Um cartão de título gerado exibindo 82% é um tweet, não uma entrada de ranking, com o subtítulo GPT-6.2 Sol, dois dias após o lançamento, e três chips que apresentam a publicação do Browser Use de 18 de novembro com 82%, o quadro público de 29 de outubro com GPT-6.1 Sol 81,3, e a tabela de preços compartilhada de US$ 2 de entrada e US$ 10 de saída.
Guides & Insights

A pontuação de 82% do GPT-6.2 Sol no Browser-Use é um tweet, não uma entrada no ranking

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Em 18 de novembro, o Browser Use publicou que GPT-6.2 Sol é o modelo de melhor desempenho em seu benchmark de agentes de navegador: 82%, acima dos 81% do GPT-6.1 Sol, 35% mais barato por tarefa, duas vezes mais rápido e 36% menos etapas. Greg Brockman ampliou isso no mesmo dia com "GPT-6.2 é incrível no uso de navegador". Dois dias antes, a OpenAI havia lançado o GPT-6.2 Sol a US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de saída. A afirmação é boa e provavelmente está direcionalmente correta. É também, até hoje, o único lugar onde esses quatro números existem. O próprio leaderboard público do Browser Use ainda lista o GPT-6.1 Sol em 81,3 e não tem nenhuma linha para o GPT-6.2 Sol — sua página de resultados traz um carimbo de última modificação de 29 de outubro de 2026, e a URL que conteria uma página por modelo para o GPT-6.2 Sol retorna um 404. Portanto, a versão honesta desta história é mais estreita e mais útil do que o tweet: um fornecedor de benchmark está lhe dizendo que o modelo que ele agora classifica em primeiro lugar é melhor, mais barato e mais rápido do que o modelo que ele classificou em primeiro lugar três semanas atrás, e o painel que você normalmente consultaria para confirmar isso não acompanhou.

O que o Browser Use realmente publicou, na íntegra

A publicação citada veio da própria conta da Browser Use às 00:09 UTC de 18 de novembro. Ela diz: "GPT-6.2 Sol é o melhor modelo para uso em navegador 👀 — 82%, acima dos 81% do GPT-6.1 Sol; 35% mais barato; 2x mais rápido: 12 min em vez de 22 min; 36% menos etapas." Essas são quatro alegações separadas, de forças muito diferentes, e devem ser separadas antes que qualquer uma delas seja usada para justificar uma migração.

• Pontuação — 82 contra 81. Um ponto em uma pontuação média ponderada de rubrica de 0–100, em um benchmark cuja metodologia publicada descreve 180 tarefas executadas em sites ao vivo. Um ponto está dentro da faixa de ruído de um benchmark que é executado repetidamente em sites de terceiros que mudam.

• Custo por tarefa — 35% mais barato. Esta é a afirmação mais forte do conjunto, porque é a que um operador de agente consegue reproduzir a baixo custo e porque está limitada aritmeticamente: os preços dos tokens não mudaram, então a economia tem de vir de outro lugar.

• Tempo decorrido — 12 minutos em vez de 22. Esta é a alegação que contradiz mais diretamente os dados publicados pelo próprio fornecedor, e ela é tratada abaixo.

• Passos — 36% menos. Em um agente de navegador, passos são chamadas de ferramentas, e chamadas de ferramentas são onde um loop de agente gasta tanto dinheiro quanto tempo. Uma redução de 36% nos passos provavelmente explica a maior parte dos outros três números de uma só vez.

O Browser Use Bench v2.1 não é um exercício de marketing. Sua ficha de metodologia deixa explícito que a pontuação é uma pontuação média ponderada de rubrica por tarefa em uma escala de 0 a 100, que a coluna de custo é o custo estimado do modelo por tarefa em USD e exclui custos de busca, juiz, navegador e executor, e que as execuções são em 180 sites ao vivo, em vez de um conjunto de testes congelado. Esse é um regime de medição real. Também é um regime em que uma variação de pontuação de um único ponto e uma nova execução em site ao vivo não são o mesmo tipo de evidência, e é por isso que o painel tem sido historicamente mais conservador do que suas próprias postagens sociais.

Os quatro números não estão no quadro.

Verificamos o ranking em browser-use.com/benchmarks/agents em 19 de novembro de 2026. Os metadados do conjunto de dados estruturado incorporados nessa página ainda indicam "Browser Use Bench v2.1 model results" com um dateModified de 2026-10-29. A busca no código-fonte da página pela string "GPT-6.2" retorna zero correspondências. A página individual do modelo em browser-use.com/benchmarks/models/gpt-6-2-sol não existe — ela retorna um stub 404. E o FAQ da própria página ainda descreve a ordem vigente como "GPT-6.1 Sol high: 81,3 de 100 a US$ 1,92 por tarefa, em 180 tarefas em sites ao vivo. Em seguida vem GPT-6 Sol high com 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.

Isso não é uma acusação de má-fé. Benchmarks são publicados com periodicidade, e anúncios não; a conta que publicou em 18 de novembro é a que executa o harness, então ela tem os números antes do site. Mas isso define o status epistêmico deste texto, e de qualquer decisão de aquisição tomada a partir dele nesta semana: os números de 82%, 35%, 2x e 36% são informados pelo fornecedor e não publicados, no sentido específico de que a tabela publicada pelo próprio fornecedor ainda não os contém. Uma equipe que migra um agente de navegador de produção para o GPT-6.2 Sol hoje está agindo com base em um anúncio de benchmark, não em um resultado de benchmark.

A boa notícia é que o anúncio é barato de refutar. Se os números se confirmarem, um ranking atualizado com uma linha GPT-6.2 Sol deve aparecer em poucos dias, e os quatro números devem resistir ao contato com o JSON. Se a linha aparecer com números diferentes, você saberá antes de ter reconstruído qualquer coisa.

A linha de base no tweet não corresponde à linha de base no quadro.

Eis o detalhe que vale a pena destacar, porque é o tipo de coisa que se perde quando uma alegação circula como captura de tela. O tweet apresenta o resultado anterior do GPT-6.1 Sol como "81%" e "22 min". O ranking publicado do Browser Use apresenta o GPT-6.1 Sol com esforço de raciocínio alto como 81,3 de 100 a US$ 1,92 por tarefa, com mediana de 14,3 minutos. A pontuação é próxima o suficiente — 81 e 81,3 são o mesmo número arredondado de formas diferentes. O tempo não é. Quatorze minutos e vinte e dois minutos não são a mesma medição.

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.

Existem explicações inocentes. A coluna de tempo do ranking é uma mediana de 180 tarefas ativas, e medianas são sensíveis a quais tarefas são descartadas por causa da falha de um site; 22 minutos podem ser uma média, podem ser um subconjunto apenas de alto esforço, podem ser uma fatia diferente de tarefas ou podem ser o tempo de execução antes de uma correção do harness entrar no ar entre 29 de outubro e 18 de novembro. Há também uma explicação menos inocente: o valor de tempo no tweet é uma comparação escolhida para fazer o novo modelo parecer mais rápido, e o denominador honesto para uma alegação de velocidade 2x é aquilo que o mesmo harness produziu para o modelo antigo no mesmo dia.

Você não consegue resolver isso de fora. O que você pode fazer é se recusar a importar essa proporção. “2x mais rápido” aqui significa “o harness de 18 de novembro do fornecedor mediu 12 minutos onde mediu 22 minutos para o modelo anterior”, e não “o GPT-6.2 Sol é duas vezes mais rápido que o modelo que o ranking público diz rodar em 14,3 minutos”. Se a velocidade é o motivo pelo qual você está considerando a troca, o número a usar como base de planejamento é o valor publicado de 14,3 minutos até que um novo ranking o substitua, porque é o único que tem uma página de metodologia por trás.

Por que 35% mais barato é a alegação, com a aritmética por trás

O preço torna a alegação de custo verificável de uma forma que as outras não permitem. GPT-6.2 Sol e GPT-6.1 Sol têm a mesma tabela de tarifas, segundo as próprias páginas de modelo da OpenAI:

• Entrada — US$ 2,00 por milhão de tokens em ambos.

• Entrada em cache — $0,10 por milhão de tokens em ambos. As gravações de cache custam $2,50 por milhão para um cache de 30 minutos e $5,00 para a gravação de 12 horas, em ambos.

• Saída — US$ 10,00 por milhão de tokens em ambos.

• Contexto longo — acima de 272.000 tokens de entrada, as tarifas de entrada e de cache dobram e a tarifa de saída vai para 1,5x para toda a solicitação, em ambos os modelos. O ponto de corte fica no mesmo lugar.

• Batch — 50% das tarifas padrão em ambos; o modo Fast dobra, o Ultrafast triplica até 28 de fevereiro de 2027 e sextuplica a partir de 1º de março de 2027 em ambos.

• Contexto — janela de 1.050.000 tokens, entrada máxima de 922.000, saída máxima de 128.000, texto e imagem na entrada, texto na saída, em ambos. O corte de conhecimento do GPT-6.2 Sol é 1 de junho de 2026, em comparação com 30 de abril de 2026.

Entradas idênticas, preços por token idênticos. Portanto, uma queda de 35% no custo por tarefa não pode ser um corte de preço. Tem de ser menos tokens comprados, e o tweet fornece o mecanismo: 36% menos etapas. A fatura de tokens de um agente de navegador é dominada pelo histórico da conversa reproduzido a cada etapa, pelo que etapas e custo escalam quase linearmente numa execução longa. Reduza a contagem de etapas em um terço e a fatura cai aproximadamente um terço, que é exatamente a dimensão da economia relatada. As duas afirmações corroboram-se mutuamente, o que é um bom sinal para ambas.

É também um alerta sobre como interpretar a economia. Uma tarefa 35% mais barata não equivale a um mês 35% mais barato se o modelo mais barato estiver recebendo tarefas nas quais o antigo falhava, ou se menos etapas significarem que o agente está encerrando mais cedo e devolvendo trabalho parcial. A pontuação de 82 na rubrica é o que elimina essa possibilidade — uma execução que para cedo com um terço menos etapas teria pontuação menor, e não um ponto maior —, mas um ponto é uma margem estreita para carregar tanto peso.

Os preços dos tokens serem repassados sem alteração é a parte disto que é genuinamente entediante e genuinamente útil. Na OrcaRouter, o modelo de 0% de markup significa que o preço de tabela de um provedor é o preço que você paga, então, quando um fornecedor altera uma tabela de preços — como a OpenAI fez com o GPT-6.2 Astra, que reduziu 20% nos preços de entrada e saída no mesmo dia —, a mudança entra em vigor na plataforma no dia em que acontece, em vez de esperar que um revendedor reajuste os preços. Isso também tem dois lados: não há nada para arbitrar e nenhum desconto a ganhar ao migrar. Se você está executando o GPT-6.1 Sol por meio de uma única chave de API hoje, uma chamada do modelo GPT-6.2 Sol custaria o mesmo por token que custa no fornecedor.

O que importa em um loop de agente, além do título

Quatro detalhes operacionais da página de modelo da O​penAI importam mais para uma implantação de agente de navegador do que o número do benchmark, e nenhum deles aparece em uma manchete de 82%.

• Esforço de raciocínio — GPT-6.2 Sol rejeita nenhum. A configuração mais baixa é real, não um interruptor para desligar o raciocínio. O GPT-6.1 Sol aceita toda a faixa de baixo a máximo. Se seu harness codifica fixamente "sem raciocínio, apenas aja" para latência, essa configuração não é portável.

• Lote — suportado, a 50% das tarifas padrão. Trajetórias de agentes de navegador costumam ser sensíveis à latência, então isso importa principalmente para execuções de avaliação offline, e não em produção.

• Endpoints — Responses, Chat Completions e Batch. Realtime, Assistants, Fine-tuning, Images, Videos, Speech e Transcription não têm suporte. A indisponibilidade do Fine-tuning é o que prejudica as equipes que ajustaram uma política de navegador no modelo anterior.

• Ferramentas — computer_use, web_search, mcp, hosted_shell, apply_patch, skills, tool_search, code_interpreter, image_generation e file_search estão listados como suportados. Para um agente de navegador, o par interessante é computer_use ao lado de tool_search: um harness que consegue descobrir ferramentas durante a execução é a fonte plausível de um terço a menos de etapas, porque o agente deixa de adivinhar uma ação que não existe e depois tentar novamente.

• Limites de taxa — 5.000 requisições e 1.000.000 de tokens por minuto no nível Build, 10.000 e 4.000.000 no Launch, 15.000 e 40.000.000 no Grow.

Como experimentá-lo sem apostar o caminho de produção nele

A resposta certa para uma alegação de benchmark não publicado é uma amostra, não uma migração. Escolha de vinte a cinquenta das suas próprias tarefas de navegador, execute-as nos dois modelos com o mesmo harness, no mesmo dia, e compare três números: taxa de conclusão segundo a sua rubrica, tokens consumidos por tarefa concluída e tempo de relógio de parede p50 e p95. Depois, compare os dois resultados entre si, e não com o 82 do Browser Use, porque a distribuição de tarefas deles não é a sua e uma diferença de um ponto não sobreviverá à tradução.

Duas observações práticas para esse teste. Primeiro, fixe explicitamente o esforço de raciocínio nos dois lados e use uma configuração que ambos os modelos aceitem, ou você vai passar a execução medindo uma diferença de configuração. Segundo, registre a contagem de etapas, já que 36% menos etapas é o mecanismo por trás da alegação de custo e a primeira coisa a confirmar ou refutar nos seus próprios dados.

Para o teste em si, o failover é a maneira barata de executar um modelo não comprovado ao lado de um comprovado: roteie a amostra para o novo modelo com fallback automático para o modelo em que você confia, de modo que uma recusa, um timeout ou um pico de limite de taxa custe uma nova tentativa em vez de um trabalho fracassado. Isso é útil aqui especificamente porque o GPT-6.2 Sol tem dois dias de idade e seus modos de falha em sites ao vivo são exatamente o que o benchmark se destina a medir e ainda não publicou. Esteja ciente do estado do catálogo, porém: o OrcaRouter lista 217 modelos incluindo o GPT-6.1 Sol, o modelo que atualmente lidera o ranking do Browser Use, mas o GPT-6.2 Sol ainda não está nele — para esse, você passaria diretamente pela própria API da O​penAI. O modelo anterior com preço de repasse é uma base sólida para medir o novo, e é esse o papel que ele deve desempenhar esta semana.

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.

O que mudaria esta história

Três coisas, em ordem de quanto elas mudariam a resposta. Uma linha GPT-6.2 Sol aparecendo em browser-use.com/benchmarks/agents com números iguais ou próximos aos do tweet — isso converte um anúncio do fornecedor em um resultado do fornecedor e torna o argumento da migração muito mais forte, embora ainda não seja independente. Uma medição independente de terceiros do tempo e do custo de tarefas de navegador no mesmo conjunto de tarefas — é isso que resolveria a questão dos 12 versus 22 minutos, e é o número a observar. E um detalhamento publicado por tarefa, porque "36% menos passos" é ou uma melhoria no nível do harness que se generaliza para o seu agente, ou uma peculiaridade de 180 sites específicos, e só os dados por tarefa distinguem esses casos.

Até que pelo menos o primeiro desses itens seja lançado, o resumo defensável é este: o GPT-6.2 Sol custa o mesmo por token que o GPT-6.1 Sol, o pequeno ganho de pontuação e o grande ganho de custo relatados pelo Browser Use são internamente consistentes com uma redução de um terço nas chamadas de ferramentas, e a alegação de velocidade se apoia em uma linha de base que não corresponde à mediana publicada pelo próprio fornecedor. Isso é suficiente para justificar uma avaliação de dois dias nas suas próprias tarefas. Não é suficiente para justificar uma reescrita.

Comparados neste artigo1

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente