GPT-6.1 Sol vs Laguna S 2.1: Cinquenta Vezes o Preço do Output por um Trabalho que Ninguém Mediu Lado a Lado

Cinquenta vezes. Essa é a proporção entre o que o GPT-6.1 Sol cobra por um milhão de tokens de saída e o que o Laguna S 2.1 cobra — US$ 10,00 contra US$ 0,20 — e é a maior diferença de preço em toda esta série de comparações. O GPT-6.1 Sol é o lançamento de 2026-09-29 da Open​AI, um generalista de 1.050.000 tokens com uma pontuação independente publicada. O Laguna S 2.1 é o lançamento de 2026-07-21 da Poolside, um codificador agêntico de pesos abertos, mistura de especialistas, com 118 bilhões de parâmetros e cerca de 8 bilhões de parâmetros ativos por token, pesos adjacentes à Apache no Hugging Face, e um conjunto de benchmarks que a própria Poolside produziu. A diferença de preço é real e enorme. Se é uma diferença que vale a pena transpor depende de uma pergunta que nenhum dos fornecedores respondeu: alguém já mediu os dois na mesma tarefa?

Os números reportados pelos fornecedores são identificados como tal em todo o documento. Os números da Artificial Analysis são medições independentes registadas nos nossos registos de modelos. Os nossos próprios números de serviço são identificados como nossos. Quando uma célula está vazia, permanece vazia.

O que é cada lado

O Laguna S 2.1 da Poolside é um especialista, e seu design demonstra isso. É um modelo de mistura de especialistas com 118 bilhões de parâmetros, com cerca de 8 bilhões de parâmetros ativos em qualquer token, uma alternância entre pensar / não pensar e uma janela de contexto que chega a 1.000.000 de tokens. Um irmão menor, Laguna XS 2.1, tem 33 bilhões de parâmetros, com cerca de 3 bilhões ativos, e custa US$ 0,06 de entrada e US$ 0,12 de saída por milhão. Os pesos da variante S estão publicados no Hugging Face em poolside/Laguna-S-2.1.

A cifra de 8 bilhões de ativos é o número que explica o preço e restringe o produto ao mesmo tempo. O custo de inferência acompanha os parâmetros ativos, não o total; um MoE de 118B que gasta 8B por token é barato de servir de uma forma que um modelo denso do mesmo tamanho total não seria. Mas um orçamento de 8B ativos também é um teto rígido para o que uma única passagem direta pode fazer, e esse teto é a razão pela qual um índice de propósito geral de um avaliador independente é uma medida mais útil para ele do que uma pontuação específica de programação.

GPT-6.1 Sol é o tipo oposto de objeto. Um identificador de snapshot, gpt-6.1-sol, sem variante datada, uma janela de contexto de 1.050.000 tokens, saída máxima de 128.000, entrada de texto, imagem e arquivo, raciocínio sempre ativado em cinco níveis de esforço, com padrão médio, e uma data de corte de conhecimento de 30 de abril de 2026. Ele não aceita temperature nem top_p; o controle de esforço os substitui. É fechado, com preço por token e não é ajustável por fine-tuning.

As dimensões em que eles realmente diferem:

• Preço de entrada — US$ 0,10 por milhão para o Laguna S 2.1 contra US$ 2,00 para o GPT-6.1 Sol. Vinte vezes.

Preço de saída — $0,00 contra $10,00. Cinquenta.

• Controle de raciocínio — um alternador binário entre pensar / não pensar no Laguna S 2.1 frente a cinco níveis graduados de esforço no GPT-6.1 Sol.

• Pesos — disponíveis para download e auto-hospedagem no Laguna S 2.1; fechados para o GPT-6.1 Sol.

• Janela de contexto — até 1.000.000 de tokens do Laguna S 2.1 contra 1.050.000 do GPT-6.1 Sol. Praticamente empatados.

As linhas do benchmark, com ambos os conjuntos de rótulos anexados

Os números publicados da Poolside para o Laguna S 2.1, todos informados pelo fornecedor e nenhum reproduzido por terceiros até onde conseguimos apurar:

• SWE-Bench Multilingual — 78,5%.

• Terminal-Bench 2.1 — 70,2%.

• DeepSWE v1.1 — 40,4%, contra 9,0% do DeepSeek-V4-Pro-Max, que a Poolside apresenta como cerca de um sexto dos parâmetros ativos gerando mais de quatro vezes a pontuação.

Recorde independente do GPT-6.1 Sol, tudo da Artificial Analysis:

• AA Intelligence Index — 51,8, posição 10 de 147, percentil 93,2.

• Humanity's Last Exam — 52,9%.

• Recall de Contexto Longo — 83%.

• SciCode — 54,2%.

• Terminal-Bench 4.0 — 56,06%.

Há um ponto em que estas duas listas parecem se encontrar, e é uma armadilha. O Laguna S 2.1 reporta 70,2% no Terminal-Bench 2.1. O GPT-6.1 Sol não tem pontuação alguma no Terminal-Bench 2.1 nos nossos registros — sua pontuação de terminal é da versão 4.0, uma revisão posterior e mais difícil do harness. Colocar 70,2% ao lado de 56,06% e chamar isso de vitória de doze pontos do Laguna seria comparar dois testes diferentes, e é exatamente o erro que este blog existe para evitar. Os dois modelos não têm nenhuma linha de benchmark em comum, o que significa que a parte de desempenho desta comparação está, no momento, sem medição.

Vale a pena mencionar mais duas lacunas. O Laguna S 2.1 não tem pontuação no Artificial Analysis Intelligence Index nem um resultado independente no SWE-bench Verified. Para um modelo publicado em julho, é muito tempo sem uma medição externa, e é a maior omissão em tudo o que a Poolside publicou sobre ele.

O que o toggle de pensamento realmente entrega

Os próprios números da Poolside quantificam o toggle, e esse é o aspecto mais interessante do lançamento. Ativar o thinking eleva o DeepSWE v1.1 de 16,5% para 40,4% — um fator de aproximadamente 2,4 — e o Terminal-Bench 2.1 de 60,4% para 70,2%. Ambos os números são do fornecedor, sem reprodução independente.

Se lido em relação ao preço, isso importa de uma forma que a tabela de preços anunciada não capta. O modo de pensamento consome tokens de saída, e os tokens de saída são aquilo pelo que você está pagando. Uma carga de trabalho que executa o Laguna S 2.1 com o modo de pensamento ativado consumirá substancialmente mais tokens de saída do que a mesma carga de trabalho com ele desativado — o que é precisamente o que se esperaria de um ganho de 2,4× num benchmark agêntico difícil. Portanto, a comparação honesta com o GPT-6.1 Sol não é de US$ 0,20 contra US$ 10,00 em saída bruta. É o custo por tarefa concluída com o modo de pensamento ativado contra o custo por tarefa concluída com preço baseado em esforço.

Essa comparação ainda favorece enormemente a Laguna S 2.1, e vale a pena fazer as contas em vez de apenas afirmá-lo. Considere uma carga de trabalho que produz um bilhão de tokens de saída por mês contra três bilhões de tokens de entrada:

• GPT-6.1 Sol — 3 bilhões de entrada a US$ 2,00 por milhão são US$ 6.000; 1 bilhão de saída a US$ 10,00 por milhão são US$ 10.000. Dezesseis mil dólares por mês.

• Laguna S 2.1, raciocínio desativado — US$ 300 de entrada e US$ 200 de saída. Quinhentos dólares por mês.

• Laguna S 2.1, raciocinando a cerca de 2,4× a saída — $300 de entrada e cerca de $480 de saída. Menos de oitocentos dólares por mês.

Mesmo com a penalidade de pensamento, isso é uma diferença de aproximadamente US$ 15.000 por mês nesse volume. Se sua carga de trabalho é algo que um Laguna S 2.1 consegue realmente dar conta, a questão do preço não chega nem perto, e nenhuma quantidade plausível de sobrecarga de retentativas fecha essa lacuna. O que empurra a decisão inteira para o campo da capacidade — e capacidade é a metade desta comparação que não tem uma métrica compartilhada.

Onde a diferença de cinquenta vezes deixa de ser o ponto

Três coisas puxam a proporção de volta para a realidade, e cada uma merece ser dita sem rodeios, porque o número acima é sedutor de um jeito que já custou dinheiro de verdade a equipes.

A primeira é que um modelo de código com 8 bilhões de parâmetros ativos e um generalista de ponta não são substitutos. O Laguna S 2.1 é construído para engenharia de software agêntica — edições de repositório, tarefas de terminal, código multilíngue — e a Poolside o comercializa como tal. Ele não é posicionado para trabalho profissional intensivo em documentos, uso de computador ou as tarefas de recuperação de contexto longo em que o GPT-6.1 Sol tem uma pontuação independente de 83% no Long-Context Recall e uma janela de 1.050.000 tokens. Nessas tarefas, a comparação honesta não é "o modelo barato vence", e sim "o modelo barato não foi feito para isso". Os US$ 15.000 por mês no exemplo prático só representam economia se a saída do modelo mais barato for utilizável e, para uma classe de cargas de trabalho, ninguém demonstrou que é.

O segundo é o throughput e a superfície operacional. O GPT-6.1 Sol relata latência p50 de 2.442 milissegundos e 95,57 tokens de saída por segundo ao longo de sete dias do tráfego do nosso próprio playground, com uma taxa de erro de 6,36%. Não temos um painel de serviço comparável para o Laguna S 2.1 — ele não é roteado no OrcaRouter —, então não há número para colocar ao lado dele, e a latência do caminho auto-hospedado é função do hardware que você comprar. Em oito H100s, você não vai igualar o throughput de um endpoint de fronteira hospedado na mesma concorrência; você trocará latência por custo unitário, e como essa troca se resolve depende de se sua carga de trabalho é sensível à latência.

A terceira é que o caminho auto-hospedado só é barato em escala. As mesmas tarifas de US$ 0,10 e US$ 0,20 que fazem a aritmética acima parecer uma derrota esmagadora são também as que um provedor de inferência cobrando perto do custo cobraria — o que é o argumento para alugar o modelo aberto em vez de comprar hardware para ele, em qualquer volume inferior ao que justifica as GPUs.

Como realmente tomar a decisão

Este é o raro emparelhamento em que o próximo passo certo não é uma mudança de roteamento, porque os dois modelos são alcançados de formas inteiramente diferentes.

O GPT-6.1 Sol está no OrcaRouter como openai/gpt-6.1-sol ao preço de tabela da OpenAI com 0% de markup — US$ 2,00 de entrada, US$ 10,00 de saída, entrada em cache a US$ 0,10, e o nível acima de 272.000 tokens aplicado exatamente como a OpenAI define. Como a camada de roteamento repassa o preço do provedor em vez de aplicar markup, uma mudança de preço do lado da OpenAI entra em vigor aqui no mesmo dia em que passa a valer. Onde uma rota está ativa, o failover automático fica por baixo dela — que é a forma barata de descobrir se um modelo mais barato consegue sustentar um caminho de produção, já que o modelo caro continua a uma regra de roteamento de distância.

O Laguna S 2.1 não está no OrcaRouter e não o hospedamos. Ele é acessível pela API própria da Poolside e, como os pesos são publicados, também servindo-o por conta própria — o que, para este modelo, é a opção mais interessante, já que um MoE de 118B com 8B ativos é realmente pequeno o suficiente para rodar em hardware que uma equipe de porte médio pode ter. O primeiro movimento certo com esse pareamento, portanto, não é de forma alguma uma comparação de preços: pegue vinte das suas tarefas reais de programação, execute-as pelo seu caminho atual do GPT-6.1 Sol e depois execute as mesmas vinte pelo Laguna S 2.1 com thinking ligado e desligado. Agora você tem a linha de benchmark compartilhada que nenhum dos fornecedores publicou, no único conjunto de tarefas que importa, e a diferença de preço de cinquenta vezes se torna um número que você ou aproveita, ou recusa com evidências.

O veredito que este pareamento merece, com base nas evidências que existem atualmente: Laguna S 2.1 é a proposta de custo por capacidade mais interessante em codificação agêntica hoje, com números do fornecedor que a tornariam a escolha padrão se fossem confirmados de forma independente, e nenhuma confirmação independente de nenhum deles. O GPT-6.1 Sol custa cinquenta vezes mais em termos de saída e é o único dos dois cuja capacidade alguém fora da empresa mediu em um instrumento compartilhado. Compre os pesos do modelo barato e teste-os, porque, ao contrário da maioria dos lançamentos abertos, este é pequeno o bastante para ser testado adequadamente — e trate o número de cinquenta vezes como o motivo para executar esse teste, e não como a resposta para ele.