
Счёт за доработку GPT-6.2 Sol: дёшево за токен, дорого за исправление
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 185 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 826 tok/s
- AlibabaНОВИНКАQwen: Qwen4 Max2026-11-16$1.50 / $4.50 за 1 млн токенов · 407 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 87 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
Утром 20 ноября китайскоязычный ИИ-комментатор 宝玉 (@dotey) опубликовал вердикт о GPT-6.2 Sol, который узнает любой, кто провёл с этой моделью неделю. Простые задачи — нормально. Сложные задачи по программированию не просто немного хуже, чем Claude Opus 5.5 — работу, которую Sol доводит до конца, всё ещё приходится дочищать с помощью Opus, так что лучше было бы сразу поручить задачу Opus. Этот пост — отчёт об использовании и ничего больше: ни тестового стенда, ни списка задач, ни диффа, 124 лайка на момент написания и ветка комментариев, где об этом спорят. Его также можно проверить — в отличие от большинства впечатлений первой недели после запуска, — потому что у описанного им есть форма. Модель, которая нормально справляется с лёгкой работой и разваливается на сложной, должна показывать в оценках определённый паттерн — силу в исполнении, слабость в понимании, — и у опубликованных цифр этот паттерн либо есть, либо нет.
В основном так и есть. OpenAI выпустила GPT-6.2 Sol 17 ноября 2026 года по цене $2 за миллион входных токенов и $10 за миллион выходных. В независимом индексе Coding Agent Index от Artificial Analysis она оказывается ниже модели, которую заменяет, и компонент, который тянет её вниз, — это тот, где модель должна прочитать кодовую базу и сказать о ней что-то верное. Это и есть механизм, стоящий за фразой «после неё нужно прибирать», выраженный числом. Чего твит не делает — и что пытается сделать этот материал — так это оценить стоимость уборки, потому что если реально посчитать, тезис о переделках оказывается гораздо сильнее по реальному времени, чем по деньгам, а эти два показателя ведут к разным решениям.
Что на самом деле утверждает пост
Сказано прямо: «Сегодня я устроил стресс-тест GPT-6.2 Sol. С простыми задачами всё в порядке. На чуть более сложных задачах по кодингу он не просто немного хуже Opus 5.5 — за его готовой работой всё равно приходится подчищать Opus 5.5, так что лучше с самого начала поручить это Opus 5.5».
Внутри этого лежат три отделимых утверждения. Во-первых, утверждение о качестве: Sol существенно хуже Opus 5.5 в сложном программировании. Во-вторых, утверждение о рабочем процессе: разрыв проявляется как переделка, а не как очевидный сбой — вы получаете результат, он выглядит завершённым, и более сильной модели приходится его исправлять. В-третьих, экономическое утверждение: переделка сводит на нет всю экономию на цене токенов.
Первые два можно проверить по опубликованным оценкам. Третье — это арифметика, и оно зависит от числа, которое никто не публиковал, — сколько стоит проход исправления по сравнению с однократным выполнением задачи с помощью дорогой модели. Всё нижеследующее сохраняет эти три утверждения раздельно, поскольку не все они выдерживают проверку в равной степени.
Чистое сравнение выполняется в рамках одного стенда
Предупреждение, прежде чем переходить к цифрам, потому что это самый распространённый способ нечестно провести такое сравнение. Artificial Analysis измеряет агентов для программирования как пару из модели и харнесса: Codex для моделей OpenAI, Claude Code для Anthropic. Стоимость за задачу, расход токенов и реальное время зависят от харнесса не меньше, чем от модели, поэтому прямое сравнение «Sol стоит $1.22, Opus стоит $12.61» измеряет две разные машины.
После этого возражения остаётся только сравнение внутри одного харнесса. В Codex GPT-6.2 Sol можно напрямую сопоставить с GPT-6.1 Sol и GPT-6.2 Astra на одинаковых задачах, с тем же инструментарием и той же системой оценки — и именно здесь кроется регрессия. Межхарнессную пару всё ещё стоит публиковать, с чёткой пометкой, потому что именно такое сравнение читатель на самом деле проводит, когда выбирает между подпиской OpenAI и подпиской Anthropic.
• Codex, GPT-6.2 Sol (max) — Coding Agent Index 48,6, $1,22 за задачу, 4,25 млн токенов
Codex, GPT-6.1 Sol (max) — индекс 52,2, $1,51 за задачу, 4,33 млн токенов.
• Codex, GPT-6.2 Astra (max) — индекс 53,5, $5,12 за задачу, 4,67 млн токенов
• Claude Code, Claude Opus 5.5 (max) — индекс 58,2, $12,61 за задачу, 15,89 млн токенов
Прочитайте первые две строки вместе. Новая модель набирает на 3,6 балла меньше чем та, которую она заменяет, на том же стенде, при расходе токенов в пределах 2% от него. Цена тоже не изменилась — Sol держит $2 и $10 с 29 сентября, и GPT-6.2 Sol в точности сохранил тарифную сетку. Так что это не более дешёвая модель, обменивающая качество на цену. Это та же цена, тот же стенд и меньше возможностей в том, что измеряет индекс. Сравнение @dotey — с моделью другого поставщика, но регрессию, которую он ощущает, видно, не выходя за пределы собственной продуктовой линейки OpenAI.

Где разрыв в сложных задачах реален
Coding Agent Index — это композит из трёх оценок с равным весом: FrontierCode-AA 2.0 (132 задачи по разработке программного обеспечения, написанные Cognition и реализованные Artificial Analysis), Terminal-Bench 4.1 (66 агентных задач для терминала от Laude Institute) и SWE-Atlas-QnA-AA (124 задачи в формате технических вопросов и ответов по кодовой базе от Scale AI с оценкой, скорректированной Artificial Analysis). Каждая оценка — среднее по трём попыткам на задачу.
Разложите Sol на компоненты в сравнении с его предшественником — и форма, которую описывает @dotey, сразу проявится:
• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46,2% против GPT-6.1 Sol 59,9%, падение на 13,7 пункта в рамках одного харнесса
• FrontierCode-AA 2.0 — 41,5% против 42,5%, практически без изменений
• Terminal-Bench 4.1 — 58,1% против 54,0%, прирост на 4,1 пункта
Итак, модель стала лучше в выполнении и хуже в понимании. Работа в терминале — это выполнение и наблюдение: запустить команду, прочитать вывод, скорректировать. Вопросы и ответы по кодовой базе — это поиск и изложение: найти нужный код, понять, почему он устроен именно так, и точно это сформулировать. Модель, которая улучшается в первом и теряет 13,7 пункта во втором, пройдёт смоук-тест и выдаст правки, которые выглядят правильными, но упускают причину, по которой код был написан именно так. Именно это и есть тот сценарий отказа, который порождает переделку, а не сообщение об ошибке, и поэтому жалоба звучит как «это нужно привести в порядок», а не «это не работает».
Абсолютный разрыв с Opus 5.5 на той же оценке ещё больше — 46,2% против 65,9% — но там сравниваются разные харнессы, поэтому считайте его ориентировочным. Падение на 13,7 пункта внутри Codex ориентировочным не является. Это тот же харнесс, те же 124 задачи, тот же грейдер, и модель просто отвечает на вопросы о кодовой базе менее точно, чем модель, которую она заменила.

Где Sol действительно хорош
Первая часть твита заслуживает такого же внимания, как и вторая. «Простые задачи — это нормально» не является уступкой; в составном Intelligence Index, который прогоняет каждую модель через один и тот же набор тестов, а не через стенды производителей, GPT-6.2 Sol при максимальных усилиях напрямую превосходит Claude Opus 5.5 при максимальных усилиях по нескольким компонентам:
• Terminal-Bench-Science 0.1 — 67,6% против 59,0%, победа Sol с преимуществом в 8,6 пункта
• AutomationBench-AA — 71.3% против 69.5%
• Terminal-Bench 4.0 — 60,1% против 59,6%
• GDP.pdf — доля прошедших — 30,0% против 26,2%
А в тех случаях, где требуется удержать факт и сообщить его, он проигрывает:
• HLE-Diamond — 64,0% против 67,9%
• AnalystAgent — 53,8% против 56,3%
• AA-Omniscience — 40,4 при точности 61,6% против 48,1 при точности 65,5%
• FrontierCode-AA 2.0 (версия Index) — 44,4% против 46,4%
Строка Omniscience — та, над которой стоит задуматься. Это оценка, измеряющая, знает ли модель, чего она не знает: Sol отвечает правильно в 61,6% случаев, а уровень его галлюцинаций составляет 55,4% против 65,5% и 50,3% у Opus 5.5. Модель, которая отвечает правильно почти на четыре пункта реже и выдумывает что-то на пять пунктов чаще, — это модель, чьи результаты человеку приходится проверять; и это тезис о переработке, приходящий с другой стороны.
Net, Sol набирает 57,3 против 59,1 по сводному показателю и выполняет задачу за 9,6 минуты вместо 25,7 при $1,01 вместо $10,04, при этом генерируя 60,9 млн выходных токенов по всему набору тестов против 218 млн у Opus. Как бы то ни было, дешёвая модель не медленная и не многословная.
Регулятор усилия уже прошёл весь диапазон.
Очевидное возражение любого, кто пользовался моделью рассуждений OpenAI, состоит в том, что это неверная настройка. Снизьте уровень усилий — и модель перестаёт чрезмерно обдумывать; повысьте — и она перестаёт халтурить. Artificial Analysis уже провела полный прогон по Coding Agent Index внутри Codex, и это не спасает ситуацию:
• низкая — 37.2
средний — 45.4
• высокий — 47.5
• очень высокий — 49.8
• макс. — 48,6
Пик находится на xhigh, а не на максимуме: доведение усилий до предела на самом деле стоит 1,2 балла — это тот самый немонотонный результат, который проявляется, когда модель начинает сомневаться в себе. Но даже лучшая настройка, 49,8, на 2,4 балла ниже результата GPT-6.1 Sol на максимуме и на 8,4 ниже Claude Opus 5.5. Нет такого положения регулятора, при котором GPT-6.2 Sol становится более сильным агентом по программированию; есть только выбор, сколько вы готовы заплатить за 49,8.
Об этой цене выбора стоит знать, потому что в относительных терминах она высока, даже если в абсолютных кажется низкой. В Intelligence Index Sol стоит $0,18 за задачу при low effort, $0,41 при medium, $0,56 при high, $0,65 при xhigh и $1,01 при max. Переход с medium на xhigh примерно удваивает качество на задачу — с 52,7 до 55,7 по этому индексу — и стоит на 58% больше. По умолчанию используется medium — именно эта настройка даёт оценку 45,4 в кодинге. Если вы сравниваете Sol с Opus, делайте это на xhigh или max, иначе вы сравниваете не ту конфигурацию.
Одно число, которое предсказывает доработки
В том же запуске есть вторая серия данных, которая напрямую отражает опыт «это нужно почистить», и это не оценка качества. Artificial Analysis фиксирует отказы по соображениям безопасности для каждой оценки и различает отказы, из которых harness восстановился, и те, что привели к завершению попытки. На SWE-Atlas-QnA-AA, по более чем 372 попыткам:
• GPT-6.2 Sol (max) — 25 отказов, каждый — жёсткая остановка, 6,7% попыток
• GPT-6.2 Sol (xhigh) — 22 отказа, 5,9%
• GPT-6.2 Sol (medium) — 13 отказов, 3,5%
• GPT-6.1 Sol (max) — 15 отказов, 4.0%
• GPT-6.2 Astra (max) — 8 отказов, 2,2%
• Claude Opus 5.5 — 52 отказа, ни один из них не является жёсткой остановкой, 14,0%
Линейка Opus — самая интересная, и она противоречит поверхностному прочтению. Opus 5.5 отказывается чаще, чем любая модель в этой таблице, — и харнесс восстановил все 52, так что ни один из них не стоил прогона. Sol отказывается реже, и харнесс не смог восстановить ни одного из его 25. Отказ, который завершает ход агента, — это задача, которую теперь приходится брать на себя человеку; отказ, который удаётся восстановить, — это повторная попытка. В оценке, которая больше всего напоминает «ответы на вопросы об этом репозитории», модель, на которую жалуется твит, терпит неудачу в режиме, порождающем незавершённую работу, а не неверную.
Если рассматривать это вместе с падением понимания на 13,7 пункта, перед нами цельная картина, а не два несвязанных числа: Sol менее надёжен в той части кодинга, которая связана с извлечением и сообщением результатов, и когда он даёт сбой, то делает это так, что задача остаётся открытой.
Оценка стоимости прохода очистки
Теперь третье утверждение — экономическое, и именно здесь интуиция чаще всего одерживает верх над арифметикой. Используйте стоимость выполнения одной задачи по Intelligence Index, потому что этот набор тестов использует один и тот же стенд для каждой модели в нём, а значит, цифры напрямую сопоставимы: GPT-6.2 Sol — $1.01, Claude Opus 5.5 — $10.04.

Возьмём задачу, которую выполняет Sol, а затем исправляет Opus. Пусть p — доля задач, требующих исправления, а r — стоимость исправления как доля полного прохода Opus. Схема «Sol, затем исправление» стоит $1.01 + p × r × $10.04. Один Opus стоит $10.04. Схема «Sol, затем исправление» дешевле, когда p × r меньше 0.899.
Это высокая планка. Если исправление стоит половину полного прохода, можно исправлять каждую задачу без исключения и всё равно быть на 78% дешевле, чем сразу обращаться к Opus. Счёт меняется на противоположный, только когда стоимость исправлений приближается к стоимости полной переделки почти для каждой задачи: при p = 1 и r = 1 вы платите $11.05 за то, что Opus сделал бы за $10.04. На тысяче задач это $11,050 против $10,040 — штраф 10%, а не разгром, который подразумевает твит.
Итак, если говорить только о деньгах, жалоба на переделку не опровергает ценовое обоснование, если только переделка не близка к тотальной. Но деньги — не то ограничение, с которым сталкивается большинство команд. Время — вот оно:
• Время на выполнение одной задачи Intelligence Index — GPT-6.2 Sol 9,6 мин против Claude Opus 5.5 25,7 мин
• Время, когда задаче требуется полная переделка Opus — 9,6 + 25,7 = 35,3 мин против 25,7 мин
• Затраты токенов на тот же набор — 60,9 млн против 218 млн выходных токенов
Здесь тезис о переделках верен без оговорок. Любая задача, которую Sol берётся выполнять и затем возвращает, — это задача, занявшая на 37% больше времени, чем если бы вы сначала обратились к Opus, и это время нельзя вернуть более дешёвым токеном. Если ваше ограничение — дедлайн, а не бюджет — а именно в такой ситуации находится почти каждый разработчик, когда публикует эту жалобу, — @dotey прав, и речь идёт о пропускной способности, а не о цене.
Что изменило бы вердикт
Две вещи, и ни одна из них пока недоступна. Первая — опубликованный показатель доработок: какую долю диффов Sol для сложных задач более сильной модели фактически приходится изменять, измеренную на фиксированном наборе задач. Никто этого не публикует, потому что для этого нужно прогнать две модели на одних и тех же тикетах и сравнить результаты, и это единственное число, которое разрешило бы спор. Вторая — показатель GPT-6.2 Sol в прогоне по кодингу на Anthropic-harness или Opus 5.5 на Codex, что превратило бы приведённое выше сравнение между харнессами в реальное очное сопоставление.
В противовес этому обратите внимание на то, что уже установлено. Регрессия реальна, и она находится в рамках одного харнесса. Перебор уровней effort её не исправляет. Оценка понимания — та, что предсказывает переработку, — сдвинулась не в ту сторону на 13,7 балла. У читателя, который хочет найти причину оставить сложное программирование на Opus 5.5, есть причина, не зависящая от чьего-либо впечатления о неделе запуска.
Запуск теста на ваших собственных задачах
Долю переделок можно измерить по собственному бэклогу за полдня, и это единственный вариант этого показателя, который имеет для вас значение. Возьмите двадцать задач, которые ваша команда действительно выпустила в прошлом месяце, прогоните каждую через обе модели с одинаковой настройкой усилий и сравните полученные патчи с тем, что в итоге слил человек. Доля задач, потребовавших существенной переработки, — это ваш p; стоимость прохода исправлений в токенах — это ваш r.
OrcaRouter превращает это в решение о маршрутизации, а не о закупке: anthropic/claude-opus-5.5 и openai/gpt-6.1-sol оба доступны по одному ключу, по прайсовой цене самого поставщика, с нулевой наценкой, так что указанные выше цифры — это то, что вам выставят в счёт. Здесь это важнее обычного, потому что модель, против которой выступает твит, — GPT-6.2 Sol — ещё отсутствует в нашем каталоге; мы её не обслуживаем, и никакая маршрутизация этого не изменит. Мы же предоставляем модель, которую заменила Sol, а это правильный контроль для эксперимента: запустите 6.2 Sol везде, где у вас есть к ней доступ, запустите GPT-6.1 Sol на тех же задачах через нас — и падение понимания на 13,7 пункта станет тем, что вы сможете подтвердить или опровергнуть на собственном коде, а не на синтетическом наборе.
Для той формы развёртывания, которую подсказывают данные, DSL маршрутизации — честный ответ: направляйте этапы планирования и понимания кодовой базы в Opus 5.5, направляйте исполнение и терминальные циклы более дешёвой модели и позвольте автоматическому переключению при сбое покрывать случай, когда провайдер зависает посреди выполнения. Это конфигурация, а не архитектура — и именно так выглядит «использовать Opus, чтобы прибрать за Sol», когда вы записываете это как конвейер, а не как жалобу.
Единственное, что стоит вынести из твита, какую бы модель вы ни выбрали: счёт за задачу по программированию — это не количество токенов. Это токены плюс человеко-минуты плюс прошедшее реальное время между «готово» и «на самом деле готово». Sol решительно выигрывает первую строку этого реестра, Opus 5.5 выигрывает вторую и третью всякий раз, когда задача возвращается, а ни один поставщик не публикует частоту, с которой задачи возвращаются. Пока кто-нибудь этого не сделает, единственное заслуживающее доверия число — то, которое вы измеряете на своих собственных диффах.
Сравнение в этой статье1
Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно
