Cartão de título com os dizeres “Fatura de Retrabalho do GPT-6.2 Sol”, mostrando GPT-6.2 Sol com 48,6 no Artificial Analysis Coding Agent Index, a US$ 1,22 por tarefa, contra Claude Opus 5.5 com 58,2 a US$ 12,61 por tarefa, com uma observação de que os dois foram medidos em harnesses diferentes. O logotipo da OrcaRouter fica no canto inferior direito.
Guides & Insights

Fatura de retrabalho do GPT-6.2 Sol: barato por token, caro por correção

Autor

Gideon Frost

Data de publicação

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

Na manhã de 20 de novembro, o comentarista de IA de língua chinesa 宝玉 (@dotey) publicou um veredito sobre o GPT-6.2 Sol que qualquer pessoa que tenha passado uma semana com o modelo reconhecerá. Tarefas simples vão bem. Tarefas complexas de programação não são apenas um pouco piores do que o Claude Opus 5.5 — o trabalho que o Sol termina ainda precisa que o Opus faça a limpeza depois, então teria sido melhor entregar a tarefa ao Opus desde o início. A publicação é um relato de uso e nada mais: sem harness, sem lista de tarefas, sem diff, 124 curtidas no momento em que foi escrita e uma thread de comentários discutindo a respeito. Ela também é verificável de um modo que a maioria das impressões da semana de lançamento não é, porque aquilo que ela descreve tem uma forma. Um modelo que vai bem em trabalho fácil e desmorona em trabalho difícil deveria mostrar um padrão específico nas avaliações — força na execução, fraqueza na compreensão — e os números publicados ou têm esse padrão, ou não têm.

Em grande medida, sim. A OpenAI lançou o GPT-6.2 Sol em 17 de novembro de 2026 a US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de saída. No Coding Agent Index independente da Artificial Analysis, ele fica abaixo do modelo que substitui, e o componente que o puxa para baixo é aquele em que o modelo precisa ler uma base de código e dizer algo verdadeiro sobre ela. Esse é o mecanismo por trás de "precisa ser limpo depois", expresso em número. O que o tweet não faz, e o que este texto tenta fazer, é precificar a limpeza — porque, quando se faz a aritmética de verdade, a tese do retrabalho se revela muito mais forte em tempo de relógio do que em dinheiro, e as duas coisas levam a decisões diferentes.

O que a publicação realmente afirma

Hoje fiz um teste de stress ao GPT-6.2 Sol. As tarefas simples estão bem. Em tarefas de programação um pouco mais complexas, não é apenas um pouco pior do que o Opus 5.5 — o trabalho que conclui ainda precisa que o Opus 5.5 limpe a bagunça a seguir, por isso mais vale deixar o Opus 5.5 fazê-lo desde o início.

Há três afirmações separáveis dentro disso. Primeira, uma afirmação de qualidade: Sol é consideravelmente pior que Opus 5.5 em programação complexa. Segunda, uma afirmação de fluxo de trabalho: a diferença aparece como retrabalho, e não como uma falha óbvia — você obtém uma saída, ela parece pronta, e um modelo mais forte precisa repará-la. Terceira, uma afirmação econômica: o retrabalho anula tudo o que o preço por token economizou.

Os dois primeiros podem ser testados com base em avaliações publicadas. O terceiro é aritmético e depende de um número que ninguém publicou — quanto custa uma passagem de reparo em relação a fazer a tarefa uma vez com o modelo caro. Tudo abaixo mantém essas três afirmações separadas, porque elas não resistem igualmente.

A comparação limpa é executada dentro de um único harness.

Um aviso antes de qualquer número, porque é a forma mais comum de se fazer essa comparação de modo desonesto. A Artificial Analysis mede agentes de programação como um pareamento de modelo e harness: Codex para os modelos da OpenAI, Claude Code para os da Anthropic. Custo por tarefa, gasto de tokens e tempo decorrido variam com o harness tanto quanto com o modelo, então uma comparação bruta de "Sol custa US$ 1,22, Opus custa US$ 12,61" está medindo duas máquinas diferentes.

O que sobrevive a essa objeção é qualquer comparação dentro de um harness. Dentro do Codex, o GPT-6.2 Sol pode ser comparado diretamente com o GPT-6.1 Sol e o GPT-6.2 Astra, em tarefas idênticas, com as mesmas ferramentas e a mesma avaliação — e é aí que reside a regressão. Ainda vale a pena imprimir o par entre harnesses, claramente rotulado, porque é a comparação que um leitor de fato faz quando decide entre uma assinatura da OpenAI e uma da Anthropic.

• Codex, GPT-6.2 Sol (max) — Índice de Agente de Programação 48,6, US$ 1,22 por tarefa, 4,25M tokens

• Codex, GPT-6.1 Sol (max) — índice 52,2, US$ 1,51 por tarefa, 4,33M tokens

• Codex, GPT-6.2 Astra (max) — índice 53,5, US$ 5,12 por tarefa, 4,67M tokens

• Claude Code, Claude Opus 5.5 (max) — índice 58,2, US$ 12,61 por tarefa, 15,89M tokens

Leia as duas primeiras linhas juntas. O novo modelo pontua 3,6 pontos abaixo daquele que ele substitui, no mesmo harness, com um gasto de tokens dentro de 2% do dele. O preço também não mudou — a Sol mantém US$ 2 e US$ 10 desde 29 de setembro, e o GPT-6.2 Sol manteve a tabela de preços exatamente. Portanto, não é um modelo mais barato que troca qualidade por preço. É o mesmo preço, o mesmo harness e menos capacidade naquilo que o índice mede. A comparação de @dotey é com o modelo de outro fornecedor, mas a regressão que ele está sentindo é visível sem sair da própria linha de produtos da O​penAI.

A two-column scoreboard comparing GPT-6.2 Sol and Claude Opus 5.5 across Intelligence Index, cost per index task, time per index task, Coding Agent Index, SWE-Atlas-QnA and output tokens, with a footer noting that index and cost figures are Artificial Analysis's and that the two coding-agent scores come from different harnesses. The OrcaRouter logo sits in the bottom-right corner.

Onde a lacuna de tarefas complexas é real

O Coding Agent Index é uma composição de três avaliações, igualmente ponderadas: FrontierCode-AA 2.0 (132 tarefas de engenharia de software, escritas pela Cognition e implementadas pela Artificial Analysis), Terminal-Bench 4.1 (66 tarefas agênticas de terminal, do Laude Institute) e SWE-Atlas-QnA-AA (124 tarefas técnicas de perguntas e respostas sobre uma base de código, da Scale AI, com a correção ajustada pela Artificial Analysis). Cada pontuação é a média de três tentativas por tarefa.

Analise o Sol frente ao seu antecessor, componente por componente, e a forma que @dotey descreve surge imediatamente:

• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46,2% vs GPT-6.1 Sol 59,9%, uma queda de 13,7 pontos dentro de um mesmo harness

• FrontierCode-AA 2.0 — 41,5% vs 42,5%, praticamente estável

• Terminal-Bench 4.1 — 58,1% vs 54,0%, um ganho de 4,1 pontos

Então o modelo ficou melhor em fazer e pior em saber. O trabalho no terminal é executar e observar: executar o comando, ler a saída, ajustar. Perguntas e respostas sobre a base de código são recuperar e relatar: encontrar o código relevante, entender por que ele está daquele jeito e declarar isso com precisão. Um modelo que melhora no primeiro e regride 13,7 pontos no segundo passa em um teste de fumaça e produz edições que parecem certas e não captam o motivo pelo qual o código foi escrito daquela forma. Esse é precisamente o modo de falha que gera retrabalho em vez de uma mensagem de erro, e é por isso que a reclamação chega como "precisa ser limpo" em vez de "não funciona".

A diferença absoluta para o Opus 5.5 na mesma avaliação é ainda maior — 46,2% contra 65,9% —, mas essa comparação cruza harnesses, então trate-a como direcional. A queda de 13,7 pontos dentro do Codex não é direcional. É o mesmo harness, as mesmas 124 tarefas, o mesmo avaliador, e o modelo simplesmente responde a perguntas sobre uma base de código com menos precisão do que o modelo que substituiu.

Artificial Analysis's model page for GPT-6.2 Sol, listing it as released November 2026, ranked 13th of 95 on intelligence and 40th of 94 on performance, scoring 57 on the Intelligence Index, using 60.9M tokens, priced at $2.00 per million input tokens and $10.00 per million output tokens, costing $1.01 per task and 9.6 minutes per task, at roughly 70 tokens per second.

Onde o Sol está genuinamente bem

A primeira oração do tweet merece o mesmo tratamento que a segunda. “Tarefas simples são aceitáveis” não é uma concessão; no Índice de Inteligência composto, que submete todos os modelos a uma única suíte idêntica, em vez de harnesses dos fornecedores, GPT-6.2 Sol no esforço máximo supera Claude Opus 5.5 no esforço máximo em vários componentes de forma inequívoca:

• Terminal-Bench-Science 0.1 — 67,6% vs 59,0%, uma vitória de 8,6 pontos para Sol

• AutomationBench-AA — 71,3% vs. 69,5%

• Terminal-Bench 4.0 — 60,1% vs. 59,6%

• GDP.pdf aprovação total — 30,0% vs 26,2%

E perde nos que exigem reter um fato e relatá-lo:

• HLE-Diamond — 64,0% vs. 67,9%

• AnalystAgent — 53,8% vs 56,3%

• AA-Omniscience — 40,4 com 61,6% de precisão vs 48,1 com 65,5% de precisão

• FrontierCode-AA 2.0 (versão Index) — 44,4% vs 46,4%

A linha Omniscience é a que vale a pena considerar com calma. É a avaliação que mede se um modelo sabe o que não sabe: Sol responde corretamente 61,6% das vezes e sua taxa de alucinação é de 55,4%, contra 65,5% e 50,3% do Opus 5.5. Um modelo que responde corretamente quase quatro pontos menos vezes e inventa algo cinco pontos mais vezes é um modelo cuja saída um humano precisa verificar — o que é a alegação de retrabalho, chegando de uma segunda direção.

No cômputo geral, o Sol marca 57,3 contra 59,1 no índice composto, e o faz em 9,6 minutos por tarefa, em vez de 25,7, a US$ 1,01 em vez de US$ 10,04, enquanto emite 60,9 milhões de tokens de saída em toda a suíte, contra os 218 milhões do Opus. Independentemente do que mais seja verdade, o modelo barato não é lento nem prolixo.

O seletor de esforço já foi varrido.

A objeção óbvia de qualquer pessoa que já tenha usado um modelo de raciocínio da OpenAI é que esta é a configuração errada. Diminua o esforço e o modelo para de pensar demais; aumente-o e ele para de cortar caminhos. A Artificial Analysis já executou a varredura completa no Coding Agent Index dentro do Codex, e isso não resolve a situação:

• baixo — 37,2

• média — 45.4

• alta — 47,5

• xhigh — 49,8

• máx. — 48,6

O pico está em xhigh, não em max: ir até o esforço máximo na verdade custa 1,2 pontos, que é o tipo de resultado não monotônico que aparece quando um modelo começa a duvidar de si mesmo. Mas mesmo a melhor configuração, 49,8, fica 2,4 pontos abaixo de onde o GPT-6.1 Sol pontuou em max e 8,4 abaixo do Claude Opus 5.5. Não há posição no seletor em que o GPT-6.2 Sol se torne o agente de programação mais forte; há apenas uma escolha sobre quanto você quer pagar por 49,8.

Vale a pena saber o custo dessa escolha, porque ele é íngreme em termos relativos mesmo que seja barato em termos absolutos. No Intelligence Index, o Sol custa US$ 0,18 por tarefa no esforço low, US$ 0,41 no medium, US$ 0,56 no high, US$ 0,65 no xhigh e US$ 1,01 no max. Passar de medium para xhigh aproximadamente dobra a qualidade por tarefa — de 52,7 para 55,7 nesse índice — e custa 58% mais. O padrão é medium, que é a configuração que produz a pontuação de 45,4 em codificação. Se você estiver avaliando o Sol em comparação com o Opus, faça isso em xhigh ou max, ou estará comparando a configuração errada.

