
GPT-6.2 Astra sänker tokenpriserna med 20 %. Uppgiftsräkningen sjunker med 36 %.
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 90 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNYOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaNYOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 133 tok/s
- OrcaNYOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1M tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 133 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M tokens · 131 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligens
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligens
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M tokens · 186 tok/s
OpenAI släppte GPT-6.2 Astra den 17 november 2026 med en rubrik som du kan verifiera på tio sekunder: 8 dollar per miljon indatatoken och 40 dollar per miljon utdatatoken, mot 10 och 50 dollar för GPT-6 Astra. Det är en ren 20-procentig sänkning i båda riktningarna på mätaren. Men det tal som faktiskt avgör om din faktura förändras är ett annat, och det är större. Artificial Analysis mäter GPT-6.2 Astra till 4,00 dollar per Intelligence Index-uppgift mot 6,24 dollar för GPT-6 Astra – en minskning med 36 % i vad det kostar att slutföra en arbetsenhet, inte i vad en token kostar.
Båda siffrorna är sanna, och gapet mellan dem är hela historien. En prissänkning berättar vad mätaren tar betalt. En siffra för kostnad per uppgift berättar vad mätaren tog betalt och hur många gånger den kördes. GPT-6.2 Astra tar mindre betalt per token och gör av med färre av dem för att nå samma punkt, så besparingarna förräntar sig. Där de slutar förränta sig – långkontextförfrågningar, cacheskrivningar och reglerna för resonemangsposter – är där den här artikeln tillbringar sin andra halva.
Samma uppgift, 36 % billigare – och varför det är större än prislappen
Artificial Analysis ger GPT-6.2 Astra 62 poäng på sitt Intelligence Index, en tredjeplats av 87 modeller som följs, upp från 57 och en trettondeplats för GPT-6 Astra. Kostnadssiffran beräknas över samma utvärderingssvit, vilket är det som gör jämförelsen rättvis: samma uppgifter, samma ramverk, samma poängsättning, bara modellen förändras. Fem indexpoäng i kapacitet kom tillsammans med en kostnadsminskning på 36 % per uppgift.
Den kombinationen är ovanlig. De flesta modellsläpp byter bort det ena mot det andra – du betalar mer per uppgift för att få en smartare modell, eller så accepterar du en svagare modell för att få en billigare. Här rörde sig båda siffrorna i rätt riktning jämfört med föregångaren, vilket är vad en äkta effektivitetsvinst generation över generation ser ut som snarare än en ompositionering.
De sex siffrorna som spelar roll, sida vid sida. Alla priser är OpenAI:s publicerade pris för standardnivån; index- och kostnad-per-uppgiftssiffror är oberoende mätningar från Artificial Analysis, inte från OpenAI.
• Indata — GPT-6.2 Astra $8,00 per miljon tokens mot GPT-6 Astra $10,00
• Utdata — 40,00 USD per miljon tokens jämfört med 50,00 USD
Cachad indata – $0,40 per miljon med 95 % rabatt jämfört med $1,00 vid 90 %
• Intelligence Index — 62, rankad #3 av 87 mot 57, rankad #13 av 87
• Kostnad per Index-uppgift — $4.00 vs $6.24
• Kontextfönster — totalt 1 050 000 tokens, varav maximalt 922 000 som indata och 128 000 som utdata
Lägg märke till cache-raden. Rabatten fördjupades från 90 % till 95 % och baspriset som den tillämpas på sjönk från $10 till $8, så en cachad indatatoken kostar nu $0,40 där den tidigare kostade $1,00 — en minskning med 60 %, tre gånger rubriksiffran. Om din arbetsbelastning består av en lång systemprompt plus en kort användartur får du betydligt mer än 20 %.

Där besparingen läcker ut igen
Tre mekanismer tar en tugga av de 36 %, och alla tre är dokumenterade snarare än dolda – du behöver bara läsa prissidan och migreringsguiden innan du bestämmer dig för en kontextbudget.
272K-stupet
GPT-6.2 Astra har ett fönster på 1 050 000 tokens, men prissättningen ändras långt innan du fyller det. När indatan i en begäran passerar 272 000 tokens debiteras indata och cachad indata till dubbla standardtaxan och utdata till 1,5x – och multiplikatorn gäller för hela begäran, inte bara tokens ovanför gränsen. En prompt på 300 000 tokens betalar inte ett överpris för de sista 28 000 tokens; den betalar dubbelt för alla 300 000.
Med $16 per miljon indatatoken kostar ett enda anrop på 300K $4,80 innan modellen skriver ett enda ord, medan samma arbete ett ögonblick tidigare – vid 271 999 tokens – skulle ha kostat $2,17. Det är 20-procentssänkningen som tas tillbaka i ett enda steg, och mer därtill, eftersom stupet är en diskontinuitet snarare än en lutning. Långdokumentarbete som tidigare rymdes inom det gamla fönstret behöver nu en genomtänkt chunkningsstrategi, inte bara en större budget.
Cache-skrivningar är en separat rad
Att läsa från cachen är billigt. Att fylla den är inte gratis: cacheskrivningar debiteras med 10 USD per miljon token, vilket ligger över den vanliga taxan för indata. En djup promptcache som ofta invalideras kan kosta mer att underhålla än den sparar vid läsning. Ekonomin gynnar ett stabilt prefix som överlever många turer, vilket är precis det mönster som OpenAI:s egna migreringsanteckningar förespråkar.
Borttagna resonemangsposter
Från och med den här generationen kastar API:et bort resonemangsobjekt när det upptäcker en förändring av historiken mitt i en konversation – en prefixändring, en nedgradering av modell, ett byte av slutanvändare eller organisation. När modellen förlorar den kontexten kan den svara sämre och göra av med fler tokens på att räkna om arbete den redan hade gjort. Det är den andra effekten som syns på fakturan: en integration som redigerar sin systemprompt mellan turerna betalar tyst för samma resonemang två gånger, och besparingen på 36 % kommer att se ut som ett avrundningsfel.
Åtgärden är arkitektonisk snarare än finansiell. Håll prefixet oförändrat när du ändrar inställningar mellan svar, så förblir tidigare indata berättigad till cachelagring samtidigt som resonemanget bevaras. En vana skyddar båda posterna på fakturan.
Inställningarna för resonemang är ett budgetbeslut.
GPT-6.2 Astra kommer inte att acceptera reasoning.effort satt till none. OpenAIs migreringsguide säger att nya integrationer ska börja på medium och att alla befintliga inställningar för none eller minimal ska mappas till low. Inget av det är förvånande för en resonemangsdriven modell, men det innebär att ett rakt utbyte av modellsträng från en föregångare utan resonemang kommer att ge både ett sämre svar och en högre kostnad än migreringsplanen antyder.
Resonemangstoken faktureras som output. Vid $40 per miljon är skillnaden mellan låg och hög på en lång agentkörning inte ett avrundningsfel – den är ofta den enskilt största variabeln i uppgiftens kostnad. Den uppmätta kostnaden på $4.00 per Intelligence Index-uppgift förutsätter vilken effort-konfiguration Artificial Analysis än använde; ditt tal beror på din. Behandla effort-inställningen som den första kostnadshävstången du justerar, innan du rör något annat.

Vad lanseringen faktiskt förbättrade – och vad den inte gjorde
En prissänkning är bara värd något om modellen är minst lika bra. I utvärderingar över lång horisont och vetenskapliga utvärderingar tog GPT-6.2 Astra avgörande kliv. Terminal-Bench-Science steg från 63,3 % på GPT-6 Astra till 78,1 %, och Terminal-Bench 4.0 landar på 64,1 %. AA-AnalystAgent ligger på 62,5 %, AA-3D på 1 318 Elo och Harveys LAB-AA på 15,0 %. För agentiskt arbete som pågår i många steg och behöver hålla sig till uppgiften är det den profil man vill ha, och det är den profil som ger den token-effektivitet som ligger bakom de 36 %.
Två ställen där det inte flyttades är värda att känna till innan du byter en hel pipeline.
Det första är tävlingsprogrammering. FrontierCode-AA 2.0 placerar GPT-6.2 Astra på 45,4 %, fortfarande efter Claude Fable 5.2 på 48,8 %. Astra har minskat gapet betydligt på andra håll men har inte tagit ledningen inom svår kodning, så ett team vars arbetsbelastning till största delen liknar FrontierCode har mindre anledning att byta av kapacitetsskäl – det är prisargumentet som gäller.
Det andra är värre än en fördröjning. På AA-Omniscience är GPT-6.2 Astras hallucinationsfrekvens 59,1 %, upp från 49,8 % för GPT-6 Astra. Den är mer benägen att svara när den inte vet. Det är ett kostnadsproblem förklätt till ett kvalitetsproblem: ett självsäkert felaktigt svar som du sedan måste upptäcka, kassera och köra om kostar dig tokens två gånger, och det är vid omkörningen som din noggranna per-uppgiftsaritmetik faller samman. Alla arbetsflöden där ett felaktigt svar är dyrt att upptäcka förtjänar ett verifieringssteg innan prissänkningen behandlas som en besparing.

Få priset utan att sätta hela pipelinen på spel
GPT-6.2 Astra är tillgänglig via OpenAI:s eget API och flera tredjepartsplattformar. Den finns inte i OrcaRouters katalog i dag, så om du vill anropa den den här veckan går du direkt till leverantören. Inget i prisanalysen ovan beror på varifrån du anropar den – men två saker kring hur du anropar den är värda att planera för redan nu, eftersom det är samma två saker som ställer till problem för team tre veckor in i en migrering.
Det första är failover. En modell som släpptes igår har inget track record på din trafik, och det ärliga rådet är att köra den vid sidan av modellen den skulle ersätta snarare än i stället för den. Att routa båda genom en enda OpenAI-kompatibel endpoint, med automatisk failover mellan leverantörer, innebär att en dålig dag hos en upstream inte blir en dålig dag för dina användare medan du fortfarande avgör om de 36 % är verkliga för din arbetsbelastning. OrcaRouter har GPT-6 Astra, GPT-6 Sol och GPT-6.1 Sol, så A/B-testet mot Astras föregångare kan köras på en enda nyckel utan ett andra avtal och utan någon kodändring på klientsidan.
Den andra är prisgenomslag. OrcaRouter fakturerar med 0 % påslag – leverantörens listpris, oförändrat. Det spelar särskilt roll för en lansering som denna: en leverantörsprissänkning slår igenom i din taxa samma dag som den slår igenom hos dem, utan omförhandling och utan fördröjning i omprissättningen. Om GPT-6.2 Astra läggs till i katalogen är $8 och $40 ovan de siffror du kommer att se, inte en påslagen version av dem.
Det du får ut av det under tiden är en ren jämförelse. Kör samma utvärderingsset genom GPT-6 Astra i dag, notera din verkliga kostnad per uppgift vid din verkliga ansträngningsinställning, och du har baslinjen mot vilken de 36 % antingen håller eller inte. De flesta team som hoppar över det här steget slutar med att mäta rubriken i stället för sin egen arbetsbelastning och upptäcker 272K-klippan på det dyra sättet.
Vem bör flytta nu, och vem bör vänta
Byt nu om din arbetsbelastning är långsiktigt agentiskt arbete, dokumentanalys på under ungefär 250 000 token, eller något vetenskapligt och terminaldrivet — ökningen i Terminal-Bench-Science från 63,3 % till 78,1 % är tillräckligt stor för att förändra vad som är genomförbart, och token-effektiviteten förstärks av prissänkningen.
Var försiktig om dina promptar rutinmässigt går över 272 000 tokens. Klippan belönar inte en större budget; den straffar en. Dela upp i bitar, eller räkna med det dubbla.
Vänta, eller A/B-testa åtminstone först, om ditt arbete till stor del handlar om svår, konkurrensbetonad programmering – FrontierCode-AA 2.0 föredrar fortfarande Claude Fable 5.2 – eller om ett övertygat fel svar är dyrt i din domän, där en hallucineringsfrekvens som ökade från 49,8 % till 59,1 % förtjänar en egen mätning innan den blir din standard.
Och i samtliga fall bör du medvetet ställa in din resonemangsinsats innan du jämför fakturor. De 20 % finns på prissidan och de 36 % finns på topplistan. Ingen av dem är din faktura ännu.
