
GPT-6.2 Sols omarbetningsnota: billig per token, dyr per åtgärd
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 185 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 826 tok/s
- AlibabaNYQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M tokens · 407 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 87 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 108 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 · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 41 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 · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
På morgonen den 20 november publicerade den kinesiskspråkiga AI-kommentatorn 宝玉 (@dotey) ett omdöme om GPT-6.2 Sol som alla som har tillbringat en vecka med modellen känner igen. Enkla uppgifter går bra. Komplexa kodningsuppgifter är inte bara lite sämre än Claude Opus 5.5 – arbetet som Sol slutför måste fortfarande städas upp av Opus, så du hade varit bättre betjänt av att lämna jobbet till Opus från början. Inlägget är en användningsrapport och inget mer: ingen harness, ingen uppgiftslista, ingen diff, 124 gilla-markeringar vid skrivandet och en kommentarstråd med diskussion om det. Det går också att kontrollera på ett sätt som de flesta intryck från lanseringsveckan inte går, eftersom det den beskriver har en form. En modell som klarar enkla uppgifter men faller samman på svåra bör uppvisa ett specifikt mönster i utvärderingarna – styrka i utförande, svaghet i förståelse – och de publicerade siffrorna har antingen det mönstret eller inte.
Det gör de till stor del. OpenAI släppte GPT-6.2 Sol den 17 november 2026 för 2 dollar per miljon indatatoken och 10 dollar per miljon utdatatoken. På Artificial Analysiss oberoende Coding Agent Index hamnar den under modellen den ersätter, och komponenten som drar ner den är den där modellen måste läsa en kodbas och säga något sant om den. Det är mekanismen bakom "den behöver städas efter", uttryckt som en siffra. Vad tweeten inte gör, och vad den här artikeln försöker göra, är att prissätta städningen — för när man faktiskt räknar på det visar sig omarbetningstesen vara mycket starkare i väggklockstid än i pengar, och de två leder till olika beslut.
Vad inlägget faktiskt påstår
Idag stress-testade jag GPT-6.2 Sol. Enkla uppgifter är okej. På lite mer komplexa koduppgifter är den inte bara lite sämre än Opus 5.5 — det arbete den slutför behöver fortfarande Opus 5.5 för att städa upp efter den, så det är bättre att låta Opus 5.5 göra det från början.
Tre separerbara påståenden ryms i det. För det första ett kvalitetspåstående: Sol är väsentligt sämre än Opus 5.5 på komplex kodning. För det andra ett arbetsflödespåstående: gapet visar sig som omarbete snarare än som ett uppenbart misslyckande — du får utdata, det ser färdigt ut, och en starkare modell måste reparera det. För det tredje ett ekonomiskt påstående: omarbetet äter upp alla besparingar som tokenpriset gav.
De två första går att testa mot publicerade utvärderingar. Den tredje är ren aritmetik, och den beror på en siffra som ingen har publicerat — hur mycket en reparationsomgång kostar i förhållande till att göra uppgiften en gång med den dyra modellen. Allt nedan håller dessa tre påståenden åtskilda, eftersom de inte alla håller lika bra.
Den rena jämförelsen körs i ett enda testramverk.
En varning innan några siffror, eftersom det är det vanligaste sättet på vilket den här jämförelsen görs oärligt. Artificial Analysis mäter kodagenter som en kombination av modell och harness: Codex för OpenAI:s modeller, Claude Code för Anthropic:s. Kostnad per uppgift, tokenförbrukning och väggklockstid påverkas lika mycket av harnessen som av modellen, så en rå "Sol kostar $1,22, Opus kostar $12,61"-jämförelse mäter två olika maskiner.
Det som kvarstår av den invändningen är varje jämförelse inom ett testramverk. Inom Codex kan GPT-6.2 Sol ställas direkt mot GPT-6.1 Sol och GPT-6.2 Astra, på identiska uppgifter, med samma verktyg och samma bedömning – och det är där regressionen ligger. Paret mellan olika ramverk är fortfarande värt att skriva ut, tydligt märkt, eftersom det är jämförelsen en läsare faktiskt gör när den väljer mellan en OpenAI-prenumeration och en Anthropic-prenumeration.
• Codex, GPT-6.2 Sol (max) — Coding Agent Index 48.6, $1.22 per uppgift, 4.25M tokens
• Codex, GPT-6.1 Sol (max) — index 52,2, $1.51 per uppgift, 4,33 M tokens
• Codex, GPT-6.2 Astra (max) — index 53,5, 5,12 $ per uppgift, 4,67M token
• Claude Code, Claude Opus 5.5 (max) — index 58.2, $12.61 per uppgift, 15.89M token
Läs de två första raderna tillsammans. Den nya modellen får 3,6 poäng lägre än den den ersätter, på samma harness, vid en tokenförbrukning inom 2 % av den. Priset ändrades inte heller – Sol har legat på $2 och $10 sedan 29 september, och GPT-6.2 Sol behöll prislistan exakt. Så det här är inte en billigare modell som offrar kvalitet för pris. Det är samma pris, samma harness och mindre kapacitet på det indexet mäter. @dotey:s jämförelse är med en annan leverantörs modell, men regressionen han känner av är synlig utan att lämna OpenAI:s egen produktlinje.

Där klyftan för komplexa uppgifter är verklig
Coding Agent Index är ett sammansatt index av tre utvärderingar med lika vikt: FrontierCode-AA 2.0 (132 programvarutekniska uppgifter, skrivna av Cognition och implementerade av Artificial Analysis), Terminal-Bench 4.1 (66 agentiska terminaluppgifter, från Laude Institute) och SWE-Atlas-QnA-AA (124 tekniska fråge- och svaruppgifter över en kodbas, från Scale AI med bedömning justerad av Artificial Analysis). Varje poäng är medelvärdet av tre försök per uppgift.
Jämför Sol komponent för komponent med dess föregångare, så framträder den form som @dotey beskriver omedelbart:
• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46,2 % mot GPT-6.1 Sol 59,9 %, en nedgång med 13,7 punkter inom en och samma utvärderingsram
• FrontierCode-AA 2.0 — 41,5 % mot 42,5 %, i stort sett oförändrat
• Terminal-Bench 4.1 — 58,1 % mot 54,0 %, en ökning med 4,1 procentenheter
Så modellen blev bättre på att göra och sämre på att veta. Arbete i terminalen är att köra och observera: kör kommandot, läs utdata, justera. Frågor och svar om kodbasen är att hämta och rapportera: hitta relevant kod, förstå varför den är som den är och ange det korrekt. En modell som förbättras på det första och försämras med 13,7 punkter på det andra kommer att klara ett smoke-test och producera ändringar som ser rätt ut men missar anledningen till att koden skrevs så. Det är precis det felmönster som skapar omarbete i stället för ett felmeddelande, och det är därför klagomålet kommer som ”den behöver städas upp” i stället för ”den fungerar inte”.
Det absoluta gapet till Opus 5.5 i samma utvärdering är ännu större – 46,2 % mot 65,9 % – men den jämförelsen går mellan olika ramverk, så behandla den som riktningsgivande. Nedgången på 13,7 punkter inom Codex är inte riktningsgivande. Det är samma ramverk, samma 124 uppgifter, samma bedömningsfunktion, och modellen svarar helt enkelt mindre träffsäkert på frågor om en kodbas än modellen den ersatte.

Där Sol är genuint bra
Tweetens första sats förtjänar samma behandling som den andra. "Enkla uppgifter är okej" är inte en eftergift; på det sammansatta Intelligence Index, som kör varje modell genom en och samma identiska testsvit i stället för genom leverantörernas egna testramverk, slår GPT-6.2 Sol vid maximal ansträngning Claude Opus 5.5 vid maximal ansträngning direkt på flera komponenter:
• Terminal-Bench-Science 0.1 — 67,6 % mot 59,0 %, en 8,6-poängsseger för Sol
• AutomationBench-AA — 71,3 % mot 69,5 %
Terminal-Bench 4.0 – 60,1 % mot 59,6 %
• GDP.pdf alla godkända — 30,0 % vs 26,2 %
Och det förlorar på de som kräver att man håller kvar ett faktum och rapporterar det:
• HLE-Diamond — 64,0 % mot 67,9 %
• AnalystAgent — 53,8 % mot 56,3 %
• AA-Omniscience – 40,4 vid 61,6 % träffsäkerhet jämfört med 48,1 vid 65,5 % träffsäkerhet
• FrontierCode-AA 2.0 (Indexversion) — 44,4 % mot 46,4 %
Omniscience-raden är den som är värd att stanna upp vid. Det är utvärderingen som mäter huruvida en modell vet vad den inte vet: Sol svarar korrekt 61,6 % av gångerna och dess hallucinationsfrekvens är 55,4 %, jämfört med 65,5 % och 50,3 % för Opus 5.5. En modell som svarar korrekt nästan fyra procentenheter mer sällan och hittar på något fem procentenheter oftare är en modell vars utdata en människa måste kontrollera – vilket är omarbetningspåståendet, som kommer från ett andra håll.
Netto får Sol 57,3 mot 59,1 på det sammansatta måttet, och gör det på 9,6 minuter per uppgift i stället för 25,7, till $1,01 i stället för $10,04, samtidigt som den avger 60,9 miljoner utdatatokens över testsviten mot {{1}}Opus{{/1}} 218 miljoner. Vad som än annars gäller är den billiga modellen inte långsam och inte ordrik.
Ansträngningsratten har redan svepts
Den uppenbara invändningen från alla som har använt en OpenAI-resonemangsmodell är att detta är fel inställning. Sänker man ansträngningen slutar modellen att övertänka; höjer man den slutar den ta genvägar. Artificial Analysis har redan kört hela svepet på Coding Agent Index i Codex, och det räddar inte situationen:
• låg — 37.2
• medium — 45,4
• hög — 47,5
• xhigh — 49,8
• max — 48,6
Toppen ligger vid xhigh, inte vid max: att pressa till maximal ansträngning kostar faktiskt 1,2 poäng, vilket är den typ av icke-monotont resultat som dyker upp när en modell börjar ifrågasätta sig själv. Men även den bästa inställningen, 49,8, ligger 2,4 poäng under där GPT-6.1 Sol fick vid max och 8,4 under Claude Opus 5.5. Det finns ingen rattposition där GPT-6.2 Sol blir den starkare kodningsagenten; det finns bara ett val om hur mycket du vill betala för 49,8.
Kostnaden för det valet är värd att känna till, eftersom den är brant i relativa termer även om den är billig i absoluta. På Intelligence Index kostar Sol $0,18 per uppgift vid låg ansträngning, $0,41 vid medium, $0,56 vid hög, $0,65 vid xhigh och $1,01 vid max. Att gå från medium till xhigh fördubblar ungefär kvaliteten per uppgift – 52,7 till 55,7 på det indexet – och kostar 58 % mer. Standard är medium, vilket är inställningen som ger kodningspoängen 45,4. Om du utvärderar Sol mot Opus, gör det vid xhigh eller max, annars jämför du fel konfiguration.
Ett tal som förutsäger omarbete
Det finns en andra dataserie i samma körning som direkt talar till upplevelsen av att "det behöver städas upp", och det är inte en kvalitetspoäng. Artificial Analysis registrerar säkerhetsvägran per utvärdering och skiljer mellan vägran som harnessen återhämtade sig från och sådana som avslutade försöket. På SWE-Atlas-QnA-AA, över 372 försök:
• GPT-6.2 Sol (max) — 25 vägranden, vart och ett ett hårt stopp, 6,7 % av försöken
• GPT-6.2 Sol (xhigh) — 22 nekanden, 5,9 %
• GPT-6.2 Sol (medium) — 13 vägranden, 3,5 %
• GPT-6.1 Sol (max) — 15 vägranden, 4,0 %
• GPT-6.2 Astra (max) — 8 avböjanden, 2,2 %
• Claude Opus 5.5 — 52 avslag, inget av dem ett hårt stopp, 14,0 %
Opus-linjen är den intressanta och den går emot en lat läsning. Opus 5.5 vägrar oftare än någon annan modell i den här tabellen — och testramverket återhämtade alla 52, så ingen av dem kostade körningen. Sol vägrar mer sällan och testramverket kunde inte återhämta en enda av sina 25. En vägran som avslutar en agents tur är en uppgift som en människa nu måste ta över; en vägran som återhämtas är ett nytt försök. I utvärderingen som mest liknar "svara på frågor om det här repot" misslyckas modellen som tweeten klagar på i det läge som producerar oavslutat arbete snarare än felaktigt arbete.
Sett tillsammans med nedgången på 13,7 poäng i förståelse är detta en sammanhängande berättelse snarare än två orelaterade siffror: Sol är mindre tillförlitlig i den del av kodningen som handlar om att hämta och rapportera, och när den avböjer gör den det på ett sätt som lämnar uppgiften öppen.
Prissättning av städningsomgången
Nu det tredje påståendet, det ekonomiska, där intuitionen oftast slår aritmetiken. Använd kostnaden per uppgift för Intelligence Index, eftersom den sviten använder samma testramverk för varje modell i den och därför är siffrorna direkt jämförbara: GPT-6.2 Sol $1,01, Claude Opus 5.5 $10,04.

Ta en uppgift som Sol slutför och som Opus sedan reparerar. Låt p vara andelen uppgifter som behöver repareras och r vara kostnaden för en reparation som en andel av en fullständig Opus-körning. Att låta Sol utföra uppgiften och sedan reparera kostar $1,01 + p × r × $10,04. Enbart Opus kostar $10,04. Att låta Sol utföra och sedan reparera är billigare när p × r är under 0,899.
Det är en hög ribba att klara. Om en reparation kostar hälften av en fullständig genomkörning kan du reparera varenda enda uppgift och ändå vara 78 % billigare än att gå direkt till Opus. Först när reparationerna närmar sig kostnaden för en fullständig omkörning på nästan varje uppgift vänds notan: vid p = 1 och r = 1 betalar du $11.05 för det Opus skulle ha gjort för $10.04. På tusen uppgifter blir det $11 050 mot $10 040 – en straffavgift på 10 %, inte den utklassning som tweeten antyder.
Så enbart sett till pengar rubbar invändningen om omarbete inte prisargumentet, såvida inte omarbetet är nära nog totalt. Men pengar är inte den begränsning som de flesta team stöter på. Tiden är:
• Tid per Intelligence Index-uppgift — GPT-6.2 Sol 9,6 min vs Claude Opus 5.5 25,7 min
• Tid när en uppgift kräver en fullständig Opus-omgörning – 9,6 + 25,7 = 35,3 min jämfört med 25,7 min
• Tokenåtgång för samma svit — 60,9M mot 218M output-tokens
Här gäller omarbetstesen utan förbehåll. Varje uppgift som Sol försöker sig på och sedan lämnar tillbaka är en uppgift som tog 37 % längre tid än den skulle ha gjort om du hade gått till Opus först, och du kan inte köpa tillbaka den tiden med en billigare token. Om din begränsning är en deadline snarare än en budget – vilket är situationen som nästan varje utvecklare faktiskt befinner sig i när de publicerar det här klagomålet – har @dotey rätt, och argumentet handlar om genomströmning, inte pris.
Vad skulle ändra domen?
Två saker, och ingen av dem finns ännu. Den första är en publicerad omarbetningsgrad: hur stor andel av Sols diffar för komplexa uppgifter som en starkare modell faktiskt måste ändra, mätt på en fast uppsättning uppgifter. Ingen publicerar detta, eftersom det kräver att man kör två modeller på samma tickets och diffar resultaten, och det är den enda siffran som skulle avgöra diskussionen. Den andra är en siffra för GPT-6.2 Sol i en kodningskörning med Anthropic-harness, eller Opus 5.5 på Codex, vilket skulle göra den harness-överskridande jämförelsen ovan till en riktig direkt jämförelse.
I kontrast till det, notera vad som redan är fastställt. Regressionen är verklig och den finns inom en och samma testrigg. Ansträngningssvepet åtgärdar den inte. Förståelseutvärderingen – den som förutsäger omarbete – rörde sig i fel riktning med 13,7 poäng. En läsare som vill ha ett skäl att behålla komplex kodning på Opus 5.5 har ett som inte beror på någons intryck av en lanseringsvecka.
Kör testet på dina egna uppgifter
Omarbetningsgraden går att mäta i din egen backlog på en eftermiddag, och det är den enda versionen av det här talet som spelar roll för dig. Ta tjugo uppgifter som ditt team faktiskt levererade förra månaden, kör var och en genom båda modellerna med samma effort-inställning och diffa de resulterande patcharna mot det som en människa till slut slog samman. Andelen som krävde väsentlig omarbetning är din p; tokenkostnaden för reparationsomgången är din r.
OrcaRouter gör det till ett routingbeslut snarare än ett inköpsbeslut: anthropic/claude-opus-5.5 och openai/gpt-6.1-sol ligger båda bakom en enda nyckel, till leverantörens eget listpris med 0 % påslag som förs vidare, så siffrorna ovan är siffrorna du kommer att faktureras. Det spelar större roll än vanligt här, eftersom modellen som tweeten försvarar sig mot – GPT-6.2 Sol – ännu inte finns i vår katalog; vi tillhandahåller den inte, och ingen mängd routing ändrar på det. Det vi däremot tillhandahåller är modellen som Sol ersatte, vilket är rätt kontroll för ett experiment: kör 6.2 Sol var du än kan nå den, kör GPT-6.1 Sol på samma uppgifter genom oss, och tappet i förståelse på 13,7 punkter blir något du kan bekräfta eller motbevisa på din egen kod i stället för på en syntetisk svit.
För den driftsättningsform som dataunderlaget pekar på är routing-DSL:en det ärliga svaret: skicka planerings- och kodbasförståelsesteg till Opus 5.5, skicka exekvering och terminal-loopar till den billigare modellen och låt automatisk failover täcka fallet där en leverantör avstannar mitt i en körning. Det är en konfiguration, inte en arkitektur – och det är vad "use Opus to clean up after Sol" ser ut som när man skriver ned det som en pipeline i stället för som ett klagomål.
Det enda som är värt att ta med sig från tweeten, oavsett vilken modell du väljer: räkningen för en kodningsuppgift är inte antalet tokens. Det är tokens plus de mänskliga minuterna plus den tid som förflutit enligt väggklockan mellan "klar" och "faktiskt klar". Sol vinner den första raden i den liggaren avgjort, Opus 5.5 vinner den andra och tredje närhelst en uppgift kommer tillbaka, och ingen leverantör publicerar frekvensen med vilken uppgifter kommer tillbaka. Till dess att någon gör det är det enda pålitliga siffran den du mäter på dina egna diffar.
Jämförda i den här artikeln1
Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen
