Ett genererat titelkort med texten "GPT-6.2 Sol Pro: prislistan rörde sig inte, fakturan sjönk 20 %", med undertexten att kostnaden för en indexuppgift i Artificial Analysis sjönk från 1,27 USD till 1,01 USD, ovanför tre kort som visar den oförändrade prislistan på 2,00 USD för indata och 10,00 USD för utdata per miljon token, kostnaden på 1,01 USD per uppgift för GPT-6.2 Sol och 1,27 USD för GPT-6.1 Sol, samt en notering om att Sol Pro är gpt-6.2-sol som anropas med resonemangsläget inställt på pro.
Guides & Insights

GPT-6.2 Sol Pro: Prislistan ändrades inte. Räkningen sjönk 20 %.

Författare

jinhao.song

Publiceringsdatum

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

Fyrtiotusen utdatatoken för att slutföra en utvärderingsuppgift. Det är vad GPT-6.2 Sol spenderade på sviten från Artificial Analysis vid den högsta ansträngningsinställningen, mot 67 824 för GPT-6.1 Sol som utförde samma arbete – en minskning med 40 % av antalet tokens och med 20 % av dollar per uppgift, på en prislista som inte ändrades med en enda cent. Modellen släpptes den 17 november 2026, tillsammans med GPT-6.2 Astra, och den beteckning som folk söker efter, GPT-6.2 Sol Pro, är den modellen med reasoning.mode satt till pro i Responses API. Pro-läget faktureras enligt basmodellens standardtaxor för tokens. Så hela ekonomin i uppgraderingen ligger i hur många tokens modellen väljer att spendera – vilket är det enda tal som OpenAIs prislista inte kan ge dig.

Det här är inte en repris av argumentet "Pro är ett läge" som redan har förts två gånger på den här bloggen, för GPT-6- och GPT-6.1-nivåerna. Mekanismen är densamma och den är nu väl dokumenterad. Det nya är bevisen: för första gången finns oberoende mätningar av en Sol-nivå dagen efter lanseringen, och de säger något mer intressant än "billigare per token". De säger att förbättringen är koncentrerad till exakt de arbetsbelastningar som OpenAI säljer den här modellen för, och att en dimension blev sämre.

Vad släpptes den 17 november, exakt?

Ändringsloggsposten är två rader lång och namnger två identifierare: gpt-6.2-astra och gpt-6.2-sol, båda på Responses API och Chat Completions, där verktygsanrop kräver Responses. OpenAI:s egen sammanfattning av lanseringen – "bättre professionella utdata, kodning, datoranvändning och effektivitet till lägre kostnad i ChatGPT Work, Codex och API:et" – är leverantörens inramning, och det är värt att hålla på avstånd tills de oberoende siffrorna anländer, vilket de nu har gjort.

Formen på saken, från OpenAI:s modellsida för gpt-6.2-sol:

• Kontext — 1 050 000 tokens totalt, 922 000 maximalt antal indatatokens, 128 000 maximalt antal utdatatokens.

• Modaliteter — text och bild in, text ut. Ljud och video anges som icke-stödda, och det finns ingen modalitet för filinmatning i specifikationen.

• Kunskapsgräns — 1 juni 2026, en månad senare än 6.1-nivåns 30 april 2026.

• Resonemang – alltid på, fem ansträngningsnivåer från låg till max, och API:et avvisar reasoning.effort: none direkt i stället för att tyst sänka nivån.

Pris, kort kontext — $2,00 indata, $0,10 cachad indata, $2,50 cache-skrivning, $10,00 utdata per miljon token. Identiskt med GPT-6.1 Sol.

• Pris, över 272 000 indatatokens — indata- och cacheavgifterna fördubblas och utdata blir 1,5× för hela begäran: $4.00 / $0.20 / $5.00 / $15.00.

• Servicenivåer – Batch till 50 % av standard, Fast till 2×, Ultrafast till 3× till och med 28 februari 2027 och 6× från 1 mars 2027.

• Nytt i den här generationen – rabatterade bakgrundskompletteringsfönster i den offentliga betan av Responses API, 30 % lägre än standardpriserna för ett tvåtimmarsfönster och 40 % lägre för åtta timmar.

Den där sista raden är i tysthet det mest användbara i släppet för alla som kör batchformigt agentarbete, och det är den sortens detalj som lanseringsinlägget begraver. En uppskjutning på två timmar som kostar 30 % mindre är ett annat produktbeslut än en prissänkning, eftersom det förändrar när du schemalägger arbetet snarare än vad du betalar för det.

Screenshot of OpenAI's documentation page for GPT-6.2 Sol, showing the model ID gpt-6.2-sol, a 1,050,000-token context window with 922,000 maximum input and 128,000 maximum output, a 1 June 2026 knowledge cutoff, text and image input with text output, and text-token pricing of $2 input, $0.10 cached input, $2.50 cache write and $10 output per million.

Var "Pro" kommer ifrån, och varför det inte är ett modell-ID

OpenAIs resonemangsguide säger det rakt ut: GPT-5.6- och GPT-6-modellerna "stöder standard- och pro-resonemangslägen i Responses API. standard är standardinställningen." Läge och effort är oberoende axlar – guiden är tydlig med att läge "väljer standard- eller pro-utförande, medan reasoning.effort styr hur mycket resonemang modellen använder inom det läget". Du kan köra pro-läge med låg effort; du kan köra standardläge med max effort.

Vad Pro-körning gör är att aggregera flera pass av modellarbete till ett enda svar och fakturera dessa tokens till "den valda modellens standardtokenpriser". Ingen premiummultiplikator, ingen separat mätare. Befintliga Pro-identifierare – GPT-5.5 Pro och dess föregångare – behåller sitt gamla beteende och sina gamla priser, vilket är anledningen till att "Pro" nu betyder två olika saker beroende på vilken sträng du anger.

Så när en katalog listar gpt-6.2-sol-pro beskriver den en konfiguration och hittar på en identifierare att hänga den på. OpenAI:s egen dokumentation ger 404 på strängen, och den enda identifieraren på modellsidan är gpt-6.2-sol. Den skillnaden spelar roll för mer än pedanteri: ett modell-ID som du kan slå upp har ett dokumenterat kontextfönster och ett publicerat pris, och en konfiguration har vad din applikation än skickar vid anropstillfället.

Den oberoende bedömningen: upp 2,7 poäng, 20 % billigare per uppgift

Artificial Analysis har redan kört modellen i sin egen harness, och siffrorna är de första icke-leverantörsmätningarna i den här klassen. På Intelligence Index v5.0.1 får GPT-6.2 Sol vid maximal ansträngning 57,3 mot 54,6 för GPT-6.1 Sol vid maximal ansträngning. Kostnaden per Index-uppgift sjunker från $1,27 till $1,01. Båda siffrorna är uppmätta över identisk svit, vilket är det som gör dem jämförbara: samma uppgifter, samma harness, samma poängsättning, bara modellen ändras.

Att de två siffrorna rör sig i rätt riktning tillsammans är det egentliga budskapet med den här lanseringen. En generation som blir smartare och billigare per uppgift till en fast prislista är en effektivitetsvinst, inte en ompositionering. En generation som blir smartare men samtidigt dyrare är en avvägning. Den här är den förstnämnda, med en marginal som är stor nog att märkas.

Var ökningen hamnar är mer intressant än kompositvärdet. Jämfört med sin egen föregångare vid maximal ansträngning:

• Terminal-Bench 4.0 — 60,1 % mot 56,1 %.

• Terminal-Bench Science – 67,6 % mot 58,1 %, ett hopp på 9,5 punkter och den största enskilda förändringen på resultattavlan.

HLE Diamond — 64,0 % mot 58,8 %.

• FrontierCode 2.0 — 44,4 % mot 40,6 %.

• AutomationBench – 71,3 % mot 64,9 %.

• AnalystAgent — 53,8 % mot 50,0 %.

Var och en av dessa är en verktygsanvändande uppgift i flera steg som kräver mycket verifiering. Detta är inte en modell som har blivit bättre på trivia; det är en modell som har blivit bättre på att slutföra saker, vilket stämmer överens med att tokenantalet sjunker i stället för att stiga. Färre felsteg innebär att färre tokens går åt till att återhämta sig från dem.

Ett förbehåll om vad dessa siffror är. Artificial Analysis mäter ansträngningsnivåer, inte resonemangslägen, så dess "max"-rad är standardläget vid maximal ansträngning. Ingen har publicerat en mätning i pro-läge för någon GPT-6-modell, eftersom läget multiplicerar en okänd mängd modellarbete. Betrakta raden för maximal ansträngning som det närmaste tillgängliga taket, inte som ett riktmärke för pro-läge.

Två siffror som gick åt fel håll

AA-Omniscience är den del av sviten som testar huruvida en modell vet vad den inte vet, och det är här den här utgåvan ger något tillbaka. GPT-6.2 Sol med maximal ansträngning får 40,4 på Omniscience-indexet, ner från 42,0. Noggrannheten är oförändrad – 61,6 % mot 61,8 %, vilket är brus – men hallucineringsfrekvensen stiger från 51,9 % till 55,4 %.

Läs det noggrant innan du bestämmer att det är en skandal. Båda modellerna hallucinerar på mer än hälften av frågorna de svarar fel på, och en förflyttning på 3,5 punkter i en svit av den här storleken är inte en katastrofal regression. Men det är en riktning, och den pekar åt motsatt håll jämfört med kapacitetssiffrorna. Nivån blev bättre på att utföra arbete och något mindre noggrann med att hävda saker som den inte kan belägga.

För en kodningsagent som kör tester innan den utropar seger är den avvägningen nästan gratis. För en forskningsassistent som svarar utan ett verifieringssteg är det exakt det felbeteende som du betalade den förra generationen för att undvika. Om din arbetsbelastning tillhör den andra kategorin är det sammansatta indexet fel siffra att välja efter, och besparingen på 20 % är mindre än kostnaden för ett självsäkert fel svar.

Vad pro-läget gör med mätaren, i tokens

Eftersom pro-läget debiteras enligt standardtaxor är den enda hävstången den använder tokenantalet, och oberoende data låter dig dimensionera den hävstången för första gången. Vid maximal ansträngning genererar GPT-6.2 Sol i genomsnitt 40,360 output-tokens per uppgift, varav 22,800 är resonemangstokens och 17,561 är synligt svar – resonemanget utgör 56 % av outputen. GPT-6.1 Sol genererade vid samma inställning i genomsnitt 67,824 output-tokens, varav 49,213 var resonemang. Den nyare modellen tänker mindre än hälften så länge och svarar med ungefär samma längd.

Det är mekanismen bakom de 20 %, men det är inte hela aritmetiken och den andra halvan är värd att känna till. Om vi delar upp kostnaden per uppgift: utdata minskar från cirka $0,72 till $0,40, medan indata ökar från cirka $0,55 till $0,61 – fler cacheläsningar och cacheskrivningar per uppgift, inte färre. De två tar i stort sett ut varandra till netto de 20 % i besparing, vilket innebär att uppgraderingen är en satsning på att tänka mindre är värt mer än den extra kontext den läser om. I testsviten var det så.

Kör pro-läge ovanpå endera och multiplikatorn är okänd – OpenAI dokumenterar att pro "utför mer modellarbete än standardläget, vilket ökar tokenanvändning och kostnad" men publicerar ingen faktor. Vad du med säkerhet kan säga är att baslinjen som den multiplicerar är 40 % mindre på utdatasidan, så samma pro-multiplikator landar på en billigare nivå.

Praktisk konsekvens: om du budgeterade pro-lägesanrop utifrån tokenantal från 6.1-eran bör du mäta om i stället för att skala om. Tokendistributionen har förändrats så pass mycket att en linjär justering kommer att överskatta din kostnad.

A generated single-column scoreboard for GPT-6.2 Sol listing Intelligence Index 57.3, cost per index task $1.01, output tokens per task 40,360, Terminal-Bench 4.0 at 60.1 percent, Terminal-Bench Science at 67.6 percent, AA-Omniscience 40.4, a 1,050,000-token context window and $2 input and $10 output per million tokens, with a footer attributing the comparison figures to Artificial Analysis and the pricing to OpenAI.

Var den kan anropas i dag, och var den inte kan det

OpenAI:s API är live: Responses och Chat Completions, batch, promptcachning, strukturerade utdata, den värdbaserade verktygsuppsättningen inklusive computer use, apply_patch, hosted shell och MCP, samt Zero Data Retention för godkända organisationer på kvalificerade endpoints. Användare av ChatGPT Work och Codex fick det från dag ett, enligt versionsinformationen. Det är GA-läget per den 18 november 2026.

I OrcaRouters egen katalog har 6.2-generationen ännu inte landat – en kontroll av den offentliga modellistan den 18 november returnerar openai/gpt-6.1-sol och openai/gpt-6-sol men ingen gpt-6.2-sol. Två saker följer av det, och den andra är den som är värd att planera kring. För det första finns det inget om uppgraderingen tillgängligt här i dag, och den här artikeln tänker inte låtsas något annat. För det andra förmedlar OrcaRouter leverantörens listpris vidare med 0 % påslag, så när en nivå väl dyker upp är det leverantörens egen $2/$10 som du betalar – ingen gateway-multiplikator ovanpå prislistan, och en ändring av leverantörens pris gäller samma dag i stället för enligt en återförsäljares schema.

Screenshot of the OrcaRouter model page for GPT-6.1 Sol, showing the model ID openai/gpt-6.1-sol, a 1,050,000-token context window with 128,000 maximum output, input pricing of $2.00 and output pricing of $10.00 per million tokens, and a description of the tier as the long-context option beneath the flagship.

Under tiden är den nivå som denna ersätter openai/gpt-6.1-sol, som finns i katalogen till listpris, och den migrationsväg som är vettig är att behålla produktionen på 6.1-nivån medan du utvärderar 6.2 direkt och sedan flyttar rutten istället för koden.

Vad du ska titta på

Tre saker avgör om 17 november ser ut som ett steg eller en vingling. Antingen består kalibreringsregressionen över nästa AA refresh eller så krymper den till brus. Ultrafast-multiplikatorn fördubblas den 1 mars 2027, från 3× till 6× standard, vilket inte tredubblar någonting men däremot fördubblar premien på den snabbaste vägen – om din arkitektur är beroende av Ultrafast ligger det datumet i din budget. Och token-effektiviteten måste hålla i pro-läget, där det enda numret som ingen publicerar är det som avgör din räkning.

Fram till dess är den ärliga sammanfattningen snäv och kontrollerbar: samma pris, 2,7 indexpoäng, 20 % billigare per uppgift och ett mätbart lösare grepp om det den inte vet.

Jämförda i den här artikeln1

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