Um número que prevê retrabalho

Há uma segunda série de dados na mesma execução que aborda diretamente a experiência de "precisa de limpeza", e não é uma pontuação de qualidade. O Artificial Analysis registra recusas de segurança por avaliação e distingue recusas que o harness recuperou daquelas que encerraram a tentativa. No SWE-Atlas-QnA-AA, em mais de 372 tentativas:

• GPT-6.2 Sol (máx.) — 25 recusas, todas elas uma interrupção total, 6,7% das tentativas

• GPT-6.2 Sol (xhigh) — 22 recusas, 5,9%

• GPT-6.2 Sol (medium) — 13 recusas, 3,5%

• GPT-6.1 Sol (max) — 15 recusas, 4,0%

• GPT-6.2 Astra (max) — 8 recusas, 2,2%

• Claude Opus 5.5 — 52 recusas, nenhuma delas um bloqueio definitivo, 14,0%

A linha Opus é a interessante e vai contra uma leitura preguiçosa. O Opus 5.5 recusa com mais frequência do que qualquer modelo nesta tabela — e o harness recuperou todas as 52, então nenhuma delas custou a execução. O Sol recusa com menos frequência e o harness não conseguiu recuperar uma única das suas 25. Uma recusa que encerra o turno de um agente é uma tarefa que uma pessoa agora tem de assumir; uma recusa que é recuperada é uma nova tentativa. Na avaliação que mais se assemelha a "responder a perguntas sobre este repositório", o modelo de que o tuíte se queixa falha no modo que produz trabalho inacabado em vez de trabalho errado.

Lido em conjunto com a queda de 13,7 pontos na compreensão, isto é uma história coerente, e não dois números sem relação: o Sol é menos confiável na parte de recuperação e relato da codificação e, quando piora, piora de um jeito que deixa a tarefa em aberto.

Precificando a passagem de limpeza

Agora a terceira afirmação, a econômica, que é onde a intuição mais frequentemente supera a aritmética. Use o custo por tarefa do Intelligence Index, porque essa suíte é o mesmo harness para todos os modelos nela e, portanto, os números são diretamente comparáveis: GPT-6.2 Sol $1.01, Claude Opus 5.5 $10.04.

OpenAI's developer documentation page for GPT-6.2 Sol, describing it as the go-to model for everyday work from coding to powering agents at scale, accepting text and image input and producing text, with a 1,050,000-token context window, 922,000 max input tokens, 128,000 max output tokens and a June 1, 2026 knowledge cutoff. The pricing table lists $2.00 per million input tokens, $0.10 cached input, $2.50 cache writes and $10.00 output; it also notes that above 272,000 input tokens the input and cache rates double and output costs 15 times the short-context rate, and that batch costs 50% of standard rates.

Considere uma tarefa que Sol conclui e que Opus depois repara. Seja p a proporção de tarefas que precisam de reparo e r o custo de um reparo como fração de uma execução completa do Opus. Sol seguido de reparo custa $1,01 + p × r × $10,04. Opus sozinho custa $10,04. Sol seguido de reparo é mais barato sempre que p × r estiver abaixo de 0,899.

Esse é um patamar alto a superar. Se um reparo custa metade de uma passagem completa, você pode reparar todas as tarefas, sem exceção e ainda assim ser 78% mais barato do que ir direto ao Opus. Só quando os reparos se aproximam do custo de refazer tudo por completo em quase todas as tarefas é que a conta se inverte: em p = 1 e r = 1, você paga $11.05 pelo que o Opus teria feito por $10.04. Em mil tarefas, isso é $11,050 contra $10,040 — uma penalidade de 10%, não o massacre que o tweet sugere.

Então, apenas em termos de dinheiro, a reclamação sobre retrabalho não invalida o argumento do preço, a menos que o retrabalho seja quase total. Mas dinheiro não é a restrição com que a maioria das equipes se depara. O tempo é:

• Tempo por tarefa do Intelligence Index — GPT-6.2 Sol 9,6 min vs Claude Opus 5.5 25,7 min

Tempo quando uma tarefa precisa de um refazer completo do Opus — 9,6 + 25,7 = 35,3 min contra 25,7 min

• Gasto de tokens na mesma suíte — 60,9M vs 218M tokens de saída

Aqui a tese do retrabalho se sustenta sem ressalvas. Qualquer tarefa que o Sol tenta e depois devolve é uma tarefa que levou 37% mais tempo do que teria levado se você tivesse ido ao Opus primeiro, e você não consegue recuperar esse tempo com um token mais barato. Se sua restrição é um prazo e não um orçamento — que é a situação em que quase todo desenvolvedor realmente está quando publica essa reclamação — @dotey está certo, e o argumento é sobre vazão, não preço.

O que mudaria o veredito?

Duas coisas, e nenhuma delas está disponível ainda. A primeira é uma taxa de retrabalho publicada: que fração dos diffs de tarefas complexas do Sol um modelo mais forte realmente precisa modificar, medida em um conjunto fixo de tarefas. Ninguém publica isso, porque exige executar dois modelos nos mesmos tickets e fazer o diff dos resultados, e é o único número que resolveria a discussão. A segunda é um número do GPT-6.2 Sol em uma execução de codificação com o harness da Anthropic, ou do Opus 5.5 no Codex, o que transformaria a comparação entre harnesses acima em um confronto direto real.

Em contrapartida, observe o que já está assentado. A regressão é real e está dentro de um único harness. A varredura de esforço não a corrige. A avaliação de compreensão — aquela que prevê retrabalho — avançou 13,7 pontos na direção errada. Quem quiser um motivo para manter a programação complexa no Opus 5.5 tem um que não depende da impressão de ninguém sobre uma semana de lançamento.

Executando o teste nas suas próprias tarefas

A taxa de retrabalho é mensurável no seu próprio backlog em uma tarde, e é a única versão desse número que importa para você. Pegue vinte tarefas que sua equipe realmente entregou no mês passado, execute cada uma pelos dois modelos com a mesma configuração de esforço e compare os patches resultantes com o que uma pessoa acabou mesclando. A fração que precisou de retrabalho substancial é o seu p; o custo em tokens da passagem de reparo é o seu r.

O OrcaRouter transforma isso numa decisão de roteamento, e não numa decisão de compra: anthropic/claude-opus-5.5 e openai/gpt-6.1-sol ficam ambos por trás de uma única chave, pelo preço de tabela do próprio fornecedor, com 0% de margem repassada, então os números acima são os números que você vai pagar. Isso importa mais do que o habitual aqui, porque o modelo contra o qual o tweet se defende — o GPT-6.2 Sol — ainda não está no nosso catálogo; não o servimos, e nenhuma quantidade de roteamento muda isso. O que nós servimos é o modelo que o Sol substituiu, que é o controle certo para um experimento: rode o 6.2 Sol onde você conseguir acessá-lo, rode o GPT-6.1 Sol nas mesmas tarefas por meio da gente, e a queda de 13,7 pontos de compreensão passa a ser algo que você pode confirmar ou refutar no seu próprio código, em vez de numa suíte sintética.

Para o formato de implantação que os dados sugerem, a DSL de roteamento é a resposta honesta: enviar as etapas de planejamento e de compreensão da base de código para o Opus 5.5, enviar a execução e os loops de terminal para o modelo mais barato, e deixar o failover automático cobrir o caso em que um provedor trava no meio da execução. Isso é uma configuração, não uma arquitetura — e é o que "usar o Opus para limpar a bagunça deixada pelo Sol" parece quando você escreve isso como um pipeline em vez de como uma reclamação.

A única coisa que vale a pena tirar do tweet, independentemente do modelo que você escolher: a conta de uma tarefa de programação não é a contagem de tokens. É os tokens mais os minutos humanos mais o tempo de relógio decorrido entre "concluído" e "realmente concluído". O Sol vence a primeira linha desse livro-razão de forma decisiva, o Opus 5.5 vence a segunda e a terceira sempre que uma tarefa volta, e nenhum fornecedor publica a taxa com que as tarefas voltam. Até que alguém publique, o único número confiável é o que você mede nos seus próprios diffs.

Comparados neste artigo1

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