GPT-6.1 Sol vs Laguna S 2.1: Femtio gånger utpriset för arbete som ingen har mätt sida vid sida

Femtio gånger. Det är förhållandet mellan vad GPT-6.1 Sol tar för en miljon utdatatoken och vad Laguna S 2.1 tar — $10.00 mot $0.20 — och det är den största prisskillnaden i hela den här jämförelseserien. GPT-6.1 Sol är OpenAI:s utgåva från 2026-09-29, en generalist med 1 050 000 token och en publicerad oberoende poäng. Laguna S 2.1 är Poolside:s utgåva från 2026-07-21, en agentisk kodare av typen mixture-of-experts med öppna vikter och 118 miljarder parametrar, varav ungefär 8 miljarder parametrar aktiva per token, vikter med Apache-nära licens på Hugging Face och en benchmarksvit som Poolside själva tagit fram. Prisskillnaden är verklig och enorm. Huruvida det är en klyfta värd att överbrygga beror på en fråga som ingen av leverantörerna har svarat på: har någon mätt de två på samma uppgift?

Leverantörsrapporterade siffror märks genomgående som sådana. Siffror från Artificial Analysis är oberoende mätningar som återfinns i våra modellregister. Våra egna serving-siffror identifieras som våra. Där en cell är tom förblir den tom.

Vad varje sida är

Poolsides Laguna S 2.1 är en specialist, och det syns i designen. Det är en mixture-of-experts-modell med 118 miljarder parametrar, varav omkring 8 miljarder är aktiva för varje given token, en växlingsknapp för tänkande/icke-tänkande och ett kontextfönster som når 1 000 000 tokens. En mindre syskonmodell, Laguna XS 2.1, ligger på 33 miljarder parametrar med ungefär 3 miljarder aktiva och kostar 0,06 USD för indata och 0,12 USD för utdata per miljon. Vikterna för S-varianten publiceras på Hugging Face på poolside/Laguna-S-2.1.

Siffran 8 miljarder aktiva är det tal som både förklarar priset och begränsar produkten. Inferenskostnaden följer de aktiva parametrarna, inte totalen; en 118B MoE som förbrukar 8B per token är billig att servera på ett sätt som en dense modell med samma totala storlek inte skulle vara. Men en budget på 8B aktiva är också ett hårt tak för vad en enda framåtpassning kan göra, och det taket är anledningen till att en oberoende utvärderares index för allmänna ändamål är en mer användbar måttstock för den än en programmeringsspecifik poäng.

GPT-6.1 Sol är den motsatta typen av objekt. En enda snapshot-identifierare, gpt-6.1-sol, ingen daterad variant, ett kontextfönster på 1 050 000 token, maximalt 128 000 i utdata, text-, bild- och filinmatning, resonemang alltid påslaget över fem ansträngningsnivåer med medel som standard, och en kunskapsavgränsning den 30 april 2026. Den accepterar inte temperature eller top_p; ansträngningsvredet ersätter dem. Den är stängd, prissätts per token och kan inte finjusteras.

Dimensionerna där de faktiskt skiljer sig åt:

• Indatapris — 0,10 $ per miljon för Laguna S 2.1 mot 2,00 $ för GPT-6.1 Sol. Tjugo gånger.

• Utpris — 0,20 $ mot 10,00 $. Femtio gånger.

• Resonemangsstyrning — en binär växling mellan tänkande och icke-tänkande på Laguna S 2.1 mot fem graderade ansträngningsnivåer på GPT-6.1 Sol.

• Vikter — nedladdningsbara och möjliga att hosta själv för Laguna S 2.1; stängda för GPT-6.1 Sol.

• Kontextfönster — upp till 1 000 000 tokens för Laguna S 2.1 mot 1 050 000 för GPT-6.1 Sol. I praktiken samma nivå.

Benchmark-raderna, med båda uppsättningarna etiketter fästa

Poolsides publicerade siffror för Laguna S 2.1, alla rapporterade av leverantören och inga reproducerade av en tredje part så vitt vi kan hitta:

• SWE-Bench Multilingual — 78,5 %.

• Terminal-Bench 2.1 — 70,2 %.

• DeepSWE v1.1 — 40,4 %, mot 9,0 % för DeepSeek-V4-Pro-Max, vilket Poolside framställer som ungefär en sjättedel av de aktiva parametrarna som ger över fyra gånger så högt resultat.

GPT-6.1 Sols oberoende rekord, allt från Artificial Analysis:

• AA Intelligence Index — 51,8, rang 10 av 147, 93,2:a percentilen.

• Humanity's Last Exam — 52,9 %.

• Återkallelse i lång kontext 83 %.

• SciCode — 54,2 %.

• Terminal-Bench 4.0 — 56,06 %.

Det finns en plats där dessa två listor tycks mötas, och det är en fälla. Laguna S 2.1 rapporterar 70,2 % på Terminal-Bench 2.1. GPT-6.1 Sol är inte alls poängsatt på Terminal-Bench 2.1 i våra register — dess terminalsiffra avser version 4.0, en senare och svårare revision av testramverket. Att ställa 70,2 % bredvid 56,06 % och kalla det en tolvbetygsvinst för Laguna vore att jämföra två olika tester, och det är precis det misstag som den här bloggen finns för att undvika. De två modellerna har ingen gemensam benchmark-rad, vilket innebär att prestationshalvan av denna jämförelse för närvarande är omätt.

Två ytterligare luckor är värda att nämna. Laguna S 2.1 har ingen poäng i Artificial Analysis Intelligence Index och inget oberoende resultat i SWE-bench Verified. För en modell som publicerades i juli är det en lång tid att gå utan en extern mätning, och det är det enskilt största utelämnandet i allt som Poolside har publicerat om den.

Vad är växlingsknappen för tänkande

Poolsides egna siffror sätter en siffra på reglaget, och det är det mest intressanta i släppet. Att slå på tänkandet lyfter DeepSWE v1.1 från 16,5 % till 40,4 % – en faktor på ungefär 2,4 – och Terminal-Bench 2.1 från 60,4 % till 70,2 %. Båda siffrorna är leverantörens och inte reproducerade.

Läst mot priset spelar det roll på ett sätt som rubrikpriset i prislistan inte fångar. Tankeläget förbrukar utdatatokens, och utdatatokens är det du betalar för. En arbetsbelastning som kör Laguna S 2.1 med tänkande påslaget kommer att förbruka väsentligt mer utdata än samma arbetsbelastning med det avstängt – vilket är precis vad man kan förvänta sig av en 2,4× förbättring på ett krävande agentiskt benchmark. Så den ärliga jämförelsen mot GPT-6.1 Sol är inte $0,20 mot $10,00 på rå utdata. Det är kostnaden per slutförd uppgift med tänkande aktiverat mot den ansträngningsprissatta kostnaden per slutförd uppgift.

Den jämförelsen talar fortfarande till Laguna S 2.1:s fördel, och det är värt att räkna på det i stället för att bara påstå det. Ta en arbetsbelastning som producerar en miljard i månaden mot tre miljarder tokens:

• GPT-6.1 Sol — 3 miljarder indata till 2,00 dollar per miljon är 6 000 dollar; 1 miljard utdata till 10,00 dollar per miljon är 10 000 dollar. Sextontusen dollar i månaden.

• Laguna S 2.1, tänkande av — 300 dollar för input och 200 dollar för output. Femhundra dollar i månaden.

• Laguna S 2.1, tänkande på vid ungefär 2,4× utdata — 300 $ i indata och omkring 480 $ i utdata. Under åttahundra dollar i månaden.

Även med tänkandestraffet är det en skillnad på ungefär 15 000 dollar i månaden vid den här volymen. Om din arbetsbelastning är något som en Laguna S 2.1 faktiskt klarar, är prisfrågan inte ens nära, och ingen rimlig mängd återförsöksoverhead stänger gapet. Vilket flyttar över hela beslutet till förmåga – och förmåga är den halva av den här jämförelsen som saknar gemensamt mått.

Där den femtiofaldiga klyftan slutar vara poängen

Tre saker drar kvoten tillbaka mot verkligheten, och var och en förtjänar att sägas rakt ut, eftersom siffran ovan är förförisk på ett sätt som har kostat team riktiga pengar.

Det första är att en kodmodell med 8 miljarder aktiva parametrar och en generalistmodell i framkanten inte är utbytbara. Laguna S 2.1 är byggd för agentisk mjukvaruutveckling – redigeringar i kodförråd, terminaluppgifter, flerspråkig kod – och Poolside marknadsför den som just det. Den är inte positionerad för dokumenttungt professionellt arbete, datoranvändning eller de långkontextåterkallningsuppgifter där GPT-6.1 Sol har en oberoende Long-Context Recall-poäng på 83 % och ett fönster på 1 050 000 token. För dessa uppgifter är den ärliga jämförelsen inte ”den billiga modellen vinner”, utan ”den billiga modellen byggdes inte för detta”. De 15 000 dollar i månaden i räkneexemplet är bara en besparing om den billigare modellens utdata är användbar, och för en klass av arbetsbelastningar har ingen visat att så är fallet.

Det andra är genomströmning och den operativa ytan. GPT-6.1 Sol rapporterar en p50-latens på 2 442 millisekunder och 95,57 utdatatokens per sekund över sju dagar av vår egen playground-trafik, med en felfrekvens på 6,36 %. Vi har ingen jämförbar serving-panel för Laguna S 2.1 — den routas inte på OrcaRouter — så det finns inget nummer att ställa bredvid, och latensen för den självhostade vägen är en funktion av vilken hårdvara du än köper. På åtta H100:or kommer du inte att matcha genomströmningen hos en hostad frontier-endpoint vid samma samtidighet; du byter latens mot enhetskostnad, och hur det bytet landar beror på om din arbetsbelastning är latenskänslig.

Det tredje är att den självhostade vägen bara är billig vid stora volymer. Samma $0.10- och $0.20-priser som får kalkylen ovan att se ut som en utklassning är också vad en inferensleverantör som tar nära självkostnadspris skulle offerera — vilket är argumentet för att hyra den öppna modellen i stället för att köpa hårdvara för den, vid varje volym som understiger den som motiverar GPU:erna.

Hur man faktiskt genomför samtalet

Det här är det ovanliga paret där nästa rätta steg inte är en ändring av routningen, eftersom de två modellerna nås på helt olika sätt.

GPT-6.1 Sol finns på OrcaRouter som openai/gpt-6.1-sol till Open​AIs listpris med 0 % påslag — $2.00 för input, $10.00 för output, cachad input till $0.10, och nivån för över 272 000 token tillämpas exakt som Open​AI sätter den. Eftersom routningslagret för vidare leverantörens pris i stället för att lägga på ett påslag, är en prisändring från Open​AIs sida live här samma dag som den träder i kraft. Där en route är live, ligger automatisk failover under den — vilket är det billiga sättet att ta reda på om en billigare modell kan hålla en produktionsväg, eftersom den dyra modellen bara är en routningsregel bort.

Laguna S 2.1 finns inte på OrcaRouter och vi hostar det inte. Det är nåbart via Poolside egna API och, eftersom vikterna är publicerade, genom att servera det själv — vilket för den här modellen är det mer intressanta alternativet, eftersom en 118B MoE med 8B aktiva verkligen är tillräckligt liten för att köras på hårdvara som ett medelstort team kan äga. Det rätta första draget med den här kombinationen är därför inte en prisjämförelse alls: ta tjugo av dina riktiga kodningsuppgifter, kör dem genom din befintliga GPT-6.1 Sol-väg, kör sedan samma tjugo genom Laguna S 2.1 med tänkande på och av. Du har nu den delade benchmarkraden som ingen av leverantörerna har publicerat, på den enda uppsättning uppgifter som spelar roll, och prisskillnaden på femtio gånger blir en siffra som du antingen inkasserar eller avstår från med bevis.

Domen som detta par förtjänar, givet den evidens som finns i nuläget: Laguna S 2.1 är det mest intressanta kostnad-per-förmåga-erbjudandet inom agentisk kodning just nu, med leverantörssiffror som skulle göra det till standardvalet om de bekräftades oberoende, och ingen oberoende bekräftelse av någon av dem. GPT-6.1 Sol kostar femtio gånger så mycket för utdata och är den enda av de två vars förmåga någon utanför företaget har mätt med ett gemensamt instrument. Köp den billiga modellens vikter och testa dem, för till skillnad från de flesta öppna släpp är just den här tillräckligt liten för att testas ordentligt — och behandla femtio gånger-siffran som anledningen till att köra det testet snarare än som svaret på det.