GPT-6.1 Sol vs GPT-6 Astra: En indexpoäng, fem gånger prislistan

GPT-6.1 Sol och GPT-6 Astra är en familjs mellanklass- och flaggskeppsmodeller, släppta fyra veckor isär — Sol den 29 september 2026, Astra den 3 september 2026 — och fram till den här veckan vilade jämförelsen mellan dem helt och hållet på Ope​nAI:s egna siffror. Det gör den inte längre. Artificial Analysis har utvärderat båda vid maximal resonemangsansträngning på samma indexversion, och resultatet är en skillnad på 0,84 punkter till Astras fördel bredvid en skillnad på 4,5 gånger i kostnad per utvärderingskörning till GPT-6.1 Sols fördel. På prislistorna är förhållandet ännu skarpare: Astra är 5 gånger GPT-6.1 Sol för indata och utdata och 10 gånger för cachad indata. Frågan som den här sidan besvarar är var den premien köper något man kan peka på, och var den helt enkelt är priset för ett namn.

Vad de två modellerna är, och vad styrelsen mätte

Båda tar emot text och bild och ger text ut, med ett kontextfönster på 1 050 000 tokens och högst 128 000 utdatatokens, och båda erbjuder en femstegs ansträngningsstege – låg, medel, hög, xhigh och max – efter att ha slopat inställningen none som GPT-6 Sol fortfarande accepterar. Ingen av dem stöder finjustering. De skillnader som spelar roll är de som prislistan anger: Astra är flaggskeppsnivån, GPT-6.1 Sol är en uppfräschning av nivån under den, och OpenAIs egen positioneringsfras för den nyare modellen är "nära Astra-prestanda för komplext arbete till en lägre kostnad."

Artificial Analysis poängsätter det påståendet i sitt Intelligence Index — tio utvärderingar i version v4.3.2, samma version för båda modellerna — och registrerar det releasedatum som det har för var och en. Det utvärderar båda i konfigurationen för maximal ansträngning som modellsidan anger i sin rubrik. Det som följer är den jämförelsen, plus den kostnadsaritmetik som indexet inte utför åt dig.

• GPT-6.1 Sol — släpptes 2026-09-29, Intelligence Index 51,8 vid maximal ansträngning, 2,00 USD indata / 0,10 USD cachad / 2,50 USD cacheskrivning / 10,00 USD utdata per miljon tokens.
• GPT-6 Astra — släpptes 2026-09-03, Intelligence Index 52,7 vid maximal ansträngning, 10,00 USD indata / 1,00 USD cachad / 12,50 USD cacheskrivning / 50,00 USD utdata per miljon tokens.
• Ingen av dem — accepterar none som resonemangsansträngning; båda prissätter om hela begäran med 2× indata- och cachepriser och 1,5× utdata när indata passerar 272 000 tokens. Astras långkontextnivå är 20,00 USD indata / 2,00 USD cachad / 75,00 USD utdata; GPT-6.1 Sols är 4,00 USD / 0,20 USD / 15,00 USD.
• Båda — stöder webbsökning, filsökning, bildgenerering, kodtolk, hostat skal, apply patch, skills, datoranvändning, MCP och verktygssökning via Responses API.

0,84 indexpoäng, 4,5 gånger räkningen

Två siffror står sida vid sida på tavlan och tillsammans utgör de hela argumentet. GPT-6 Astra med maximal ansträngning får 52,7. GPT-6.1 Sol med maximal ansträngning får 51,8. Bredvid varje poäng publicerar tavlan vad det kostade att köra indexet bakom den: 3,26 dollar per uppgift för Astra, 0,72 dollar för GPT-6.1 Sol. Läst som en enda mening – 0,84 poäng för 4,5 gånger pengarna – är det den mest beslutsrelevanta siffran som något av företagen har publicerat om dessa två modeller.

Båda modellerna publicerar också en poäng för varje punkt på ansträngningsstegen, vilket gör att jämförelsen kan köras vid lika stor utgift i stället för vid lika inställning:

• maximal ansträngning — GPT-6.1 Sol 51,8 för 0,72 $ per körning mot GPT-6 Astra 52,7 för 3,26 $.
• extra hög — 51,0 för 0,39 $ mot 52,4 för 2,31 $.
• hög — 50,2 för 0,32 $ mot 50,9 för 1,73 $.
• medel — 47,8 för 0,21 $ mot 49,6 för 1,54 $.
• låg — 42,1 för 0,13 $ mot 45,8 för 0,82 $.

Ställer man upp nivåerna över modellerna faller ett faktum ut som ingen av leverantörerna marknadsför: Astras egen spridning från high till max är 1,8 indexpunkter, mer än dubbelt så stor som hela gapet mellan Astra på max och GPT-6.1 Sol på max. Med andra ord ger valet av Astra framför GPT-6.1 Sol dig mindre poäng än att välja Astras max-inställning framför Astras high-inställning – och det andra av dessa val kostar en bråkdel av det första. Alla vars arbetsbelastning verkligen är känslig för dessa 1,8 punkter bör kontrollera ansträngningsinställningen innan de kontrollerar modellkolumnen.

Där Astras premie fortfarande köper något

Sammanvägningen är nära; de individuella utvärderingarna är det inte. Poängsatt rad för rad vid maximal ansträngning har GPT-6 Astra fördelen i sex av tio, och de den har är de som handlar om att agera snarare än att svara.

• AutomationBench-AA, flerstegsarbetsflöden mellan verktyg – 0,685 för Astra mot 0,649 för GPT-6.1 Sol. Astra leder med 3,6 poäng.
• Terminal-Bench 4.0, terminalarbete i verkliga miljöer – 0,591 mot 0,561. Astra leder med 3,0 poäng.
• SciCode – 0,565 mot 0,542. Astra leder med 2,3 poäng.
• Humanity's Last Exam – 0,547 mot 0,529. Astra leder med 1,8 poäng.
• AA-Omniscience – 43,4 mot 41,5, och på samma uppsättning är Astras hallucinationsfrekvens 0,513 mot GPT-6.1 Sols 0,543. Astra är både mer korrekt och mer benägen att säga att den inte vet.
• AA-Briefcase v1.1, professionella leverabler – Elo 1568,9 mot 1564,2. Astra leder med 4,7.

Mönstret är tillräckligt konsekvent för att gå att planera kring: när uppgiften kräver att modellen håller reda på en lång kedja av åtgärder — styra en terminal, köra ett arbetsflöde med flera verktyg, producera en dokumentliknande leverabel — är Astras marginal verklig och repeterbar över olika utvärderingsramverk. När uppgiften är en kunskapsfråga som besvaras i en enda tur, försvinner marginalen till stor del.

Där den billigare modellen vinner, inklusive cachelinjen

GPT-6.1 Sol är inte en genomgående något sämre Astra. I de utvärderingar som belönar läsning och resonemang över långt material leder den, och på prislistan leder den med en marginal som indexet aldrig ser.

• GDPval-AA, professionellt arbete bedömt mot expertutdata — Elo 1575,1 för GPT-6.1 Sol mot 1541,9 för Astra. En ledning på 33 poäng för modellen som kostar en femtedel så mycket, och den enskilt största oberoende vinsten i raden.
• AA-LCR v1.1, resonemang över lång kontext — 0,830 mot 0,807. GPT-6.1 Sol leder.
• GDP.pdf — helt jämnt på 0,310, liksom CritPt på 0,317.
• Cachad indata — 0,10 USD per miljon tokens mot Astras 1,00 USD. Detta är raden som avgör agentekonomin och den finns inte med någonstans i indexet.
• Utdatas hastighet — 66,8 tokens per sekund mot 56,95 i samma utvärderingskörning, med 67,2 miljoner utdatatokens spenderade mot Astras 60,0 miljoner. Ingen av modellerna är snabb; GPT-6.1 Sol är den snabbare av de två.

En agentmånad, prissatt enligt båda prislistorna

Ta en arbetsbelastning som skickar ett stabilt prefix igen: 40 miljoner indatatoken per månad, varav 85 % serveras från cachen, plus 4 miljoner utdatatoken. Enligt GPT-6.1 Sols prislista är det $3,40 för de cachade läsningarna, $12,00 för den icke-cachade indatan och $40,00 för utdatan — $55,40 för månaden. Enligt GPT-6 Astras prislista kostar samma trafik $34,00 i cachade läsningar, $60,00 i icke-cachad indata och $200,00 i utdata — $294,00. Arbetsbelastningen är identisk; räkningen är 5,3 gånger större.

Två trösklar rubbar den beräkningen, och båda är värda att prissätta före migreringsbeslutet i stället för efter. Den första är 272 000 indatatoken i en enda begäran: passerar du den får hela begäran ett nytt pris med dubbla indata- och cachepriserna och 1,5× utdatapriset, vilket flyttar GPT-6.1 Sol till $4.00 / $0.20 / $15.00 och Astra till $20.00 / $2.00 / $75.00. Den andra är själva ansträngningstrappan – att sänka GPT-6.1 Sol från max till xhigh minskar dess indexkörningskostnad från $0.72 till $0.39 för 0,8 poäng, och att sänka Astra från max till high minskar $3.26 till $1.73 för 1,8. I en cacheintensiv agentloop är ansträngningsinställningen en större kostnadshävstång än modellkolumnen, vilket är motsatsen till hur dessa två modeller vanligtvis jämförs.

Vilken du ska köra, och vad du faktiskt kan anropa

Utifrån bevisen är uppdelningen renare än marknadsföringen antyder. Dirigera arbetet som måste överleva en lång kedja av åtgärder — terminalsessioner, verktygstung automatisering, dokumentleverabler där ett hallucinerat stycke är dyrt — till GPT-6 Astra, och överväg att köra det på high snarare än max om du inte har mätt att de extra 1,8 poängen landar på dina uppgifter. Dirigera allt som är kunskapstungt, cache-tungt eller läsdominerat till GPT-6.1 Sol: det är bättre på bedömning av professionellt arbete, bättre på långkontextresonemang, snabbare och fem till tio gånger billigare på de rader som dominerar en verklig faktura.

Det du kan anropa i dag är den ärliga delen. OrcaRouter tillhandahåller GPT-6 Astra till OpenAI:s eget listpris — priserna $10.00 för indata, $50.00 för utdata, $1.00 för cacheläsning och $12.50 för cacheskrivning, med 272K-omprissättningsregeln vidarebefordrad exakt så som leverantören publicerar den — tillsammans med GPT-6 Sol och GPT-6 Luna. Den tillhandahåller inte GPT-6.1 Sol: den offentliga katalogen returnerar "model not found" för openai/gpt-6.1-sol, och vi kommer inte att beskriva en modell som vi inte kan routa. Eftersom leverantörens listpris vidarebefordras utan påslag, kommer den att kosta OpenAI:s pris hos oss utan ett omprissättningssteg den dag modellen lanseras; i dag är den användbara halvan av den här jämförelsen flaggskeppet, bakom en enda API-nyckel, med routnings-DSL:et tillgängligt om du vill sätta samman en billig modell och en dyr till ett enda anrop i stället för att välja mellan dem per begäran.

Det man ska se upp med är den rad som den här jämförelsen saknar. Varken leverantörens siffra eller ett oberoende index säger dig vad din egen trafik kommer att göra på dessa två nivåer, och det enda billiga sättet att ta reda på det är att köra samma uppgiftsuppsättning genom båda med failover som håller ställningen. Det är ett enknappsexperiment när båda halvorna är anropbara, och ett halvt experiment tills de är det.