Ett genererat hero-kort med rubriken '126 token per sekund, inte 4,5x' och en underrubrik med texten 'Den första offentliga mätningen av Ultrafast, på GPT-6.2 Sol', tre kort med texten 'Uppmätt genomsnitt: 126 tok/s', 'Uppmätt topp: 252 tok/s' och 'Standardbaslinje: 85 tok/s', samt en sidfot med texten 'En användares 27-minutersvideoredigering, 18 november 2026; standardbaslinje enligt Artificial Analysis'.
Guides & Insights

GPT-6.2 Sol Ultrafast, uppmätt: 126 tokens per sekund och inget tecken på 4,5×

Författare

jinhao.song

Publiceringsdatum

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

Den första offentliga siffran för GPT-6.2 Sol som körs med Ultrafast aktiverat är 126 token per sekund, i genomsnitt över ett jobb som tog 27 minuter i verklig tid och cirka 14 minuter i faktisk modellsvarstid, med en tillfällig topp på 252 token per sekund. Den kommer från en videoeditör på X som bad modellen klippa en åtta minuter lång video – en verklig uppgift, rapporterad i fyra rader, utan testrigg, utan upprepade körningar och utan kontroll i Standard-läge. Jämför det genomsnittet med siffran som Artificial Analysis publicerar för samma modell i Standard, 85 utdatatoken per sekund, och den nivå som OpenAI säger genererar token ”med upp till 4,5 gånger hastigheten för Standard” hamnade på ungefär 1,5× i den här enda rapporten. GPT-6.2 Astra och GPT-6.1 Sol, de andra två modellerna på Ultrafast-listan, ligger ännu lägre på den där oberoende resultattavlan med 60 respektive 49 token per sekund, vilket är varför förhållandet betyder mer här än det råa talet.

Fyra nummer, och det femte som ingen hade lagt upp

Inlägget är ovanligt specifikt för att vara ett hastighetspåstående på sociala medier, vilket är det som gör det värt att granska. Det anger uppgiften (en videoredigering på åtta minuter), den totala tiden (27 minuter), delen som spenderades på att vänta på modellen (cirka 14 minuter), den genomsnittliga genereringstakten (126 tokens per sekund) och den bästa enskilda burst-takten (252). OpenAI dokumenterar nivån som Ultrafast; inlägget kallar den "Ultra Fast". Båda namnen beskriver samma sak – det snabbaste hastighetsalternativet i väljaren i ChatGPT Work och Codex-appen.

Det som inlägget inte ger är den hälft som skulle göra det till ett riktmärke:

• Vilken yta den kördes på – ChatGPT Work, Codex-appen eller API:et. Alla tre exponerar nivån; siffrorna är inte jämförbara mellan dem.

• Inställningen för resonemangsinsats. Sol at Light och Sol at Pro innebär olika mycket tänkande innan den första token, och tänketiden ingår i de 14 minuterna.

• Hur många token som faktiskt genererades. Det kan härledas från genomsnittet och varaktigheten, och den härledningen är värd att göra – se nedan – men det är en härledning.

• Vad Standard skulle ha tagit för samma uppgift. Det här är siffran som texten egentligen handlar om, och det är den enda siffran som inlägget inte kan innehålla, eftersom det är en enda körning utan något att jämföra med.

• Huruvida redigeringen var användbar första gången. "Det klippte en åttaminutersvideo" är ett påstående om framgång, inte ett påstående om kvalitet, och en omkörning skulle ha förändrat den totala tiden avsevärt.

Påståendet, exakt formulerat, och vad nivån kostar

OpenAI:s dokumentation om snabbhet är tydlig med vad Ultrafast lovar: ”På GPT-6.2 Astra och GPT-6.2 Sol genererar Ultrafast tokens upp till 4,5 gånger snabbare än Standard på samma modell.” Notera de två förbehållen. Det är ett påstående om token-generering, inte om tiden till första token och inte om hur lång tid en hel uppgift tar. Och det står ”upp till”, vilket är ett tak snarare än ett typiskt värde – en skillnad som spelar enormt stor roll när den första oberoende mätningen landar på ungefär en tredjedel av det taket.

På API:et är det en flagga, inte en modell: ange model till gpt-6.2-sol och service_tier till "ultrafast". OpenAI rekommenderar WebSockets för agentiskt arbete så att anslutningsoverhead inte äter upp vinsten, och Ultrafast har sina egna hastighetsbegränsningar, åtskilda från Standard och Fast. För GPT-6.2-modellerna är dessa gränser inte publicerade – dokumentationen säger att du ska kontrollera din organisations egna inställningar – medan GPT-6.1 Sol Ultrafast publicerar 1 000 000 tokens per minut på Build-nivån och GPT-6 Astra publicerar 500 000. Inferensresidens för GPT-6.2-nivån är endast USA. I ChatGPT får Pro $200 Ultrafast enbart på Sol och Pro $500 får båda modellerna.

Priset är den del som har en tidsgräns. Ultrafast på GPT-6.2 Sol kostar $6.00 per miljon indatatoken, $0.30 för cachad indata och $30.00 för utdata under kampanjperioden, och $12.00 / $0.60 / $60.00 enligt listpris – exakt 3× och 6× Standard-priset på $2.00 / $0.10 / $10.00. OpenAI anger datum för bytet: "Ultrafast kostar 3 gånger Standard-priset till och med den 28 februari 2027 och 6 gånger Standard-priset från och med den 1 mars 2027 (stillahavstid)."

A screenshot of OpenAI's ChatGPT speed documentation describing Ultrafast mode, showing the statement that on GPT-6.2 Astra and GPT-6.2 Sol Ultrafast generates tokens at up to 4.5 times the speed of Standard, the recommendation to use WebSockets, and the note that Ultrafast has separate rate limits from Standard and Fast.

Den baslinje som gör 126 läsbart

En siffra för tokens per sekund betyder ingenting utan en referens, och det finns exakt en oberoende referens för den här modellfamiljen. Artificial Analysis mäter GPT-6.2 Sol vid maximal resonemangsansträngning till 85 utdatatokens per sekund, 68 sekunder till första token, 7,9 minuter för en slutförd indexuppgift och 1,01 dollar per uppgift, mot ett Intelligence Index på 57. Samma resultattavla listar GPT-6.2 Astra på 60 tokens per sekund och ett Index på 62, till 4,00 dollar per uppgift, samt GPT-6.1 Sol på 49 tokens per sekund och ett Index på 55, till 1,27 dollar per uppgift.

De där är harness-medianer på ett fast utvärderingsset, och videoredigeringen är en persons eftermiddag. De är inte samma mätning, och det ärliga sättet att använda dem tillsammans är som en grov skalfaktor snarare än en dom:

• Uppmätt medelvärde, 126 tokens per sekund – cirka 1,5× Standard-baslinjen på 85.

• Uppmätt topp, 252 tokens per sekund — cirka 3,0× den baslinjen, vid det enskilt snabbaste burstet.

• Påståendet om 4,5× gällde 85 – drygt 380 token per sekund, vilket inget i rapporten kommer i närheten av.

• Artificial Analysiss egen GPT-6.2 Sol-sida nämner inte Ultrafast överhuvudtaget, så dess 85 är en siffra för standardläge per automatik snarare än genom ett påstående.

Varför fyra och en halv gånger så många tokens inte är fyra och en halv gånger så mycket arbete

Det här är delen som går förlorad när en hastighetsnivå säljs som en multiplikator, och videoposten råkar innehålla beviset. Fjorton minuters modellsvar av ett 27-minutersjobb innebär att 52 % av tiden var generering och 48 % var allt annat – uppladdning, transkodning, redigerarens egna steg, verktygsanrop, vad pipeline än gör mellan modellturer. Se den uppdelningen som arbetsbelastningens form, och aritmetiken blir obeveklig:

• Genereringstiden innebär ungefär 106 000 utdatatoken, vid 14 minuter och 126 token per sekund.

• Vid Standard-baslinjen på 85 tokens per sekund tar de tokens ungefär 21 minuter, så jobbet landar på nära 34 minuter.

• Vid det fulla 4,5×-påståendet – cirka 383 tokens per sekund – tar de under 5 minuter, så jobbet landar på nära 18 minuter.

• Loppet tog faktiskt 27 minuter, nästan exakt halvvägs mellan de två.

Även om nivån hade levererat varenda bit av 4,5×, skulle vinsten från början till slut för den här arbetsbelastningen ha varit ungefär 1,5×, eftersom modellen aldrig var mer än halva jobbet. Amdahls lag bryr sig inte om hur snabb den snabba delen blir. Det är inte ett argument mot Ultrafast; det är ett argument för att mäta nivån mot formen på din egen pipeline snarare än mot multiplikatorn, eftersom en interaktiv chattvändning nästan bara är generering och en mediepipeline inte är det.

Vad de där 14 minuterna faktiskt kostade

Tillämpa kampanjprislistan på de härledda 106,000 utdatatokens, och priset för mätningen går att läsa på en rad:

• Standard, 10,00 USD per miljon utdatatoken – cirka 1,06 USD.

• Ultrafast till kampanjpriset, 30,00 USD per miljon — cirka 3,18 USD.

• Ultrafast till listpris från 1 mars 2027, 60,00 USD per miljon – cirka 6,35 USD.

Utdata är bara halva räkningen, och för en videoredigeringsagent är det förmodligen den mindre halvan. Varje bildrutebeskrivning, transkript och verktygsresultat går tillbaka som indata till $6.00 per miljon under kampanjen, och en agent som loopar över samma kontext är exakt den arbetsbelastning som cache-skrivraderna finns för – $7.50 per miljon för en 30-minuterscache och $15.00 för en 12-timmars, mot $0.30 för en cacheläsning. En pipeline som skickar om sitt kontext i stället för att cacha det kan lägga mer på indata än på den utdata den försökte snabba upp. Inlägget redovisar inte tokencounts, så detta kan inte summeras, bara begränsas: prisnivån tredubblade generationshalvan av räkningen och kommer att sexdubbla den om fjorton veckor.

Vilken modell ska nivån läggas på

Samma 4,5× tillämpat på tre olika utgångsvärden ger tre mycket olika mål, och det billigaste är inte det snabbaste.

• GPT-6.2 Sol — 85 tokens per sekund vid Standard, så påståendet innebär omkring 383. Index 57, 1,01 USD per uppgift.

• GPT-6.2 Astra — 60 på Standard, så påståendet implicerar ungefär 270. Index 62, 4,00 USD per uppgift, fyra gånger kostnaden för fem fler indexpoäng.

• GPT-6.1 Sol — 49 på Standard, så påståendet innebär cirka 220. Index 55, $1.27 per uppgift, och dess Ultrafast-nivå har ett fast pris på $12.00 för input och $60.00 för output per miljon, helt utan någon kampanjrad.

Två konsekvenser följer. För det första är Ultrafast på Astra fortfarande långsammare än Ultrafast på Sol, eftersom det utgår från en lägre bas – om målet är genomströmning tar den starkare modellen dig inte dit. För det andra är Ultrafast på GPT-6.1 Sol redan prissatt till vad Ultrafast på GPT-6.2 Sol kommer att kosta efter februari, vilket gör det till en rättvis förhandsvisning av fakturan snarare än en rabatt. OpenAI noterar också att Ultrafast på GPT-6 Astra och GPT-6.1 Sol är tillgängligt för alla API-användare, medan GPT-6.2-nivån hänvisar dig till din organisations hastighetsbegränsningar – värt att kontrollera innan du bygger en kö kring det.

A screenshot of the Artificial Analysis model page for GPT-6.2 Sol, showing an Intelligence Index of 57, an output speed of 85 tokens per second, a time to first token of 68 seconds, 7.9 minutes per index task, and a cost of $1.01 per task.

Skaffa ett eget nummer i stället för att låna det här

Mätningen ovan är en enskild rapport och bör betraktas som en signal, inte en specifikation. Sättet att lösa det är ett kontrollerat A/B-test på din egen arbetsbelastning – samma prompt, samma uppgift, tre körningar på Standard och tre med service_tier satt till "ultrafast", med separat registrering av end-to-end-minuter, totalt antal tokens och tid till första token. Rapportera både toppen och genomsnittet, eftersom gapet mellan 126 och 252 i originalinlägget är skillnaden mellan en nivå som hjälper och en nivå som ibland hjälper.

OrcaRouter tillhandahåller inte GPT-6.2 Sol eller GPT-6.2 Astra i dag; katalogen innehåller openai/gpt-6-astra, openai/gpt-6-sol, openai/gpt-6.1-sol och openai/gpt-6-luna, och GPT-6.2-modellsidorna går inte att nå. Det här är alltså inte ett förslag om att du ska dirigera den nya modellen via oss. Det som är sant i dag är snävare och fortfarande användbart för just det här beslutet. GPT-6.1 Sol finns i katalogen, den ligger närmast den modell som uppmätts, och att köra din utvärderingsuppsättning mot den via en enda nyckel är det billigaste sättet att ta reda på om en hastighetsnivå förändrar din produkt innan du binder en budget till en nivå som fördubblas i mars. Prissättningen är leverantörens listpris som skickas vidare utan påslag, så höjningen den 1 mars 2027 kommer till oss samma dag som den kommer till OpenAI – ingen omprissättningscykel, ingen omförhandling.

Det finns också ett routingargument som är specifikt för den här nivån. Ultrafast har sina egna hastighetsbegränsningar, separata från Standard och Fast, och OpenAI publicerar ingen standardsiffra för tokens per minut för GPT-6.2-nivån – man får reda på sitt tak genom att nå det. En pipeline som behandlar Ultrafast som den enda vägen ärver den okända faktorn; en pipeline som kan falla tillbaka till Standard på samma modell försämras i hastighet i stället för att misslyckas. Det är den enda strukturella fördelen med att lägga en hastighetsnivå bakom en router i stället för att hårdkoda den, och det är värt att ha innan nivån ligger på en kritisk väg.

A generated single-column scoreboard for GPT-6.2 Sol Ultrafast with rows reading 'Measured average: 126 tok/s', 'Measured peak: 252 tok/s', 'Standard baseline: 85 tok/s', 'Vendor claim: up to 4.5x Standard', 'Output price, promo: $30 per MTok' and 'Output price, list: $60 per MTok', with a footer noting that the measured figures are one user's task report, the baseline is per Artificial Analysis, and the claim and prices per OpenAI.

Vad skulle avgöra det?

Ett enda tal skulle föra detta från anekdot till bevis: ett A/B-test mellan Standard och Ultrafast på en fast uppgift, publicerat med tokenantal och väggklockstid. Tills det finns är den försvarbara tolkningen av den 18 november 2026 att Ultrafast på GPT-6.2 Sol är verkligt och väsentligt snabbare än Standard – 126 mot 85 är inte brus, och en burst på 252 token är inte en avrundningsartefakt – men att den publicerade multiplikatorn är ett tak som ingen offentligt har kommit i närheten av, och att en snabbhetsökning på uppgiftsnivå beror lika mycket på hur stor andel av din pipeline som utgörs av tokengenerering som på själva nivån. Personen som publicerade mätningen fick en video klippt på 27 minuter i stället för uppskattningsvis 34, och gjorde det på en nivå från lanseringsveckan som kommer att kosta dubbelt så mycket i mars. Det är ett bra resultat och en måttlig multiplikator, och båda halvorna är värda att känna till innan någon budgeterar utifrån 4,5×.

Jämförda i den här artikeln1

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