
GPT-6.2 Sol Pro: De tariefkaart bleef ongewijzigd. De rekening daalde met 20%.
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 90 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 97 tok/s
- orcaNIEUWOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNIEUWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 88 tok/s
- OrcaNIEUWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 134 tok/s
- OrcaNIEUWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1 mln tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 43 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 · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 132 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligentie
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligentie
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 mln tokens · 131 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligentie
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligentie
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1 mln tokens · 185 tok/s
Veertigduizend uitvoertokens om één evaluatietaak af te ronden. Dat is wat GPT-6.2 Sol besteedde aan de suite van Artificial Analysis op de hoogste inspanningsinstelling, tegenover 67.824 voor GPT-6.1 Sol die hetzelfde werk deed — een daling van 40% in tokens en 20% in dollars per taak, op een prijslijst die geen cent veranderde. Het model kwam uit op 17 november 2026, samen met GPT-6.2 Astra, en de naam waar mensen naar zoeken, GPT-6.2 Sol Pro, is dat model met reasoning.mode ingesteld op pro in de Responses API. De pro-modus wordt gefactureerd tegen de standaard tarieven per token van het basismodel. Dus de hele economie van de upgrade zit in hoeveel tokens het model besluit te besteden — en dat is nu precies het enige getal dat de prijslijst van OpenAI je niet kan vertellen.
Dit is geen herhaling van het "Pro is a mode"-argument dat al twee keer eerder op deze blog is aangevoerd, voor de GPT-6- en GPT-6.1-tiers. Het mechanisme is hetzelfde en het is inmiddels goed gedocumenteerd. Wat nieuw is, is het bewijs: voor het eerst zijn er onafhankelijke metingen van een Sol-tier op de dag na de lancering, en die zeggen iets interessanters dan "goedkoper per token". Ze zeggen dat de verbetering precies is geconcentreerd in de workloads waarvoor OpenAI dit model verkoopt, en dat één dimensie slechter is geworden.
Wat is er precies op 17 november verzonden?
De changelog-vermelding is twee regels lang en noemt twee identifiers: gpt-6.2-astra en gpt-6.2-sol, beide op de Responses API en Chat Completions, waarbij tool calling Responses vereist. OpenAI's eigen samenvatting van de release — "betere professionele outputs, coding, computer use en efficiëntie tegen lagere kosten in ChatGPT Work, Codex en de API" — is framing van de leverancier, en het loont die op armlengte te houden tot de onafhankelijke cijfers binnen zijn, die er nu inmiddels zijn.
De vorm van het geheel, van de modelpagina van OpenAI voor gpt-6.2-sol:
• Context — 1.050.000 tokens in totaal, 922.000 maximale invoer, 128.000 maximale uitvoer.
• Modaliteiten — tekst en afbeelding als invoer, tekst als uitvoer. Audio en video worden vermeld als niet-ondersteund, en er is geen modaliteit voor bestandsinvoer in de specificatie.
• Kennisafsluitdatum — 1 juni 2026, één maand later dan de 30 april 2026 van de 6.1-tier.
• Redenering — altijd aan, vijf inspanningsinstellingen van laag tot max, en de API weigert reasoning.effort: none ronduit in plaats van stilzwijgend te verlagen.
• Prijs, korte context — $2,00 invoer, $0,10 gecachte invoer, $2,50 cache-schrijven, $10,00 uitvoer per miljoen tokens. Identiek aan GPT-6.1 Sol.
• Prijs, boven 272.000 inputtokens — de input- en cachetarieven verdubbelen en de output gaat naar 1,5× voor het hele verzoek: $4.00 / $0.20 / $5.00 / $15.00.
• Serviceniveaus — Batch tegen 50% van standaard, Fast tegen 2×, Ultrafast tegen 3× tot en met 28 februari 2027 en 6× vanaf 1 maart 2027.
• Nieuw in deze generatie — kortingsvensters voor achtergrondvoltooiing in de openbare bèta van de Responses API, 30% onder de standaardtarieven voor een venster van twee uur en 40% onder voor acht uur.
Die laatste regel is stilletjes het nuttigste op de release voor iedereen die agentwerk in batchvorm draait, en het is precies het soort detail dat het lanceringsbericht begraaft. Een uitstel van twee uur dat 30% minder kost, is een andere productbeslissing dan een prijsverlaging, omdat het verandert wanneer je het werk inplant in plaats van wat je ervoor betaalt.

Waar "Pro" vandaan komt, en waarom het geen model-ID is
De reasoning-gids van OpenAI zegt het ronduit: de GPT-5.6- en GPT-6-modellen "{{1}}ondersteunen standaard- en pro-redeneermodi in de Responses API. standard is de standaardinstelling.{{/1}}" Modus en effort zijn onafhankelijke assen — de gids is expliciet dat modus "{{2}}standard- of pro-uitvoering selecteert, terwijl reasoning.effort bepaalt hoeveel redenering het model binnen die modus toepast{{/2}}". Je kunt de pro-modus met lage effort gebruiken; je kunt de standard-modus met maximale effort gebruiken.
Wat pro-uitvoering doet, is meerdere rondes modelwerk samenvoegen tot één antwoord en die tokens factureren tegen "de standaard tokenprijzen van het geselecteerde model". Geen premievermenigvuldiger, geen aparte meter. Bestaande Pro-identificaties — GPT-5.5 Pro en zijn voorgangers — behouden hun oude gedrag en hun oude prijzen, waardoor "Pro" nu twee verschillende dingen betekent, afhankelijk van welke string je noemt.
Wanneer een catalogus dus gpt-6.2-sol-pro vermeldt, beschrijft die een configuratie en verzint hij een identifier om eraan te hangen. OpenAI's eigen documentatie geeft een 404 voor die string, en de enige identifier op de modelpagina is gpt-6.2-sol. Dat onderscheid is meer dan alleen muggenzifterij: een model-ID dat je kunt opzoeken heeft een gedocumenteerd contextvenster en een gepubliceerd tarief, en een configuratie heeft wat je applicatie op het moment van de aanroep doorgeeft.
De onafhankelijke lezing: 2,7 punt hoger, 20% goedkoper per taak
Artificial Analysis heeft het model al op zijn eigen harness gedraaid, en de cijfers zijn de eerste niet-leveranciersmetingen van deze categorie. Op Intelligence Index v5.0.1 scoort GPT-6.2 Sol op maximale inspanning 57,3 tegenover 54,6 voor GPT-6.1 Sol op maximale inspanning. De kosten per Index-taak dalen van $1,27 naar $1,01. Beide cijfers zijn gemeten over de identieke suite, en dat maakt ze vergelijkbaar: dezelfde taken, dezelfde harness, dezelfde scoring, alleen het model verandert.
Dat die twee getallen samen de juiste kant op bewegen, is de eigenlijke claim van deze release. Een generatie die bij een vaste tariefkaart per taak slimmer en goedkoper wordt, is een efficiëntiewinst, geen herpositionering. Een generatie die slimmer wordt terwijl ze meer kost, is een ruil. Deze behoort tot de eerste categorie, met een marge die groot genoeg is om op te vallen.
Waar de winst terechtkomt, is interessanter dan de samengestelde score. Ten opzichte van zijn eigen voorganger bij maximale inspanning:
• Terminal-Bench 4.0 — 60,1% vs 56,1%.
• Terminal-Bench Science — 67,6% vs 58,1%, een sprong van 9,5 punten en de grootste enkele verschuiving op het scorebord.
• HLE Diamond — 64,0% vs 58,8%.
• FrontierCode 2.0 — 44,4% vs 40,6%.
• AutomationBench — 71,3% tegenover 64,9%.
• AnalystAgent — 53,8% tegenover 50,0%.
Elk daarvan is een taak waarbij tools worden gebruikt, die uit meerdere stappen bestaat en waarin veel wordt geverifieerd. Dit is geen model dat beter is geworden in weetjes; het is een model dat beter is geworden in dingen afmaken, wat klopt met een tokenaantal dat daalt in plaats van stijgt. Minder verkeerde afslagen betekent minder tokens die nodig zijn om daarvan te herstellen.
Eén voorbehoud over wat deze cijfers zijn. Artificial Analysis meet inspanningsniveaus, geen redeneermodi, dus de "max"-rij is de standaardmodus bij maximale inspanning. Niemand heeft een pro-modusmeting van enig GPT-6-model gepubliceerd, omdat de modus een onbekende hoeveelheid modelwerk vermenigvuldigt. Beschouw de rij met maximale inspanning als het dichtstbijzijnde beschikbare plafond, niet als een pro-modusbenchmark.
Twee cijfers die de verkeerde kant op gingen
AA-Omniscience is het onderdeel van de suite dat test of een model weet wat het niet weet, en juist daar levert deze release iets in. GPT-6.2 Sol scoort bij maximale inspanning 40,4 op de Omniscience-index, tegenover 42,0 voorheen. De nauwkeurigheid blijft gelijk — 61,6% tegen 61,8%, wat ruis is — maar het hallucinatiepercentage stijgt van 51,9% naar 55,4%.
Lees dat zorgvuldig voordat je besluit dat het een schandaal is. Beide modellen hallucineren bij meer dan de helft van de vragen die ze fout beantwoorden, en een verschuiving van 3,5 punt op een suite van deze omvang is geen catastrofale regressie. Maar het is een richting, en die wijst de tegenovergestelde kant op van de capaciteitscijfers. De tier werd beter in werk verrichten en iets minder zorgvuldig in het beweren van dingen die deze niet kan onderbouwen.
Voor een codeeragent die tests uitvoert voordat hij de overwinning uitroept, is die ruil bijna gratis. Voor een onderzoeksassistent die antwoordt zonder verificatiestap, is het precies de faalmodus waarvoor je de vorige generatie betaalde om hem te vermijden. Als je workload in de tweede categorie valt, is de samengestelde index het verkeerde getal om op af te gaan, en de besparing van 20% is kleiner dan de kosten van één zelfverzekerd fout antwoord.
Wat de pro-modus met de meter doet, in tokens
Omdat de pro-modus tegen standaardtarieven factureert, is het enige middel dat hij inzet het aantal tokens, en met de onafhankelijke data kun je dat middel voor het eerst goed dimensioneren. Bij maximale inspanning verbruikt GPT-6.2 Sol gemiddeld 40.360 outputtokens per taak, waarvan 22.800 redeneertokens en 17.561 zichtbaar antwoord — redeneren vormt 56% van de output. GPT-6.1 Sol verbruikte bij dezelfde instelling gemiddeld 67.824 outputtokens, waarvan 49.213 redeneren. Het nieuwere model denkt minder dan half zo lang na en antwoordt in ongeveer dezelfde lengte.
Dat is het mechanisme achter de 20%, maar het is niet de hele rekensom en de andere helft is de moeite waard om te weten. Als we de kosten per taak opsplitsen: de output daalt van ongeveer $0,72 naar $0,40, terwijl de input stijgt van ongeveer $0,55 naar $0,61 — meer cache-leesbewerkingen en cache-schrijfacties per taak, niet minder. De twee heffen elkaar ongeveer op tot de netto besparing van 20%, wat betekent dat de upgrade een gok is dat minder nadenken meer waard is dan de extra context die het opnieuw leest. Op de testsuite was dat het geval.
Gebruik je de pro-modus bovenop een van beide, dan is de vermenigvuldigingsfactor onbekend — OpenAI documenteert dat {{1}}pro{{/1}} "meer modelwerk verricht dan de standaardmodus, waardoor het tokenverbruik en de kosten toenemen", maar publiceert geen factor. Wat je met zekerheid kunt zeggen, is dat de basis die hij vermenigvuldigt aan de uitvoerkant 40% kleiner is, zodat dezelfde {{2}}pro{{/2}}-vermenigvuldigingsfactor op een goedkopere ondergrens uitkomt.
Praktische consequentie: als je oproepen in pro-modus hebt gebudgetteerd op basis van tokenaantallen uit het 6.1-tijdperk, meet dan opnieuw in plaats van te herschalen. De tokenverdeling is zodanig verschoven dat een lineaire aanpassing je factuur te hoog zal inschatten.

Waar het vandaag aanroepbaar is, en waar niet
De API van OpenAI is live: Responses en Chat Completions, batch, prompt-caching, gestructureerde outputs, de gehoste toolset met onder meer computer use, apply_patch, hosted shell en MCP, en Zero Data Retention voor goedgekeurde organisaties op in aanmerking komende endpoints. Gebruikers van ChatGPT Work en Codex hadden het vanaf dag één, volgens de release-opmerking. Dat is het GA-overzicht per 18 november 2026.
In de eigen catalogus van OrcaRouter is de 6.2-generatie er nog niet — een controle van de openbare modellenlijst op 18 november levert openai/gpt-6.1-sol en openai/gpt-6-sol op, maar geen gpt-6.2-sol. Daaruit volgen twee dingen, en het tweede is het punt waar je bij je planning rekening mee moet houden. Ten eerste is er vandaag hier niets over de upgrade beschikbaar, en dit artikel zal niet doen alsof dat wel zo is. Ten tweede geeft OrcaRouter de lijstprijs van de provider door met 0% marge, dus wanneer er een tier verschijnt, is de $2/$10 van de leverancier zelf wat je betaalt — geen gateway-vermenigvuldiger bovenop de tariefkaart, en een prijswijziging van de leverancier gaat dezelfde dag in in plaats van volgens het schema van een reseller.

In de tussentijd is de tier die deze vervangt openai/gpt-6.1-sol, die tegen lijstprijs in de catalogus staat, en het migratiepad dat zinvol is, is om productie op de 6.1-tier te houden terwijl je 6.2 rechtstreeks evalueert, en dan de route te verplaatsen in plaats van de code.
Wat te kijken
Drie dingen bepalen of 17 november op een stap of een wankeling lijkt. De kalibratieregressie houdt ofwel stand bij de volgende AA-refresh, ofwel krimpt ze tot ruis. De Ultrafast-vermenigvuldiger verdubbelt op 1 maart 2027, van 3× naar 6× standaard; dat verdrievoudigt niets, maar verdubbelt wel de toeslag op het snelste pad — als je architectuur van Ultrafast afhangt, staat die datum in je budget. En de token-efficiëntie moet standhouden in pro mode, waar het ene cijfer dat niemand publiceert, je factuur bepaalt.
Tot dan is de eerlijke samenvatting smal en controleerbaar: dezelfde prijs, 2,7 indexpunten, 20% goedkoper per taak, en een meetbaar lossere greep op wat het niet weet.
Vergeleken in dit artikel1
Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt
