Wygenerowana karta tytułowa z napisem 82% to tweet, a nie wpis w rankingu, z podtytułem GPT-6.2 Sol, dwa dni po premierze, oraz trzema plakietkami podającymi post Browser Use z 18 listopada na 82%, publiczną tablicę z 29 października na poziomie GPT-6.1 Sol 81,3 i wspólną kartę stawek 2 USD za wejście i 10 USD za wyjście.
Guides & Insights

Wynik 82% GPT-6.2 Sol w Browser-Use to tweet, a nie pozycja w rankingu.

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

18 listopada Browser Use podało, że GPT-6.2 Sol jest najlepszym modelem w swoim benchmarku agentów przeglądarkowych: 82%, w porównaniu z 81% dla GPT-6.1 Sol, o 35% tańszy na zadanie, dwa razy szybszy i o 36% mniej kroków. Greg Brockman nagłośnił to tego samego dnia słowami: „GPT-6.2 jest niesamowity w korzystaniu z przeglądarki”. Dwa dni wcześniej OpenAI udostępniło GPT-6.2 Sol po 2 USD za milion tokenów wejściowych i 10 USD za milion tokenów wyjściowych. To trafne twierdzenie i prawdopodobnie zasadniczo słuszne. Na dziś jest to także jedyne miejsce, w którym występują te cztery liczby. Publiczny leaderboard samego Browser Use nadal wymienia GPT-6.1 Sol z wynikiem 81,3 i nie ma w ogóle wiersza GPT-6.2 Sol — jego strona wyników ma znacznik ostatniej modyfikacji z 29 października 2026 r., a URL, który prowadziłby do strony modelu GPT-6.2 Sol, zwraca 404. Uczciwa wersja tej historii jest więc węższa i bardziej użyteczna niż tweet: dostawca benchmarku mówi ci, że model, który obecnie klasyfikuje jako pierwszy, jest lepszy, tańszy i szybszy niż model, który klasyfikował jako pierwszy trzy tygodnie temu, a ranking, który normalnie sprawdziłbyś, aby to potwierdzić, jeszcze za tym nie nadążył.

Co Browser Use faktycznie opublikował, w całości

Cytowany wpis pochodził z własnego konta Browser Use 18 listopada o 00:09 UTC. Brzmi on: „GPT-6.2 Sol to najlepszy model do pracy w przeglądarce 👀 — 82%, w porównaniu z 81% dla GPT-6.1 Sol; 35% taniej; 2x szybciej: 12 min zamiast 22 min; 36% mniej kroków”. To cztery odrębne twierdzenia o bardzo różnej sile i należy je rozdzielić, zanim którekolwiek z nich zostanie użyte do uzasadnienia migracji.

• Wynik — 82 wobec 81. Jeden punkt w średniej ważonej punktacji rubryki w skali 0–100 w benchmarku, którego opublikowana metodologia opisuje 180 zadań uruchamianych na rzeczywistych stronach internetowych. Jeden punkt mieści się w paśmie szumu benchmarku, który jest ponownie uruchamiany na zmieniających się witrynach podmiotów trzecich.

• Koszt na zadanie — o 35% taniej. To najsilniejsze twierdzenie w zestawie, ponieważ jest to twierdzenie, które operator agenta może tanio odtworzyć, i ponieważ jest arytmetycznie ograniczone: ceny tokenów się nie zmieniły, więc oszczędność musi pochodzić skądinąd.

• Czas rzeczywisty — 12 minut zamiast 22. To twierdzenie, które najbardziej bezpośrednio przeczy danym publikowanym przez samego dostawcę, i zostało omówione poniżej.

• Kroki — o 36% mniej. W agencie przeglądarkowym kroki to wywołania narzędzi, a wywołania narzędzi to miejsce, w którym pętla agenta pochłania zarówno pieniądze, jak i czas. Spadek liczby kroków o 36% prawdopodobnie wyjaśnia jednocześnie większość pozostałych trzech liczb.

Browser Use Bench v2.1 nie jest ćwiczeniem marketingowym. Jego karta metodologii wyraźnie stwierdza, że wynik to średni ważony wynik rubryki na zadanie w skali 0–100, że kolumna kosztów to szacowany koszt modelu na zadanie w USD i nie uwzględnia kosztów wyszukiwania, sędziego, przeglądarki i runnera oraz że uruchomienia odbywają się na 180 działających stronach internetowych, a nie na zamrożonym zestawie testowym. To realny reżim pomiarowy. Jest to także reżim, w którym przesunięcie wyniku o jeden punkt i ponowne uruchomienie na działającej stronie nie są tym samym rodzajem dowodu, dlatego tablica wyników historycznie była bardziej zachowawcza niż jej własne posty w mediach społecznościowych.

Cztery liczby nie znajdują się na tablicy

Sprawdziliśmy ranking na browser-use.com/benchmarks/agents 19 listopada 2026 r. Osadzone na tej stronie metadane strukturalnego zestawu danych nadal zawierają zapis „Browser Use Bench v2.1 model results” z polem dateModified równym 2026-10-29. Wyszukanie w źródle strony ciągu „GPT-6.2” zwraca zero trafień. Strona danego modelu pod browser-use.com/benchmarks/models/gpt-6-2-sol nie istnieje — zwraca zaślepkę 404. A własne FAQ strony nadal opisuje obecną kolejność jako „GPT-6.1 Sol high: 81,3 z 100 przy $1.92 za zadanie, na 180 zadaniach na żywych stronach internetowych. Następny jest GPT-6 Sol high z 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.

To nie jest oskarżenie o złą wiarę. Benchmarki są publikowane cyklicznie, a ogłoszenia nie; konto, które opublikowało wpis 18 listopada, prowadzi harness, więc ma liczby przed serwisem. Ale określa to status epistemiczny tego tekstu i każdej decyzji zakupowej podjętej na jego podstawie w tym tygodniu: liczby 82%, 35%, 2x i 36% są raportowane przez dostawcę i nieopublikowane w tym konkretnym sensie, że własna opublikowana tabela dostawcy jeszcze ich nie zawiera. Zespół, który dziś przenosi produkcyjnego agenta przeglądarkowego na GPT-6.2 Sol, działa na podstawie ogłoszenia o benchmarku, a nie wyniku benchmarku.

Dobra wiadomość jest taka, że to ogłoszenie łatwo można podważyć. Jeśli liczby się utrzymają, w ciągu kilku dni powinna pojawić się zaktualizowana tablica z wierszem GPT-6.2 Sol, a cztery wartości powinny przetrwać zetknięcie z JSON-em. Jeśli wiersz pojawi się z innymi liczbami, będziesz wiedzieć, zanim cokolwiek odbudujesz.

Linia bazowa na tweecie nie zgadza się z linią bazową na tablicy

Oto szczegół, który warto podkreślić, bo to właśnie tego rodzaju rzecz ginie, gdy twierdzenie krąży jako zrzut ekranu. Tweet podaje poprzedni wynik GPT-6.1 Sol jako „81%” i „22 min”. Opublikowana tabela rankingowa Browser Use podaje GPT-6.1 Sol przy wysokim wysiłku rozumowania jako 81,3 na 100 przy koszcie 1,92 USD za zadanie, z medianą 14,3 minuty. Wynik jest wystarczająco bliski — 81 i 81,3 to ta sama liczba zaokrąglona inaczej. Czas już nie. Czternaście minut i dwadzieścia dwie minuty to nie ten sam pomiar.

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.

Istnieją niewinne wyjaśnienia. Kolumna czasu w tabeli wyników to mediana z 180 aktywnych zadań, a mediany są wrażliwe na to, które zadania zostaną odrzucone z powodu awarii witryny; 22 minuty mogłyby być średnią, mogłyby obejmować wyłącznie zadania o wysokim nakładzie pracy, mogłyby dotyczyć innego wycinka zadań albo mogłyby być czasem wykonania przed wdrożeniem poprawki w harnessie między 29 października a 18 listopada. Jest też mniej niewinne wyjaśnienie: podana w tweecie wartość czasu to porównanie wybrane tak, by nowy model wyglądał na szybszy, a uczciwym mianownikiem dla twierdzenia o dwukrotnie większej szybkości jest wartość, jaką ten sam harness uzyskał dla starego modelu tego samego dnia.

Nie możesz tego rozstrzygnąć z zewnątrz. Możesz natomiast odmówić przyjęcia tego współczynnika. „2x szybciej” oznacza tutaj „zestaw testowy dostawcy z 18 listopada zmierzył 12 minut tam, gdzie dla poprzedniego modelu zmierzył 22 minuty”, a nie „GPT-6.2 Sol jest dwa razy szybszy niż model, który według publicznego rankingu działa w 14,3 minuty”. Jeśli szybkość jest powodem, dla którego rozważasz zmianę, liczbą, według której należy planować, jest opublikowana wartość 14,3 minuty, dopóki nie zastąpi jej nowy ranking, ponieważ tylko ona ma za sobą stronę z metodologią.

Dlaczego twierdzenie o 35% taniej ma pod spodem arytmetykę

Cennik sprawia, że twierdzenie o kosztach można zweryfikować w sposób, w jaki w przypadku pozostałych nie jest to możliwe. GPT-6.2 Sol i GPT-6.1 Sol mają tę samą kartę stawek, zgodnie z własnymi stronami modeli O​penAI:

• Wejście — 2,00 USD za milion tokenów w obu przypadkach.

• Buforowane dane wejściowe — 0,10 USD za milion tokenów w obu przypadkach. Zapisy do pamięci podręcznej kosztują 2,50 USD za milion w przypadku pamięci podręcznej 30-minutowej i 5,00 USD w przypadku zapisu 12-godzinnego — w obu przypadkach.

• Dane wyjściowe — 10,00 USD za milion tokenów w obu przypadkach.

• Długi kontekst — powyżej 272 000 tokenów wejściowych stawki za wejście i za pamięć podręczną się podwajają, a stawka za wyjście rośnie do 1,5× dla całego żądania, w obu modelach. Ten próg wypada w tym samym miejscu.

• Batch — 50% stawek standardowych w obu wariantach; tryb Fast podwaja, Ultrafast potraja do 28 lutego 2027 r., a od 1 marca 2027 r. sześciokrotnie w obu wariantach.

• Kontekst — okno 1 050 000 tokenów, maks. wejście 922 000, maks. wyjście 128 000, wejście tekstowe i obrazowe, wyjście tekstowe, w obu przypadkach. Data odcięcia wiedzy GPT-6.2 Sol to 1 czerwca 2026 r., wobec 30 kwietnia 2026 r.

Identyczne dane wejściowe, identyczne ceny za token. Zatem 35% spadku kosztu na zadanie nie może być obniżką cen. To musi oznaczać zakup mniejszej liczby tokenów, a tweet podaje mechanizm: o 36% mniej kroków. Rachunek za tokeny agenta przeglądarkowego zdominowany jest przez historię rozmowy odtwarzaną przy każdym kroku, więc w długim przebiegu liczba kroków i koszt rosną razem niemal liniowo. Zmniejsz liczbę kroków o jedną trzecią, a rachunek spadnie o mniej więcej jedną trzecią — dokładnie tyle, ile wynosi zgłoszona oszczędność. Oba twierdzenia wzajemnie się potwierdzają, co dobrze wróży obu.

Jest to także ostrzeżenie o tym, jak interpretować oszczędności. Zadanie tańsze o 35% nie oznacza miesiąca tańszego o 35%, jeśli tańszemu modelowi przydziela się zadania, z którymi stary sobie nie radził, albo jeśli mniejsza liczba kroków oznacza, że agent kończy pracę wcześniej i zwraca jej częściowy wynik. Wynik 82 w rubryce jest tym, co to wyklucza — przebieg, który kończy się wcześniej, wykonując o jedną trzecią mniej kroków, uzyskałby niższy wynik, a nie o punkt wyższy — ale jeden punkt to zbyt wąski margines, by dźwigać taki ciężar.

To, że ceny tokenów są przekazywane bez zmian, jest w tym wszystkim częścią naprawdę nudną i naprawdę użyteczną. W OrcaRouter model 0% narzutu oznacza, że cena katalogowa dostawcy to cena, którą płacisz, więc kiedy dostawca faktycznie zmieni cennik — jak OpenAI w przypadku GPT-6.2 Astra, który tego samego dnia obniżył ceny wejścia i wyjścia o 20% — zmiana jest aktywna na platformie w dniu, w którym następuje, zamiast czekać, aż reseller ustali nowe ceny. To działa w obie strony: nie ma czego arbitrażować i nie ma zniżki do uzyskania przez przejście. Jeśli dziś uruchamiasz GPT-6.1 Sol przez jeden klucz API, wywołanie modelu GPT-6.2 Sol kosztowałoby tyle samo za token, ile kosztuje u dostawcy.

Co ma znaczenie w pętli agenta, poza nagłówkiem

Cztery szczegóły operacyjne ze strony modelu OpenAI mają większe znaczenie dla wdrożenia agenta przeglądarkowego niż liczba z benchmarku, a żaden z nich nie pojawia się w nagłówku z 82%.

• Wysiłek rozumowania — GPT-6.2 Sol odrzuca opcję brak. Najniższe ustawienie jest rzeczywiste, a nie przełącznikiem wyłączającym rozumowanie. GPT-6.1 Sol akceptuje pełny zakres od najniższego do maksymalnego. Jeśli Twój harness ma na stałe zakodowane „bez rozumowania, tylko działaj” ze względu na opóźnienia, ta konfiguracja nie jest przenośna.

• Przetwarzanie wsadowe — obsługiwane, w wysokości 50% standardowych stawek. Trajektorie agentów przeglądarkowych są zazwyczaj wrażliwe na opóźnienia, dlatego ma to znaczenie głównie w przypadku ewaluacji offline, a nie w środowisku produkcyjnym.

• Endpointy — Responses, Chat Completions i Batch. Realtime, Assistants, Fine-tuning, Images, Videos, Speech i Transcription są nieobsługiwane. To brak Fine-tuning najbardziej doskwiera zespołom, które dostroiły politykę przeglądarki na poprzednim modelu.

• Narzędzia — computer_use, web_search, mcp, hosted_shell, apply_patch, skills, tool_search, code_interpreter, image_generation i file_search są wymienione jako obsługiwane. Dla agenta przeglądarkowego interesującą parą jest computer_use obok tool_search: środowisko uruchomieniowe, które potrafi odkrywać narzędzia w trakcie działania, jest prawdopodobnym źródłem skrócenia liczby kroków o jedną trzecią, ponieważ agent przestaje zgadywać nieistniejące działanie, a potem je ponawiać.

• Limity szybkości — 5000 żądań i 1 000 000 tokenów na minutę w warstwie Build, 10 000 i 4 000 000 w warstwie Launch, 15 000 i 40 000 000 w warstwie Grow.

Jak tego wypróbować, nie narażając na to ścieżki produkcyjnej

Właściwą odpowiedzią na twierdzenie o nieopublikowanym benchmarku jest próbka, a nie migracja. Wybierz od dwudziestu do pięćdziesięciu własnych zadań w przeglądarce, uruchom je na obu modelach za pomocą tego samego harnessa tego samego dnia i porównaj trzy liczby: współczynnik ukończenia według Twojej rubryki, liczbę tokenów zużytych na ukończone zadanie oraz czas zegarowy p50 i p95. Następnie porównaj oba wyniki ze sobą, a nie z wynikiem 82 Browser Use, ponieważ ich rozkład zadań nie jest Twój, a jednopunktowa różnica nie przetrwa tłumaczenia.

Dwie praktyczne uwagi do tego testu. Po pierwsze, jawnie ustal poziom wysiłku rozumowania po obu stronach i użyj ustawienia akceptowanego przez oba modele, w przeciwnym razie cały przebieg poświęcisz na mierzenie różnicy w konfiguracji. Po drugie, rejestruj liczbę kroków, ponieważ o 36% mniejsza liczba kroków to mechanizm stojący za twierdzeniem o kosztach i pierwsza rzecz, którą należy potwierdzić lub odrzucić na podstawie własnych danych.

Jeśli chodzi o sam test, failover to tani sposób na uruchomienie nieprzetestowanego modelu obok sprawdzonego: kieruj próbkę do nowego modelu z automatycznym przełączeniem awaryjnym na model, któremu ufasz, dzięki czemu odmowa, przekroczenie limitu czasu lub skok limitów zapytań kosztuje Cię ponowną próbę, a nie nieudane zadanie. Jest to przydatne tutaj zwłaszcza dlatego, że GPT-6.2 Sol ma dwa dni, a jego tryby awarii na działających witrynach są dokładnie tym, co benchmark ma mierzyć i czego jeszcze nie opublikował. Należy jednak mieć świadomość stanu katalogu: OrcaRouter wymienia 217 modeli, w tym GPT-6.1 Sol, model, który obecnie przewodzi na liście Browser Use, ale GPT-6.2 Sol jeszcze się na nim nie znajduje — w tym przypadku skorzystałbyś bezpośrednio z własnego API OpenAI. Poprzedni model w cenie pass-through to solidny punkt odniesienia do porównania z nowym i taką rolę powinien odegrać w tym tygodniu.

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.

Co zmieniłoby tę historię?

Trzy rzeczy, w kolejności od najbardziej wpływających na odpowiedź. Wiersz GPT-6.2 Sol pojawiający się na browser-use.com/benchmarks/agents z liczbami zgodnymi z tweetem lub zbliżonymi do nich — to zamienia ogłoszenie dostawcy w wynik dostawcy i znacznie wzmacnia argument za migracją, choć nadal nie byłby niezależny. Niezależny pomiar czasu i kosztu zadań w przeglądarce przez stronę trzecią na tym samym zestawie zadań — to rozstrzygnęłoby kwestię 12 kontra 22 minuty i właśnie na tę liczbę trzeba uważać. Oraz opublikowany podział na poziomie zadań, ponieważ „o 36% mniej kroków” jest albo usprawnieniem na poziomie harnessu, które uogólnia się na Twojego agenta, albo osobliwością 180 konkretnych stron — i tylko dane per zadanie pozwalają je odróżnić.

Dopóki przynajmniej pierwszy z tych elementów nie zostanie wdrożony, można obronić następujące podsumowanie: GPT-6.2 Sol kosztuje tyle samo za token co GPT-6.1 Sol, raportowany przez Browser Use niewielki wzrost wyniku i duża oszczędność kosztów są wewnętrznie spójne z redukcją liczby wywołań narzędzi o jedną trzecią, a twierdzenie o szybkości opiera się na punkcie odniesienia, który nie odpowiada opublikowanej przez samego dostawcę medianie. To wystarczy, by uzasadnić dwudniową ocenę na własnych zadaniach. Nie wystarczy, by uzasadnić przepisanie.

Porównane w tym artykule1

Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie