, hoewel het nog steeds niet onafhankelijk zou zijn. Een onafhankelijke meting door een derde partij van de tijd en kosten van browsertaken op dezelfde set taken — dat is wat de kwestie van 12 versus 22 minuten zou beslechten, en dat is het getal om in de gaten te houden. En een gepubliceerde uitsplitsing per taak, want "36% minder stappen" is ofwel een verbetering op harness-niveau die generaliseert naar je agent, of een eigenaardigheid van 180 specifieke websites, en alleen de gegevens per taak kunnen die twee onderscheiden.

Tot ten minste de eerste daarvan beschikbaar is, is de verdedigbare samenvatting deze: GPT-6.2 Sol kost hetzelfde per token als GPT-6.1 Sol, de kleine scorewinst en grote kostenwinst die Browser Use rapporteert, zijn intern consistent met een verlaging van het aantal tool-aanroepen met een derde, en de snelheidsclaim berust op een baseline die niet overeenkomt met de mediaan die de leverancier zelf publiceert. Dat is genoeg om een evaluatie van twee dagen op je eigen taken te rechtvaardigen. Het is niet genoeg om een herschrijving te rechtvaardigen.

Vergeleken in dit artikel1

Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt