GPT-6.1 Sol kontra Laguna S 2.1: Pięćdziesięciokrotnie wyższa cena za pracę, której nikt nie zmierzył obok siebie

Pięćdziesiąt razy. Taki jest stosunek między tym, ile GPT-6.1 Sol pobiera za milion tokenów wyjściowych, a tym, ile Laguna S 2.1 pobiera — 10,00 USD wobec 0,20 USD — i jest to największa różnica cen w całej tej serii porównań. GPT-6.1 Sol to wydany 29 września 2026 r. przez Open​AI generalista o kontekście 1 050 000 tokenów, z opublikowanym niezależnym wynikiem. Laguna S 2.1 to wydany 21 lipca 2026 r. przez Poolside otwarty model typu mixture-of-experts o 118 miliardach parametrów — agentowy koder z około 8 miliardami parametrów aktywnych na token, wagami na licencji zbliżonej do Apache na Hugging Face oraz zestawem benchmarków, który Poolside przygotował samodzielnie. Różnica cen jest realna i ogromna. Czy jest to różnica warta pokonania, zależy od pytania, na które żaden z dostawców nie odpowiedział: czy ktoś zmierzył oba modele na tym samym zadaniu?

Dane liczbowe raportowane przez dostawców są w całym tekście oznaczane jako takie. Liczby pochodzące z Artificial Analysis to niezależne pomiary zamieszczane w naszych rekordach modeli. Nasze własne liczby dotyczące serwowania są oznaczane jako nasze. Jeśli komórka jest pusta, pozostaje pusta.

Czym jest każda strona

Laguna S 2.1 od Poolside to model specjalistyczny i już jej konstrukcja to potwierdza. To model typu mixture-of-experts o 118 miliardach parametrów, z około 8 miliardami parametrów aktywnych dla dowolnego tokenu, przełącznikiem trybu myślenia / braku myślenia oraz oknem kontekstu sięgającym 1 000 000 tokenów. Mniejszy brat, Laguna XS 2.1, ma 33 miliardy parametrów, z czego około 3 miliardy są aktywne, a jego cena wynosi 0,06 USD za milion tokenów wejściowych i 0,12 USD za milion tokenów wyjściowych. Wagi wariantu S są opublikowane na Hugging Face pod poolside/Laguna-S-2.1.

Liczba 8 miliardów aktywnych parametrów to wartość, która jednocześnie wyjaśnia cenę i ogranicza produkt. Koszt wnioskowania zależy od parametrów aktywnych, a nie całkowitych; MoE o 118B, który zużywa 8B na token, jest tani w obsłudze w sposób, w jaki gęsty model o tej samej całkowitej wielkości nie byłby. Ale budżet 8B aktywnych parametrów to także twardy pułap tego, co może zrobić pojedynczy przebieg w przód, i ten pułap jest powodem, dla którego ogólny indeks niezależnego ewaluatora jest dla niego użyteczniejszą miarą niż wynik specyficzny dla kodowania.

GPT-6.1 Sol to obiekt przeciwnego rodzaju. Jeden identyfikator migawki, gpt-6.1-sol, bez wariantu z datą, okno kontekstu 1 050 000 tokenów, maksymalnie 128 000 tokenów wyjściowych, dane wejściowe tekstowe, obrazowe i plikowe, rozumowanie zawsze włączone na pięciu poziomach wysiłku z domyślnym poziomem średnim oraz data odcięcia wiedzy 30 kwietnia 2026 r. Nie akceptuje temperatury ani top_p; pokrętło wysiłku je zastępuje. Jest zamknięty, rozliczany za token i nie można go dostrajać.

Wymiary, w których faktycznie się różnią:

• Cena danych wejściowych — 0,10 USD za milion w przypadku Laguna S 2.1 wobec 2,00 USD dla GPT-6.1 Sol. Dwadzieścia razy.

• Cena wyjściowa — 0,20 USD wobec 10,00 USD. Pięćdziesiąt razy.

• Kontrola rozumowania — binarny przełącznik myślenie / brak myślenia w Laguna S 2.1 w porównaniu z pięcioma stopniowanymi poziomami wysiłku w GPT-6.1 Sol.

• Wagi — do pobrania i samodzielnego hostowania w przypadku Laguna S 2.1; zamknięte dla GPT-6.1 Sol.

• Okno kontekstu — do 1,000,000 tokenów dla Laguna S 2.1 w porównaniu z 1,050,000 dla GPT-6.1 Sol. W praktyce na tym samym poziomie.

Wiersze benchmarku, z dołączonymi obydwoma zestawami etykiet

Opublikowane przez Poolside wyniki dla Laguna S 2.1, wszystkie zgłoszone przez producenta i, jak udało nam się ustalić, żadne nieodtworzone przez stronę trzecią:

• SWE-Bench Multilingual — 78,5%.

• Terminal-Bench 2.1 — 70,2%.

• DeepSWE v1.1 — 40,4%, wobec 9,0% dla DeepSeek-V4-Pro-Max, co Poolside przedstawia jako mniej więcej jedną szóstą aktywnych parametrów dających ponad czterokrotnie wyższy wynik.

Niezależny rekord GPT-6.1 Sol, wszystko z Artificial Analysis:

• AA Intelligence Index — 51,8, 10. miejsce na 147, 93,2. percentyl.

• Humanity's Last Exam — 52,9%.

• Przywoływanie w długim kontekście — 83%.

• SciCode — 54,2%.

• Terminal-Bench 4.0 — 56,06%.

Jest jedno miejsce, w którym te dwie listy zdają się spotykać, i jest to pułapka. Laguna S 2.1 odnotowuje 70,2% w Terminal-Bench 2.1. GPT-6.1 Sol w naszych rejestrach w ogóle nie ma wyniku w Terminal-Bench 2.1 — jego wynik dla terminala dotyczy wersji 4.0, późniejszej i trudniejszej wersji tego środowiska testowego. Zestawienie 70,2% obok 56,06% i nazwanie tego dwunastopunktowym zwycięstwem Laguny oznaczałoby porównywanie dwóch różnych testów, a to dokładnie ten błąd, którego ten blog ma unikać. Te dwa modele nie mają wspólnego wiersza benchmarku, co oznacza, że wydajnościowa część tego porównania jest obecnie niezmierzona.

Warto wymienić jeszcze dwie luki. Laguna S 2.1 nie ma wyniku w Artificial Analysis Intelligence Index ani niezależnego wyniku SWE-bench Verified. Jak na model opublikowany w lipcu, to długi czas bez zewnętrznego pomiaru, a to największe pojedyncze pominięcie we wszystkim, co Poolside o nim opublikowało.

Co tak naprawdę daje przełącznik myślenia

Własne liczby Poolside pozwalają przypisać temu przełącznikowi konkretną wartość, a to najciekawsza rzecz w tym wydaniu. Włączenie myślenia podnosi DeepSWE v1.1 z 16,5% do 40,4% — około 2,4-krotnie — oraz Terminal-Bench 2.1 z 60,4% do 70,2%. Obie wartości pochodzą od dostawcy i nie zostały odtworzone.

W zestawieniu z tym tak naprawdę liczy się koszt przypadający na ukończone zadanie przy włączonym trybie myślenia, a nie surowa cena za token. Model, który zużywa więcej tokenów, ale kończy zadanie w mniejszej liczbie prób, może być w praktyce tańszy. Wzrost o 2,4× w trudnym benchmarku agentowym jest dokładnie powodem, dla którego nie można porównywać 0,20 USD i 10,00 USD za milion tokenów wyjściowych w izolacji. To koszt przypadający na ukończone zadanie przy włączonym trybie myślenia w zestawieniu z kosztem przypadającym na ukończone zadanie wycenianym według nakładu pracy.

To porównanie wciąż ogromnie przemawia na korzyść Laguna S 2.1 i warto to policzyć, zamiast tylko twierdzić. Weźmy obciążenie generujące miliard tokenów wyjściowych miesięcznie przy trzech miliardach tokenów wejściowych:

• GPT-6.1 Sol — 3 miliardy na wejściu po 2,00 USD za milion to 6000 USD; 1 miliard na wyjściu po 10,00 USD za milion to 10 000 USD. Szesnaście tysięcy dolarów miesięcznie.

• Laguna S 2.1, myślenie wyłączone — 300 USD za dane wejściowe i 200 USD za dane wyjściowe. Pięćset dolarów miesięcznie.

• Laguna S 2.1, myślenie włączone przy około 2,4× wyjścia — 300 USD wejścia i około 480 USD wyjścia. Mniej niż osiemset dolarów miesięcznie.

Nawet z karą za myślenie to różnica około 15 000 dolarów miesięcznie przy tym wolumenie. Jeśli Twoje obciążenie jest czymś, czemu jedna Laguna S 2.1 faktycznie podoła, to kwestia ceny nie podlega dyskusji i żadna wiarygodna ilość narzutu związanego z ponowieniami tego nie zniweluje. To przenosi całą decyzję na możliwości — a możliwości to ta połowa tego porównania, której nie da się wspólnie zmierzyć.

Gdzie pięćdziesięciokrotna różnica przestaje być sednem

Trzy rzeczy ściągają ten współczynnik z powrotem w stronę rzeczywistości, a każdą z nich warto przedstawić wprost, ponieważ liczba powyżej jest kusząca w sposób, który kosztował zespoły prawdziwe pieniądze.

Po pierwsze, coder z 8 miliardami aktywnych parametrów i generalista klasy frontier nie są substytutami. Laguna S 2.1 jest stworzona do agentowej inżynierii oprogramowania — edycji repozytoriów, zadań terminalowych, wielojęzycznego kodu — i Poolside tak ją reklamuje. Nie jest pozycjonowana do pracy zawodowej opartej na dokumentach, korzystania z komputera ani zadań przywoływania długiego kontekstu, w których GPT-6.1 Sol osiąga 83% w niezależnym wyniku Long-Context Recall i okno 1 050 000 tokenów. W tych zadaniach uczciwe porównanie nie brzmi „wygrywa tańszy model”, lecz „tańszego modelu nie zbudowano do tego”. 15 000 dolarów miesięcznie z przykładu obliczeniowego to oszczędność tylko wtedy, gdy wyniki tańszego modelu są użyteczne, a dla pewnej klasy obciążeń nikt nie wykazał, że są.

Druga kwestia to przepustowość i zakres operacyjny. GPT-6.1 Sol raportuje opóźnienie p50 na poziomie 2 442 milisekund i 95,57 tokenów wyjściowych na sekundę w ciągu siedmiu dni ruchu z naszego własnego playgroundu, przy wskaźniku błędów 6,36%. Nie mamy porównywalnego panelu serwowania dla Laguna S 2.1 — nie jest kierowany przez OrcaRouter — więc nie ma liczby, którą można by umieścić obok, a opóźnienie ścieżki self-hosted zależy od tego, jaki sprzęt kupisz. Na ośmiu H100 nie dorównasz przepustowości hostowanego endpointu frontier przy tej samej współbieżności; wymienisz opóźnienie na koszt jednostkowy, a to, jak wypadnie ten kompromis, zależy od tego, czy Twoje obciążenie jest wrażliwe na opóźnienia.

Po trzecie, ścieżka self-hostingu jest tania tylko przy dużej skali. Te same stawki 0,10 i 0,20 USD, które sprawiają, że powyższa arytmetyka wygląda jak pogrom, są również tym, co zaoferowałby dostawca inferencji pobierający opłaty zbliżone do kosztów — co jest argumentem za wynajmowaniem otwartego modelu, a nie kupowaniem pod niego sprzętu, przy dowolnym wolumenie niższym od tego, który uzasadnia użycie GPU.

Jak faktycznie podjąć decyzję

To rzadkie zestawienie, w którym właściwym następnym krokiem nie jest zmiana routingu, ponieważ do obu modeli dociera się w całkowicie odmienny sposób.

GPT-6.1 Sol jest dostępny w OrcaRouter jako openai/gpt-6.1-sol w cenie katalogowej Open​AI z 0% marży — 2,00 USD za wejście, 10,00 USD za wyjście, wejście z pamięci podręcznej po 0,10 USD, a próg powyżej 272 000 tokenów stosowany dokładnie tak, jak ustala go Open​AI. Ponieważ warstwa routingu przekazuje cenę dostawcy, zamiast doliczać do niej marżę, zmiana ceny po stronie Open​AI obowiązuje tutaj tego samego dnia, w którym wchodzi w życie. Tam, gdzie trasa jest aktywna, pod nią działa automatyczne przełączanie awaryjne — to tani sposób, by przekonać się, czy tańszy model utrzyma ścieżkę produkcyjną, ponieważ droższy model pozostaje o jedną regułę routingu stąd.

Laguna S 2.1 nie jest dostępny w OrcaRouter i nie hostujemy go. Można się do niego dostać przez własne API Poolside, a ponieważ wagi są opublikowane, także serwując go samodzielnie — co w przypadku tego modelu jest ciekawszą opcją, bo 118B MoE z 8B aktywnymi parametrami jest naprawdę wystarczająco mały, by działać na sprzęcie, na który stać średniej wielkości zespół. Właściwym pierwszym krokiem w tym zestawieniu nie jest więc wcale porównanie cen: weź dwadzieścia swoich rzeczywistych zadań programistycznych, przeprowadź je przez istniejącą ścieżkę GPT-6.1 Sol, a następnie przepuść te same dwadzieścia przez Laguna S 2.1 z włączonym i wyłączonym trybem myślenia. Masz teraz wspólny wiersz benchmarku, którego nie opublikował żaden z dostawców, na jedynym zestawie zadań, który się liczy, a pięćdziesięciokrotna różnica cen staje się liczbą, którą albo przyjmujesz, albo odrzucasz na podstawie dowodów.

Werdykt, na jaki zasługuje ta para, na podstawie dowodów, które obecnie istnieją: Laguna S 2.1 to obecnie najciekawsza propozycja pod względem stosunku kosztów do możliwości w kodowaniu agentowym, z danymi producenta, które uczyniłyby ją domyślnym wyborem, gdyby zostały niezależnie potwierdzone, i bez niezależnego potwierdzenia któregokolwiek z nich. GPT-6.1 Sol kosztuje pięćdziesiąt razy więcej na wyjściu i jest jedynym z tej dwójki, którego możliwości ktokolwiek spoza firmy zmierzył na wspólnym instrumencie. Kup wagi taniego modelu i przetestuj je, ponieważ w przeciwieństwie do większości otwartych wydań ten model jest wystarczająco mały, by go należycie przetestować — i potraktuj liczbę pięćdziesięciu razy jako powód do przeprowadzenia tego testu, a nie jako jego odpowiedź.