Ett genererat titelkort som visar 82 % är en tweet, inte en resultattavlapost, med underrubriken GPT-6.2 Sol, två dagar efter lansering, och tre chips som anger Browser Use-inlägget från 18 november på 82 %, den offentliga resultattavlan från 29 oktober på GPT-6.1 Sol 81,3 och det delade priskortet på 2 USD in och 10 USD ut.
Guides & Insights

GPT-6.2 Sols 82 % Browser-Use-poäng är en tweet, inte en resultattavlepost

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Den 18 november skrev Browser Use att GPT-6.2 Sol är den bästa modellen i deras benchmark för webbläsaragenter: 82 %, upp från 81 % för GPT-6.1 Sol, 35 % billigare per uppgift, dubbelt så snabb och 36 % färre steg. Greg Brockman spred det vidare samma dag med "GPT-6.2 är otroligt bra på att använda webbläsare." Två dagar tidigare hade OpenAI släppt GPT-6.2 Sol till 2 dollar per miljon indatatoken och 10 dollar per miljon utdatatoken. Påståendet är bra och det är förmodligen åt rätt håll. Det är också i dag den enda platsen där de fyra siffrorna finns. Browser Uses egen offentliga resultattavla listar fortfarande GPT-6.1 Sol på 81,3 och har ingen rad för GPT-6.2 Sol alls — dess resultatsida har en tidsstämpel för senast ändrad den 29 oktober 2026, och den URL som skulle innehålla en sida per modell för GPT-6.2 Sol returnerar 404. Så den ärliga versionen av den här historien är snävare och mer användbar än tweeten: en benchmarkleverantör säger att modellen de nu rankar först är bättre, billigare och snabbare än modellen de rankade först för tre veckor sedan, och resultattavlan du normalt skulle kontrollera för att bekräfta det har inte hunnit ikapp.

Vad Browser Use faktiskt publicerade, i sin helhet

Det citerade inlägget kom från Browser Uses eget konto kl. 00:09 UTC den 18 november. Det står: "GPT-6.2 Sol är den bästa modellen för browser use 👀 — 82 %, upp från 81 % för GPT-6.1 Sol; 35 % billigare; 2x snabbare: 12 min i stället för 22 min; 36 % färre steg." Det är fyra separata påståenden av mycket olika styrka, och de bör separeras innan något av dem används för att motivera en migrering.

• Poäng — 82 mot 81. En poäng på en viktad genomsnittlig bedömningspoäng på 0–100, i ett benchmark vars publicerade metodik beskriver 180 uppgifter som körs på live-webbplatser. En poäng ligger inom brusbandet för ett benchmark som körs om mot föränderliga tredjepartssajter.

• Kostnad per uppgift — 35 % billigare. Detta är det starkaste påståendet i uppsättningen, eftersom det är det som en agentoperatör billigt kan reproducera och eftersom det är aritmetiskt begränsat: tokenpriserna ändrades inte, så besparingen måste komma någon annanstans ifrån.

• Väggklockstid – 12 minuter i stället för 22. Detta är det påstående som mest direkt motsäger leverantörens egna publicerade data, och det behandlas nedan.

• Steg — 36 % färre. I en webbläsaragent är steg verktygsanrop, och verktygsanrop är där en agentloop gör av med både pengar och tid. En minskning av antalet steg med 36 % förklarar rimligen det mesta av de övriga tre siffrorna samtidigt.

Browser Use Bench v2.1 är inte en marknadsföringsövning. Dess metodikkort anger uttryckligen att poängen är ett medelvärde av viktad rubrikpoäng per uppgift på en skala från 0–100, att kostnadskolumnen är uppskattad modellkostnad per uppgift i USD och exkluderar kostnader för sökning, bedömare, webbläsare och runner, samt att körningarna görs mot 180 levande webbplatser i stället för en fryst testuppsättning. Det är ett verkligt mätupplägg. Det är också ett upplägg där en förflyttning på en poäng i resultatet och en omkörning mot en levande webbplats inte är samma typ av bevis, vilket är anledningen till att boarden historiskt har varit mer konservativ än sina egna inlägg i sociala medier.

De fyra siffrorna finns inte på tavlan.

Vi kontrollerade resultattavlan på browser-use.com/benchmarks/agents den 19 november 2026. Metadata för den strukturerade datamängden som är inbäddad i den sidan anger fortfarande "Browser Use Bench v2.1 model results" med en dateModified på 2026-10-29. Att söka i sidkällan efter strängen "GPT-6.2" ger noll träffar. Sidan för den enskilda modellen på browser-use.com/benchmarks/models/gpt-6-2-sol finns inte – den visar en 404-stub. Och sidans egen FAQ beskriver fortfarande den rådande ordningen som "GPT-6.1 Sol high: 81.3 av 100 till $1.92 per uppgift, på 180 uppgifter på live-webbplatser. Därefter kommer GPT-6 Sol high på 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.

Det är inte en anklagelse om ond tro. Benchmarkresultat publiceras regelbundet, men tillkännagivanden gör det inte; kontot som publicerade den 18 november är det som kör testramverket, så det har siffrorna före webbplatsen. Men det definierar den epistemiska statusen för den här artikeln, och för alla upphandlingsbeslut som fattas utifrån den den här veckan: siffrorna 82 %, 35 %, 2x och 36 % är leverantörsrapporterade och opublicerade, i den specifika bemärkelsen att leverantörens egen publicerade tabell ännu inte innehåller dem. Ett team som idag flyttar en browseragent i produktion till GPT-6.2 Sol agerar utifrån ett benchmarktillkännagivande, inte ett benchmarkresultat.

Det goda nyheterna är att tillkännagivandet är lätt att motbevisa. Om siffrorna håller bör en uppdaterad resultattavla med en rad för GPT-6.2 Sol dyka upp inom några dagar, och de fyra siffrorna bör stå sig när de jämförs med JSON. Om raden dyker upp med andra siffror kommer du att veta det innan du har byggt om något.

Baslinjen i tweeten matchar inte baslinjen på tavlan

Detaljen här är värd att lyfta fram, eftersom det är sådant som går förlorat när ett påstående sprids som en skärmbild. Inlägget anger GPT-6.1 Sols tidigare resultat som "81%" och "22 min". Browser Uses publicerade resultattavla anger GPT-6.1 Sol med hög resonemangskraft som 81,3 av 100 till $1,92 per uppgift, med en median på 14,3 minuter. Poängen ligger tillräckligt nära – 81 och 81,3 är samma tal avrundat på olika sätt. Tiden gör det inte. Fjorton minuter och tjugotvå minuter är inte samma mätning.

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.

Det finns oskyldiga förklaringar. Ledartabellens tidskolumn är en median över 180 liveuppgifter, och medianer är känsliga för vilka uppgifter som tas bort för en sajt som misslyckas; 22 minuter kan vara ett medelvärde, kan vara en delmängd med endast hög arbetsinsats, kan vara ett annat uppgiftsurval, eller kan vara körtiden innan en harness-fix landade mellan 29 oktober och 18 november. Det finns också en mindre oskyldig sådan: tweetens tidsangivelse är en jämförelse vald för att få den nya modellen att verka snabbare, och den ärliga nämnaren för ett påstående om 2x snabbhet är vad samma harness producerade för den gamla modellen samma dag.

Du kan inte avgöra det utifrån. Det du kan göra är att vägra ta in kvoten. "2x snabbare" betyder här "leverantörens mätuppställning från 18 november uppmätte 12 minuter där den uppmätte 22 minuter för den föregående modellen", inte "GPT-6.2 Sol är dubbelt så snabb som modellen som den offentliga topplistan säger körs på 14,3 minuter". Om hastigheten är anledningen till att du överväger bytet är talet du bör planera utifrån den publicerade siffran på 14,3 minuter tills en ny topplista ersätter den, eftersom det är den enda som har en metodiksida bakom sig.

Varför 35 % billigare är påståendet med uträkningen under

Prissättningen gör kostnadspåståendet kontrollerbart på ett sätt som de övriga inte är. GPT-6.2 Sol och GPT-6.1 Sol har samma prislista, enligt O​penAI:s egna modellsidor:

• Indata – $2.00 per miljon tokens för båda.

• Cachad indata – 0,10 USD per miljon tokens på båda. Cache-skrivningar kostar 2,50 USD per miljon för en 30-minuterscache, 5,00 USD för 12-timmarsskrivningen, på båda.

• Utdata — $10.00 per miljon tokens på båda.

• Lång kontext – över 272 000 indatatokens fördubblas in- och cacheavgifterna och utdataavgiften blir 1,5x för hela begäran, på båda modellerna. Branten ligger på samma ställe.

• Batch — 50 % av standardpriserna för båda; Fast-läget fördubblar, Ultrafast tredubblar till och med 28 februari 2027 och sexdubblar från och med 1 mars 2027 för båda.

• Kontext — 1 050 000-tokensfönster, 922 000 max indata, 128 000 max utdata, text och bild in, text ut, på båda. GPT-6.2 Sols kunskapsgräns är 1 juni 2026 jämfört med 30 april 2026.

Identiska indata, identiska priser per token. Så en minskning av kostnaden per uppgift med 35 % kan inte vara en prissänkning. Det måste vara färre tokens som köps, och tweeten anger mekanismen: 36 % färre steg. En webbläsaragents tokenkostnad domineras av konversationshistorik som spelas upp vid varje steg, så steg och kostnad skalar nästan linjärt med varandra i en lång körning. Minska antalet steg med en tredjedel och kostnaden faller med ungefär en tredjedel, vilket är exakt storleken på den rapporterade besparingen. De två påståendena bekräftar varandra, vilket är ett gott tecken för båda.

Det är också en varning om hur besparingen ska tolkas. En 35 % billigare uppgift är inte en 35 % billigare månad om den billigare modellen får uppgifter som den gamla misslyckades med, eller om färre steg innebär att agenten avslutar tidigare och lämnar delvis arbete. Bedömningspoängen 82 är det som utesluter det – en körning som avbryter tidigt med en tredjedel färre steg skulle få lägre poäng, inte en poäng högre – men en poäng är en tunn marginal för att bära så mycket vikt.

Att tokenpriser förs vidare oförändrade är den del av det här som är genuint tråkig och genuint användbar. På OrcaRouter är principen 0 % påslag: modellen innebär att en leverantörs listpris är priset du betalar, så när en leverantör väl ändrar en prislista – som OpenAI gjorde för GPT-6.2 Astra, som sänkte priset med 20 % för indata och utdata samma dag – är ändringen aktiv på plattformen samma dag som den sker i stället för att vänta på att en återförsäljare ska sätta nytt pris. Det slår åt båda håll: det finns inget arbitrage att göra, och ingen rabatt att tjäna genom att byta. Om du i dag kör GPT-6.1 Sol via en och samma API-nyckel skulle ett anrop till GPT-6.2 Sol-modellen kosta samma per token som det kostar hos leverantören.

Vad som spelar roll för en agentloop, bortom rubriken

Fyra operativa detaljer från OpenAI:s modellsida är viktigare för en driftsättning av webbläsaragenter än benchmarkvärdet, och ingen av dem förekommer i en rubrik med 82 %.

• Resonemangsansträngning — GPT-6.2 Sol avvisar alternativet ingen. Den lägsta inställningen är en riktig sådan, inte en omkopplare för att stänga av resonemanget. GPT-6.1 Sol accepterar hela intervallet från låg till max. Om din harness hårdkodar "inget resonemang, bara agera" för latens, portas inte den konfigurationen.

• Batch — stöds, till 50 % av standardpriserna. Webbläsaragenttrajektorier är vanligtvis latenskänsliga, så detta är främst relevant för offlineutvärderingskörningar snarare än produktion.

• Slutpunkter – Responses, Chat Completions och Batch. Realtime, Assistants, Fine-tuning, Images, Videos, Speech och Transcription stöds inte. Att Fine-tuning inte är tillgängligt är det som drabbar team som har anpassat en webbläsarpolicy för den tidigare modellen.

• Verktyg — computer_use, web_search, mcp, hosted_shell, apply_patch, skills, tool_search, code_interpreter, image_generation och file_search anges som stödda. För en webbläsaragent är det intressanta paret computer_use tillsammans med tool_search: ett ramverk som kan upptäcka verktyg under körning är den troliga källan till en tredjedel färre steg, eftersom agenten slutar gissa på en åtgärd som inte finns och sedan försöka igen.

• Hastighetsbegränsningar – 5 000 förfrågningar och 1 000 000 token per minut på Build-nivån, 10 000 och 4 000 000 på Launch, 15 000 och 40 000 000 på Grow.

Hur man provar det utan att satsa produktionsvägen på det

Rätt svar på ett opublicerat benchmarkpåstående är ett urval, inte en migrering. Välj tjugo till femtio av dina egna webbläsaruppgifter, kör dem på båda modellerna genom samma harness samma dag och jämför tre siffror: slutförandegrad enligt din bedömningsmall, tokens som förbrukas per slutförd uppgift samt p50- och p95-väggklockstid. Jämför sedan de två resultaten med varandra i stället för med Browser Use:s 82, eftersom deras uppgiftsfördelning inte är din och en skillnad på en punkt inte överlever översättningen.

Två praktiska kommentarer till det testet. För det första: lås resonemangsinsatsen explicit på båda sidor och använd en inställning som båda modellerna accepterar, annars kommer du att ägna körningen åt att mäta en konfigurationsskillnad. För det andra: logga antal steg, eftersom 36 % färre steg är mekanismen bakom kostnadspåståendet och det första du bör bekräfta eller vederlägga i dina egna data.

För själva försöket är failover det billiga sättet att köra en obeprövad modell vid sidan av en beprövad: skicka urvalet till den nya modellen med automatisk fallback till modellen du litar på, så att ett avslag, en timeout eller en topp i rate-limit kostar dig ett nytt försök i stället för ett misslyckat jobb. Det är användbart här just för att GPT-6.2 Sol är två dagar gammal och dess felmoder på live-sajter är precis vad benchmarken är tänkt att mäta och ännu inte har publicerat. Var dock medveten om katalogens status: OrcaRouter listar 217 modeller inklusive GPT-6.1 Sol, modellen som för närvarande toppar Browser Use-tavlan, men GPT-6.2 Sol finns inte med ännu — för den skulle du gå via OpenAI:s eget API direkt. Den tidigare modellen till pass-through-pris är en bra baslinje att mäta den nya mot, och det är den rollen den bör spela den här veckan.

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.

Vad skulle förändra den här historien?

Tre saker, i ordning efter hur mycket de skulle påverka svaret. En rad för GPT-6.2 Sol som dyker upp på browser-use.com/benchmarks/agents med siffror som matchar eller ligger nära tweeten – det förvandlar ett leverantörsmeddelande till ett leverantörsresultat och gör migreringsargumentet mycket starkare, även om det fortfarande inte skulle vara oberoende. En oberoende tredjepartsmätning av tid och kostnad för webbläsaruppgifter på samma uppgiftsuppsättning – det är vad som skulle avgöra frågan om 12 mot 22 minuter, och det är siffran att hålla utkik efter. Och en publicerad uppdelning på uppgiftsnivå, eftersom "36 % färre steg" antingen är en förbättring på testramverksnivå som generaliserar till din agent eller en egenhet hos 180 specifika webbplatser, och bara uppgiftsdata kan skilja mellan dessa.

Tills åtminstone det första av dem har landat är den försvarbara sammanfattningen denna: GPT-6.2 Sol kostar lika mycket per token som GPT-6.1 Sol, den lilla poängökningen och den stora kostnadsbesparingen som Browser Use rapporterar är internt förenliga med en minskning av verktygsanrop med en tredjedel, och påståendet om hastighet vilar på en baslinje som inte matchar leverantörens egen publicerade median. Det räcker för att motivera en tvådagarsutvärdering på dina egna uppgifter. Det räcker inte för att motivera en omskrivning.

Jämförda i den här artikeln1

Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen