Сгенерированная титульная карточка с надписью 82% — это твит, а не запись в лидерборде, с подзаголовком GPT-6.2 Sol, через два дня после запуска, и тремя чипами, которые показывают пост Browser Use от 18 ноября на 82%, публичный лидерборд от 29 октября с GPT-6.1 Sol 81.3 и общую тарифную карточку с $2 за вход и $10 за выход.
Guides & Insights

82% Browser-Use Score у GPT-6.2 Sol — это твит, а не запись в таблице лидеров

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

18 ноября Browser Use опубликовала сообщение о том, что GPT-6.2 Sol — лучшая модель в её бенчмарке для браузерных агентов: 82%, что выше 81% у GPT-6.1 Sol, на 35% дешевле за задачу, вдвое быстрее и на 36% меньше шагов. Грег Брокман в тот же день подхватил это со словами: «GPT-6.2 невероятно хорош в работе с браузером». Двумя днями ранее OpenAI выпустила GPT-6.2 Sol по цене 2 доллара за миллион входных токенов и 10 долларов за миллион выходных. Заявление хорошее, и, вероятно, оно верно по сути. Кроме того, на сегодня это единственное место, где встречаются эти четыре цифры. Публичный лидерборд самого Browser Use по-прежнему указывает GPT-6.1 Sol с результатом 81,3 и вообще не содержит строки GPT-6.2 Sol — на его странице результатов стоит отметка последнего изменения от 29 октября 2026 года, а URL, который должен вести на страницу отдельной модели GPT-6.2 Sol, возвращает 404. Так что честная версия этой истории — более узкая и более полезная, чем твит: поставщик бенчмарков сообщает вам, что модель, которую он теперь ставит на первое место, лучше, дешевле и быстрее модели, которую он ставил на первое место три недели назад, а лидерборд, который вы обычно проверяете, чтобы это подтвердить, ещё не догнал.

Что Browser Use на самом деле опубликовал, полностью

Цитируемый пост был опубликован в аккаунте самой Browser Use в 00:09 UTC 18 ноября. В нём говорится: «GPT-6.2 Sol — лучшая модель для использования в браузере 👀 — 82%, что выше 81% у GPT-6.1 Sol; на 35% дешевле; в 2 раза быстрее: 12 мин вместо 22 мин; на 36% меньше шагов». Это четыре отдельных утверждения совершенно разной силы, и их следует разделить, прежде чем использовать любое из них для обоснования миграции.

• Оценка — 82 против 81. Один балл по средневзвешенной оценке рубрик по шкале 0–100 в бенчмарке, опубликованная методология которого описывает 180 задач, выполняемых на живых веб-сайтах. Один балл находится в пределах шумового диапазона бенчмарка, который повторно запускается на изменяющихся сторонних сайтах.

• Стоимость за задачу — на 35% дешевле. Это самое сильное утверждение в наборе, потому что именно его оператор агента может воспроизвести с небольшими затратами и потому что оно арифметически ограничено: цены на токены не изменились, значит, экономия должна откуда-то ещё взяться.

• Время выполнения — 12 минут вместо 22. Это утверждение наиболее прямо противоречит собственным опубликованным данным поставщика, и ниже оно рассматривается.

• Шаги — на 36% меньше. В браузерном агенте шаги — это вызовы инструментов, а вызовы инструментов — это то, на что цикл агента тратит и деньги, и время. Сокращение числа шагов на 36%, вероятно, сразу объясняет большинство из остальных трёх чисел.

Browser Use Bench v2.1 — это не маркетинговое упражнение. В его карточке методологии прямо указано, что оценка — это средняя взвешенная оценка по рубрикам на задачу по шкале 0–100, что столбец стоимости — это оценочная стоимость модели на задачу в USD, не включающая расходы на поиск, судью, браузер и раннер, и что прогоны выполняются на 180 живых веб-сайтах, а не на замороженном тестовом наборе. Это реальный режим измерений. Это также режим, в котором изменение оценки на один пункт и повторный прогон на живом сайте — не один и тот же тип доказательств, поэтому лидерборд исторически был консервативнее, чем его собственные посты в соцсетях.

Четырёх чисел нет на доске

Мы проверили таблицу лидеров на browser-use.com/benchmarks/agents 19 ноября 2026 года. Метаданные структурированного набора данных, встроенные в эту страницу, по-прежнему содержат запись "Browser Use Bench v2.1 model results" с полем dateModified, равным 2026-10-29. Поиск по исходному коду страницы строки "GPT-6.2" не даёт ни одного совпадения. Страница отдельной модели по адресу browser-use.com/benchmarks/models/gpt-6-2-sol не существует — по ней отдаётся заглушка 404. А в FAQ самой страницы текущее положение в рейтинге по-прежнему описывается так: "GPT-6.1 Sol high: 81.3 из 100 при $1.92 за задачу, на 180 задачах на живых сайтах. Далее идёт GPT-6 Sol high с 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.

Это не обвинение в недобросовестности. Бенчмарки публикуются по установленному графику, а анонсы — нет; аккаунт, опубликовавший пост 18 ноября, — это тот, кто запускает тестовый стенд, поэтому у него цифры появляются раньше, чем на сайте. Но это определяет эпистемический статус этого материала и любого решения о закупке, принятого на его основе на этой неделе: {{1}}показатели 82%, 35%, 2x и 36%{{/1}} заявлены вендором и не опубликованы — в том конкретном смысле, что в собственной опубликованной таблице вендора их пока нет. Команда, которая сегодня переводит браузерного агента в продакшене на GPT-6.2 Sol, руководствуется анонсом бенчмарка, а не результатом бенчмарка.

Хорошая новость в том, что это заявление легко опровергнуть. Если цифры подтвердятся, обновлённая таблица со строкой GPT-6.2 Sol должна появиться в течение нескольких дней, и четыре показателя должны выдержать сверку с JSON. Если строка появится с другими числами, вы узнаете об этом до того, как что-либо пересоберёте.

Базовая линия в твите не соответствует базовой линии на доске.

Вот деталь, которую стоит отметить, потому что именно такое теряется, когда утверждение распространяется в виде скриншота. В твите предыдущий результат GPT-6.1 Sol указан как «81%» и «22 мин». Опубликованный лидерборд Browser Use указывает для GPT-6.1 Sol при высоком уровне усилий рассуждения 81,3 из 100 при $1,92 за задачу и медианой 14,3 минуты. Оценка достаточно близка — 81 и 81,3 — это одно и то же число, округлённое по-разному. А вот время — нет. Четырнадцать минут и двадцать две минуты — это не одно и то же измерение.

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.

Есть невинные объяснения. Столбец времени в таблице лидеров — это медиана по 180 живым задачам, а медианы чувствительны к тому, какие задачи отбрасываются из-за отказа сайта; 22 минуты могут быть средним значением, могут относиться к подмножеству только высокозатратных задач, могут быть другим срезом задач или временем выполнения до того, как между 29 октября и 18 ноября был внедрён фикс тестового стенда. Есть и менее невинное: цифра времени в твите — это выбранное для сравнения значение, чтобы новая модель выглядела быстрее, а честный знаменатель для заявления о двукратном ускорении — это то, что тот же стенд выдал для старой модели в тот же день.

Вы не можете выяснить это извне. Что вы можете сделать — отказаться переносить это соотношение. «В 2 раза быстрее» здесь означает «18 ноября стенд поставщика показал 12 минут там, где для предыдущей модели он показывал 22 минуты», а не «GPT-6.2 Sol в два раза быстрее модели, которая, по данным публичного лидерборда, работает за 14,3 минуты». Если скорость — причина, по которой вы рассматриваете переход, ориентиром для планирования должна служить опубликованная цифра 14,3 минуты, пока новый лидерборд её не заменит, потому что только за ней стоит страница с описанием методологии.

Почему утверждение «на 35% дешевле» сопровождается расчётом

Ценообразование делает утверждение о стоимости проверяемым так, как остальные — нет. GPT-6.2 Sol и GPT-6.1 Sol используют одинаковую тарифную сетку, согласно собственным страницам моделей O​penAI:

• Ввод — $2.00 за миллион токенов в обоих случаях.

• Кэшированный ввод — $0.10 за миллион токенов в обоих случаях. Запись в кэш стоит $2.50 за миллион для 30-минутного кэша и $5.00 для 12-часовой записи — в обоих случаях.

• Вывод — $10.00 за миллион токенов в обоих случаях.

• Длинный контекст — свыше 272 000 входных токенов: тарифы на ввод и кэширование удваиваются, а тариф на вывод увеличивается в 1,5 раза для всего запроса, на обеих моделях. Порог остаётся на том же месте.

• Batch — 50% от стандартных ставок в обоих случаях; Fast mode удваивает, Ultrafast утраивает до 28 февраля 2027 года включительно и с 1 марта 2027 года увеличивает в шесть раз в обоих случаях.

• Контекст — окно в 1 050 000 токенов, максимум 922 000 на входе и 128 000 на выходе; на входе текст и изображения, на выходе текст — в обоих случаях. Дата отсечки знаний GPT-6.2 Sol — 1 июня 2026 г. против 30 апреля 2026 г.

Идентичные входные данные, идентичная цена за токен. Значит, снижение стоимости задачи на 35% не может быть снижением цены. Это должно быть меньше купленных токенов, и твит объясняет механизм: на 36% меньше шагов. Счёт за токены браузерного агента в основном определяется историей диалога, которая воспроизводится на каждом шаге, поэтому при длительном запуске число шагов и стоимость растут вместе почти линейно. Сократите число шагов на треть — и счёт упадёт примерно на треть, что в точности соответствует размеру заявленной экономии. Два утверждения подтверждают друг друга, и это хороший знак для обоих.

Это также предостережение о том, как трактовать экономию. Задача, обходящаяся на 35% дешевле, не означает, что месяц обошёлся на 35% дешевле, если более дешёвой модели поручают задачи, с которыми не справилась старая, или если меньшее число шагов означает, что агент завершает работу раньше и возвращает частичный результат. Именно оценка 82 по рубрике это исключает — прогон, который завершается досрочно с на треть меньшим числом шагов, получил бы более низкую оценку, а не на один балл выше, — но один балл — слишком тонкий запас, чтобы нести такой вес.

Передача цен на токены без изменений — это та часть, которая по-настоящему скучна и по-настоящему полезна. В OrcaRouter 0% наценки — это модель, при которой цена провайдера по прайс-листу равна цене, которую вы платите, поэтому когда поставщик всё же меняет прайс-лист — как OpenAI сделал для GPT-6.2 Astra, снизив на 20% цены на входные и выходные токены в тот же день, — изменение вступает в силу на платформе в день, когда оно происходит, а не ждёт, пока реселлер пересчитает цену. Это тоже работает в обе стороны: арбитражировать нечего, и никакой скидки не получить, сменив провайдера. Если сегодня вы используете GPT-6.1 Sol через один API-ключ, вызов модели GPT-6.2 Sol будет стоить столько же за токен, сколько он стоит у поставщика.

Что важно для цикла агента, помимо заголовка

Четыре операционные детали со страницы модели OpenAI значат для развёртывания браузерного агента больше, чем показатель бенчмарка, и ни одна из них не фигурирует в заголовке с 82%.

• Уровень рассуждений — GPT-6.2 Sol отклоняет нет. Самая низкая настройка — это реальный уровень, а не переключатель для отключения рассуждений. GPT-6.1 Sol поддерживает весь диапазон от низкого до максимального. Если в вашей обвязке жёстко задано «без рассуждений, только действия» ради задержки, эта конфигурация не переносится.

• Пакетный режим — поддерживается, по 50% от стандартных тарифов. Траектории браузерных агентов обычно чувствительны к задержкам, поэтому это важно главным образом для офлайн-запусков оценки, а не для продакшена.

• Эндпоинты — Responses, Chat Completions и Batch. Realtime, Assistants, Fine-tuning, Images, Videos, Speech и Transcription не поддерживаются. Именно отсутствие Fine-tuning больнее всего бьёт по командам, которые настраивали политику браузера на предыдущей модели.

• Инструменты — computer_use, web_search, mcp, hosted_shell, apply_patch, skills, tool_search, code_interpreter, image_generation и file_search перечислены как поддерживаемые. Для браузерного агента интересная пара — это computer_use вместе с tool_search: обвязка, которая может обнаруживать инструменты во время выполнения, — правдоподобный источник сокращения числа шагов на треть, потому что агент перестаёт угадывать действие, которого не существует, и затем повторять его.

• Ограничения скорости — 5 000 запросов и 1 000 000 токенов в минуту на уровне Build, 10 000 и 4 000 000 на уровне Launch, 15 000 и 40 000 000 на уровне Grow.

Как опробовать это, не рискуя производственным путём

Правильный ответ на заявление о неопубликованном бенчмарке — это выборка, а не миграция. Возьмите от двадцати до пятидесяти собственных браузерных задач, прогоните их на обеих моделях через один и тот же харнесс в один и тот же день и сравните три показателя: долю завершения по вашей рубрике, количество токенов, потребляемых на завершённую задачу, и p50 и p95 реального времени выполнения. Затем сравните два результата между собой, а не с 82 от Browser Use, потому что их распределение задач — не ваше, и разрыв в один пункт не сохранится при переносе на ваши условия.

Два практических замечания к этому тесту. Во-первых, явно зафиксируйте уровень рассуждений с обеих сторон и используйте настройку, которую поддерживают обе модели, иначе весь прогон уйдёт на измерение разницы конфигураций. Во-вторых, записывайте количество шагов в логах, поскольку на 36% меньшее число шагов — это механизм, лежащий в основе утверждения о затратах, и первое, что нужно подтвердить или опровергнуть на ваших собственных данных.

Что касается самого испытания, то фейловер — это дешёвый способ запустить непроверенную модель рядом с проверенной: направьте выборку на новую модель с автоматическим откатом на модель, которой доверяете, чтобы отказ, тайм-аут или всплеск ограничения частоты обходились вам повторной попыткой, а не проваленным заданием. Это полезно здесь именно потому, что GPT-6.2 Sol существует всего два дня, и его режимы отказа на живых сайтах — ровно то, что бенчмарк призван измерять и пока не опубликовал. Однако учитывайте состояние каталога: OrcaRouter перечисляет 217 моделей, включая GPT-6.1 Sol — модель, которая сейчас возглавляет таблицу Browser Use, — но GPT-6.2 Sol в нём пока нет: для неё вам придётся обращаться напрямую через собственный API OpenAI. Предыдущая модель по цене без наценки — надёжная база для сравнения с новой, и именно эту роль ей следует играть на этой неделе.

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.

Что изменило бы эту историю

Три вещи, в порядке того, насколько сильно они повлияли бы на ответ. Строка GPT-6.2 Sol, появившаяся на browser-use.com/benchmarks/agents с цифрами, совпадающими или близкими к твиту, — это превращает анонс вендора в результат вендора и значительно усиливает аргумент в пользу миграции, хотя всё равно не будет независимым. Независимое стороннее измерение времени и стоимости браузерных задач на том же наборе задач — именно это решило бы вопрос о 12 против 22 минут, и за этим числом стоит следить. И опубликованная разбивка на уровне задач, потому что «на 36% меньше шагов» — это либо улучшение на уровне тестового стенда, которое обобщается на вашего агента, либо особенность 180 конкретных сайтов, и только данные по каждой задаче позволяют различить эти варианты.

Пока не будет реализован хотя бы первый из этих пунктов, обоснованное резюме таково: GPT-6.2 Sol стоит столько же за токен, сколько GPT-6.1 Sol; небольшой прирост баллов и большой выигрыш по затратам, о которых сообщает Browser Use, внутренне согласуются с сокращением вызовов инструментов на треть; а утверждение о скорости опирается на базовый показатель, который не совпадает с опубликованной самим поставщиком медианой. Этого достаточно, чтобы обосновать двухдневную оценку на ваших собственных задачах. Этого недостаточно, чтобы обосновать переписывание.

Сравнение в этой статье1

Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно