
GPT-6.2 Sol's herwerkingsrekening: goedkoop per token, duur per reparatie
- OrcaNIEUWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 mln tokens · 185 tok/s
- tencentNIEUWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 mln tokens · 826 tok/s
- AlibabaNIEUWQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 mln tokens · 407 tok/s
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 87 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 99 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 · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 mln tokens · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 108 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 · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 41 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 · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 111 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 · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligentie
Op de ochtend van 20 november plaatste de Chineestalige AI-commentator 宝玉 (@dotey) een oordeel over GPT-6.2 Sol dat iedereen die een week met het model heeft doorgebracht, zal herkennen. Eenvoudige taken gaan prima. Complexe coderingstaken zijn niet alleen ietsje slechter dan Claude Opus 5.5 — het werk dat Sol afmaakt, moet nog door Opus worden opgeruimd, dus je had de klus net zo goed vanaf het begin aan Opus kunnen geven. De post is een gebruiksrapport en niets meer: geen harness, geen takenlijst, geen diff, 124 likes op het moment van schrijven en een commentaarthread die erover discussieert. Hij is ook controleerbaar op een manier waarop de meeste impressies uit de lanceringsweek dat niet zijn, omdat het ding dat hij beschrijft een vorm heeft. Een model dat goed is in makkelijk werk en in elkaar zakt bij moeilijk werk, zou een specifiek patroon moeten laten zien in de evaluaties — sterk in uitvoering, zwak in begrip — en de gepubliceerde cijfers hebben dat patroon of niet.
Dat doen ze grotendeels. OpenAI bracht GPT-6.2 Sol op 17 november 2026 uit voor $2 per miljoen inputtokens en $10 per miljoen output. Op de onafhankelijke Coding Agent Index van Artificial Analysis scoort het lager dan het model dat het vervangt, en de component die het naar beneden trekt, is degene waarin het model een codebase moet lezen en er iets waars over moet zeggen. Dat is het mechanisme achter "er moet achteraf nog worden opgeruimd", in een getal uitgedrukt. Wat de tweet niet doet, en wat dit stuk wel probeert, is de opruimkosten berekenen — want als je de rekensom echt maakt, blijkt de herwerkthese veel sterker op kloktijd dan op geld, en de twee leiden tot verschillende beslissingen.
Wat de post daadwerkelijk beweert
"Vandaag heb ik GPT-6.2 Sol aan een stresstest onderworpen. Eenvoudige taken gaan prima. Bij iets complexere coderingstaken is het niet alleen ietsje slechter dan Opus 5.5 — het werk dat het afmaakt moet nog steeds door Opus 5.5 worden opgeruimd, dus je kunt het beter vanaf het begin door Opus 5.5 laten doen."
Daarin zitten drie afzonderlijke beweringen. Ten eerste een kwaliteitsbewering: Sol is wezenlijk slechter dan Opus 5.5 bij complexe programmeertaken. Ten tweede een workflowbewering: het verschil uit zich als herwerk in plaats van als een overduidelijke mislukking — je krijgt output, het ziet er af uit, en een sterker model moet het repareren. Ten derde een economische bewering: het herwerk wist elke besparing op de tokenprijs uit.
De eerste twee zijn toetsbaar aan de hand van gepubliceerde evaluaties. De derde is rekenwerk, en hangt af van een getal dat niemand heeft gepubliceerd — hoeveel een reparatieronde kost ten opzichte van de taak één keer uitvoeren met het dure model. Alles hieronder houdt die drie beweringen gescheiden, omdat ze niet allemaal even goed standhouden.
De zuivere vergelijking draait binnen één harness.
Eén waarschuwing voordat we cijfers noemen, want dit is de meest voorkomende manier waarop deze vergelijking oneerlijk wordt gemaakt. Artificial Analysis meet codeeragenten als een combinatie van model en harness: Codex voor de modellen van OpenAI, Claude Code voor die van Anthropic. De kosten per taak, het tokenverbruik en de wall time hangen net zo sterk af van de harness als van het model, dus een kale "Sol kost $1.22, Opus kost $12.61"-vergelijking meet twee verschillende machines.
What survives that objection is any comparison within a harness. Inside Codex, GPT-6.2 Sol can be set against GPT-6.1 Sol and GPT-6.2 Astra directly, on identical tasks, with the same tooling and the same grading — and that is where the regression lives. The cross-harness pair is still worth printing, clearly labelled, because it is the comparison a reader is actually making when they decide between an OpenAI subscription and an Anthropic one.
• Codex, GPT-6.2 Sol (max) — Coding Agent Index 48,6, $ 1,22 per taak, 4,25 mln. tokens
• Codex, GPT-6.1 Sol (max) — index 52,2, $1,51 per taak, 4,33M tokens
• Codex, GPT-6.2 Astra (max) — index 53,5, $5,12 per taak, 4,67M tokens
• Claude Code, Claude Opus 5.5 (max) — index 58.2, $ 12,61 per taak, 15,89 mln tokens
Lees de eerste twee regels samen. Het nieuwe model scoort 3,6 punten onder het model dat het vervangt, op dezelfde harness, bij een tokenverbruik binnen 2% daarvan. Ook de prijs is niet veranderd — Sol hanteert sinds 29 september $2 en $10, en GPT-6.2 Sol heeft de tariefkaart exact aangehouden. Dit is dus geen goedkoper model dat kwaliteit inruilt voor prijs. Het is dezelfde prijs, dezelfde harness, en minder capaciteit op hetgeen de index meet. De vergelijking van @dotey is met het model van een andere leverancier, maar de regressie die hij voelt is zichtbaar zonder OpenAI's eigen productlijn te verlaten.

Waar de kloof bij complexe taken reëel is
De Coding Agent Index is een samengestelde index van drie evaluaties die even zwaar wegen: FrontierCode-AA 2.0 (132 software-engineeringtaken, geschreven door Cognition en geïmplementeerd door Artificial Analysis), Terminal-Bench 4.1 (66 agentische terminaltaken, van het Laude Institute), en SWE-Atlas-QnA-AA (124 technische Q&A-taken over een codebase, van Scale AI, met een beoordeling aangepast door Artificial Analysis). Elke score is het gemiddelde van drie pogingen per taak.
Zet Sol per component af tegen zijn voorganger, en de vorm die @dotey beschrijft verschijnt onmiddellijk:
• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46,2% tegenover GPT-6.1 Sol 59,9%, een daling van 13,7 punten binnen één harness
• FrontierCode-AA 2.0 — 41,5% vs 42,5%, nagenoeg onveranderd
Terminal-Bench 4.1 — 58,1% versus 54,0%, een winst van 4,1 punt
Dus het model werd beter in doen en slechter in weten. Terminalwerk is uitvoeren-en-observeren: voer het commando uit, lees de uitvoer en pas aan. Q&A over de codebase is ophalen-en-rapporteren: vind de relevante code, begrijp waarom die is zoals hij is, en geef die nauwkeurig weer. Een model dat vooruitgaat op het eerste en 13,7 punten achteruitgaat op het tweede zal een smoke test doorstaan en wijzigingen opleveren die er goed uitzien maar de reden missen waarom de code zo is geschreven. Dat is precies de faalmodus die herwerk oplevert in plaats van een foutmelding, en dat is waarom de klacht binnenkomt als "het moet worden opgeruimd" in plaats van "het werkt niet".
De absolute kloof met Opus 5.5 op dezelfde evaluatie is nog groter — 46,2% tegenover 65,9% — maar die overspant verschillende harnesses, dus beschouw die als richtinggevend. De daling van 13,7 punten binnen Codex is niet richtinggevend. Het is dezelfde harness, dezelfde 124 taken, dezelfde beoordelaar, en het model beantwoordt vragen over een codebase simpelweg minder nauwkeurig dan het model dat het verving.

Waar Sol echt prima is
Het eerste zinsdeel van de tweet verdient dezelfde behandeling als het tweede. “Eenvoudige taken zijn prima” is geen concessie; op de samengestelde Intelligence Index, die elk model door één identieke suite laat gaan in plaats van door testharnassen van leveranciers, verslaat GPT-6.2 Sol bij maximale inspanning Claude Opus 5.5 bij maximale inspanning op meerdere onderdelen ronduit:
• Terminal-Bench-Science 0.1 — 67,6% vs. 59,0%, een overwinning van 8,6 punten voor Sol
• AutomationBench-AA — 71,3% tegen 69,5%
• Terminal-Bench 4.0 — 60,1% vs 59,6%
• GDP.pdf alles geslaagd — 30,0% vs 26,2%
En het verliest bij de gevallen die vereisen dat je een feit vasthoudt en het rapporteert:
• HLE-Diamond — 64,0% vs 67,9%
• AnalystAgent — 53,8% vs 56,3%
• AA-Omniscience — 40,4 bij 61,6% nauwkeurigheid versus 48,1 bij 65,5% nauwkeurigheid
• FrontierCode-AA 2.0 (Indexversie) — 44,4% vs 46,4%
De Omniscience-rij is de rij waar je even bij stil moet staan. Het is de evaluatie die meet of een model weet wat het niet weet: Sol antwoordt in 61,6% van de gevallen correct en het hallucinatiepercentage is 55,4%, tegenover 65,5% en 50,3% voor Opus 5.5. Een model dat bijna vier punten minder vaak correct antwoordt en vijf punten vaker iets verzint, is een model waarvan een mens de output moet controleren — dat is de rework-bewering, die uit een tweede richting komt.
Net, Sol scoort 57,3 tegen 59,1 op de samengestelde score, en doet dat in 9,6 minuten per taak in plaats van 25,7, voor $1,01 in plaats van $10,04, terwijl het 60,9 miljoen outputtokens over de suite produceert tegen 218 miljoen van Opus. Wat er ook verder waar is, het goedkope model is niet langzaam en het is niet breedsprakig.
De inspanningsmeter is al gewist.
Het voor de hand liggende bezwaar van iedereen die een OpenAI-redeneermodel heeft gebruikt, is dat dit de verkeerde instelling is. Zet de inspanning lager en het model houdt op met overdenken; zet hem hoger en het houdt op met shortcuts nemen. Artificial Analysis heeft al de volledige sweep uitgevoerd op de Coding Agent Index binnen Codex, en dat redt de situatie niet:
• laag — 37.2
• medium — 45,4
• hoog — 47,5
• xhigh — 49,8
• max — 48,6
De piek ligt op xhigh, niet op max: naar maximale inspanning pushen kost zelfs 1,2 punt, wat het soort niet-monotone resultaat is dat opduikt wanneer een model aan zichzelf begint te twijfelen. Maar zelfs de beste instelling, 49,8, ligt 2,4 punt onder waar GPT-6.1 Sol op max scoorde en 8,4 onder Claude Opus 5.5. Er is geen knopstand waarbij GPT-6.2 Sol de sterkere codeeragent wordt; er is alleen een keuze over hoeveel je wilt betalen voor 49,8.
De kosten van die keuze zijn de moeite waard om te weten, want ze zijn relatief gezien fors, ook al zijn ze in absolute termen goedkoop. Op de Intelligence Index kost Sol $0,18 per taak bij lage inspanning, $0,41 bij medium, $0,56 bij hoog, $0,65 bij xhigh en $1,01 bij max. Van medium naar xhigh gaan verdubbelt de kwaliteit per taak ruwweg — 52,7 naar 55,7 op die index — en kost 58% meer. De standaardinstelling is medium, de instelling die de coderingsscore van 45,4 oplevert. Als je Sol tegen Opus evalueert, doe dat dan op xhigh of max, anders vergelijk je de verkeerde configuratie.
Eén getal dat herwerk voorspelt
Er is een tweede datareeks in dezelfde run die direct betrekking heeft op de ervaring dat "het moet worden opgeruimd", en dat is geen kwaliteitsscore. Artificial Analysis registreert veiligheidsweigeringen per evaluatie en maakt onderscheid tussen weigeringen waarvan de harness zich herstelde en weigeringen die de poging beëindigden. Op SWE-Atlas-QnA-AA, over 372 pogingen:
• GPT-6.2 Sol (max) — 25 weigeringen, elke een harde stop, 6,7% van de pogingen
• GPT-6.2 Sol (xhigh) — 22 weigeringen, 5,9%
• GPT-6.2 Sol (medium) — 13 weigeringen, 3,5%
• GPT-6.1 Sol (max) — 15 weigeringen, 4,0%
• GPT-6.2 Astra (max) — 8 weigeringen, 2,2%
• Claude Opus 5.5 — 52 weigeringen, geen ervan harde stops, 14,0%
De Opus-lijn is de interessante en die gaat in tegen een gemakzuchtige lezing. Opus 5.5 weigert vaker dan welk model dan ook in deze tabel — en de harness wist alle 52 te herstellen, dus geen ervan kostte de run. Sol weigert minder vaak en de harness kon geen enkele van zijn 25 herstellen. Een weigering die de beurt van een agent beëindigt, is een taak die een mens nu moet oppakken; een weigering die wordt hersteld, is een nieuwe poging. Bij de evaluatie die het meest lijkt op 'vragen beantwoorden over deze repository', faalt het model waar de tweet over klaagt in de modus die onafgerond werk oplevert in plaats van fout werk.
Als je dit naast de daling van 13,7 punt op begrip leest, is dit een samenhangend verhaal in plaats van twee losstaande cijfers: Sol is minder betrouwbaar in het ophalen-en-rapporteren-deel van programmeren, en wanneer het achteruitgaat, gaat het achteruit op een manier die de taak openlaat.
Prijsstelling van de opschoonronde
Nu de derde bewering, de economische, want daar wint intuïtie het vaakst van rekenwerk. Gebruik de kosten per taak volgens de Intelligence Index, omdat die suite voor elk model dat erop staat dezelfde meetopstelling is en de cijfers dus rechtstreeks vergelijkbaar zijn: GPT-6.2 Sol $1,01, Claude Opus 5.5 $10,04.

Neem een taak die Sol voltooit en die Opus vervolgens repareert. Laat p het aandeel taken zijn dat reparatie nodig heeft en r de kosten van een reparatie zijn als fractie van een volledige Opus-pass. Sol-dan-reparatie kost $1.01 + p × r × $10.04. Alleen Opus kost $10.04. Sol-dan-reparatie is goedkoper wanneer p × r lager is dan 0.899.
Dat is een hoge lat om te halen. Als een reparatie de helft van een volledige pass kost, kun je elke afzonderlijke taak repareren en nog steeds 78% goedkoper zijn dan direct naar Opus te gaan. Pas wanneer reparaties bij bijna elke taak de kosten van een volledige heruitvoering benaderen, slaat de rekening om: bij p = 1 en r = 1 betaal je $11,05 voor wat Opus voor $10,04 zou hebben gedaan. Bij duizend taken is dat $11.050 tegen $10.040 — een straf van 10%, niet de afstraffing die de tweet suggereert.
Dus op basis van alleen geld ontkracht de klacht over herwerk het prijsargument niet, tenzij het herwerk bijna volledig is. Maar geld is niet de beperking waar de meeste teams op stuiten. Tijd is dat:
• Tijd per Intelligence Index-taak — GPT-6.2 Sol 9,6 min vs Claude Opus 5.5 25,7 min
• Tijd wanneer een taak een volledige Opus-heruitvoering nodig heeft — 9,6 + 25,7 = 35,3 min tegenover 25,7 min
• Tokenuitgaven voor dezelfde suite — 60,9M vs. 218M outputtokens
Hier geldt de herwerkthese zonder enig voorbehoud. Elke taak die Sol aanpakt en vervolgens weer teruggeeft, is een taak die 37% langer duurde dan wanneer je meteen naar Opus was gegaan, en die tijd kun je niet terugkopen met een goedkoper token. Als je beperking een deadline is in plaats van een budget — wat feitelijk de situatie is waarin bijna elke developer verkeert wanneer hij deze klacht plaatst — dan heeft @dotey gelijk, en gaat het argument over doorvoer, niet over prijs.
Wat zou het vonnis veranderen?
Twee dingen, en geen van beide is er al. Het eerste is een gepubliceerd reworkpercentage: welk deel van Sols diffs voor complexe taken een sterker model daadwerkelijk moet aanpassen, gemeten op een vaste set taken. Niemand publiceert dit, omdat het vereist dat je twee modellen op dezelfde tickets draait en de resultaten diff, en het is het enige getal dat het debat zou beslechten. Het tweede is een GPT-6.2 Sol-cijfer op een codeerronde met een Anthropic-harness, of Opus 5.5 op Codex, wat de bovenstaande vergelijking tussen harnesses een echte rechtstreekse confrontatie zou maken.
Daartegenover staat: let op wat al vaststaat. De regressie is echt en zit binnen één harness. De effort-sweep lost het niet op. De begripsevaluatie — degene die rework voorspelt — bewoog 13,7 punten de verkeerde kant op. Een lezer die een reden wil om complex programmeerwerk op Opus 5.5 te houden, heeft er een die niet afhangt van iemands indruk van een lanceerweek.
De test uitvoeren op je eigen taken
Het herwerkpercentage kun je in een middag meten op je eigen backlog, en het is de enige versie van dit getal die voor jou telt. Neem twintig taken die je team vorige maand daadwerkelijk heeft opgeleverd, laat ze elk door beide modellen lopen met dezelfde effort-instelling, en vergelijk de resulterende patches met wat een mens uiteindelijk heeft gemerged. Het deel dat substantieel herwerk nodig had, is je p; de tokenkosten van de reparatieronde zijn je r.
OrcaRouter maakt daar een routeringsbeslissing van in plaats van een inkoopbeslissing: anthropic/claude-opus-5.5 en openai/gpt-6.1-sol zitten allebei achter één sleutel, tegen de eigen lijstprijs van de leverancier, met 0% markup doorberekend, dus de cijfers hierboven zijn de cijfers die je gefactureerd krijgt. Dat is hier meer dan anders van belang, want het model waartegen de tweet zich verdedigt — GPT-6.2 Sol — staat nog niet in onze catalogus; we leveren het niet, en geen enkele vorm van routering verandert dat. Wat we wél leveren is het model dat Sol heeft vervangen, en dat is de juiste controle voor een experiment: draai 6.2 Sol waar je het ook kunt bereiken, draai GPT-6.1 Sol op dezelfde taken via ons, en de daling van 13,7 punten in begrip wordt iets wat je op je eigen code kunt bevestigen of weerleggen in plaats van op een synthetische suite.
Voor de deploymentvorm die de data suggereert, is de routing-DSL het eerlijke antwoord: stuur stappen voor planning en begrip van de codebase naar Opus 5.5, stuur uitvoerings- en terminal-lussen naar het goedkopere model, en laat automatische failover het geval afdekken waarin een provider midden in een run blijft hangen. Dat is een configuratie, geen architectuur — en het is hoe "gebruik Opus om op te ruimen na Sol" eruitziet wanneer je het als een pipeline opschrijft in plaats van als een klacht.
Het enige dat de moeite waard is om uit de tweet te halen, ongeacht welk model je kiest: de rekening voor een coderingstaak is niet het aantal tokens. Het zijn de tokens plus de menselijke minuten plus de verstreken kloktijd tussen 'klaar' en 'echt klaar'. Sol wint de eerste regel van dat grootboek overtuigend, Opus 5.5 wint de tweede en derde telkens wanneer een taak terugkomt, en geen enkele leverancier publiceert het tempo waarmee taken terugkomen. Totdat iemand dat doet, is het enige betrouwbare getal het getal dat je op je eigen diffs meet.
Vergeleken in dit artikel1
Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt
