
Điểm Browser-Use 82% của GPT-6.2 Sol là một tweet, không phải một mục trên bảng xếp hạng.
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 184 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 223 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 87 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 96 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
Vào ngày 18 tháng 11, Browser Use đã đăng rằng GPT-6.2 Sol là mô hình đứng đầu trên benchmark tác nhân trình duyệt của mình: 82%, tăng từ 81% của GPT-6.1 Sol, rẻ hơn 35% mỗi tác vụ, nhanh gấp đôi và ít hơn 36% số bước. Greg Brockman đã chia sẻ lại điều này cùng ngày với lời nhận xét "GPT-6.2 thật đáng kinh ngạc khi dùng trình duyệt." Hai ngày trước đó, OpenAI đã phát hành GPT-6.2 Sol với giá 2 USD cho mỗi triệu token đầu vào và 10 USD cho mỗi triệu token đầu ra. Đây là một tuyên bố hay và nhiều khả năng đúng về mặt xu hướng. Đồng thời, tính đến hôm nay, đây là nơi duy nhất có bốn con số đó. Bảng xếp hạng công khai của chính Browser Use vẫn liệt kê GPT-6.1 Sol ở mức 81,3 và hoàn toàn không có dòng nào cho GPT-6.2 Sol — trang kết quả của nó mang dấu thời gian sửa đổi lần cuối là ngày 29 tháng 10 năm 2026, và URL lẽ ra chứa trang riêng cho từng mô hình của GPT-6.2 Sol trả về lỗi 404. Vì vậy, phiên bản trung thực của câu chuyện này hẹp hơn và hữu ích hơn so với dòng tweet: một nhà cung cấp benchmark đang nói với bạn rằng mô hình mà họ hiện xếp hạng nhất thì tốt hơn, rẻ hơn và nhanh hơn mô hình mà họ xếp hạng nhất ba tuần trước, còn bảng xếp hạng mà bạn thường kiểm tra để xác nhận điều đó thì vẫn chưa cập nhật kịp.
Browser Use thực sự đã đăng gì, toàn văn
Bài đăng được trích dẫn đến từ tài khoản của chính Browser Use lúc 00:09 UTC ngày 18 tháng 11. Nội dung là: "GPT-6.2 Sol là mô hình hàng đầu cho việc sử dụng trình duyệt 👀 — 82%, tăng từ 81% của GPT-6.1 Sol; rẻ hơn 35%; nhanh gấp 2 lần: 12 phút thay vì 22 phút; ít hơn 36% số bước." Đó là bốn tuyên bố riêng biệt với độ mạnh rất khác nhau, và cần tách chúng ra trước khi dùng bất kỳ tuyên bố nào trong số đó để biện minh cho một cuộc chuyển đổi.
• Điểm số — 82 so với 81. Một điểm trên điểm rubric có trọng số trung bình thang 0–100, trên một benchmark mà phương pháp luận đã công bố mô tả 180 tác vụ được chạy trên các trang web trực tuyến. Một điểm nằm trong dải nhiễu của một benchmark được chạy lại trên các trang web bên thứ ba luôn thay đổi.
• Chi phí mỗi tác vụ — rẻ hơn 35%. Đây là tuyên bố mạnh nhất trong bộ, vì đây là tuyên bố mà người vận hành agent có thể tái tạo với chi phí thấp và vì nó bị ràng buộc về mặt số học: giá token không thay đổi, nên khoản tiết kiệm phải đến từ chỗ khác.
• Thời gian thực tế — 12 phút thay vì 22. Đây là tuyên bố mâu thuẫn trực tiếp nhất với dữ liệu do chính nhà cung cấp công bố, và nội dung này được đề cập ở dưới.
• Số bước — giảm 36%. Trong một tác nhân trình duyệt, các bước chính là các lệnh gọi công cụ, và các lệnh gọi công cụ là nơi vòng lặp tác nhân tiêu tốn cả tiền bạc lẫn thời gian. Việc giảm 36% số bước có thể giải thích một cách hợp lý phần lớn ba con số còn lại cùng một lúc.
Browser Use Bench v2.1 không phải là một bài tập tiếp thị. Thẻ phương pháp luận của nó nói rõ rằng điểm số là điểm rubric có trọng số trung bình cho mỗi tác vụ trên thang 0–100, rằng cột chi phí là chi phí mô hình ước tính cho mỗi tác vụ tính bằng USD và không bao gồm chi phí tìm kiếm, giám định, trình duyệt và runner, và rằng các lần chạy được thực hiện trên 180 trang web đang hoạt động thay vì một bộ kiểm thử cố định. Đó là một chế độ đo lường thực sự. Đồng thời, đó cũng là một chế độ mà ở đó một thay đổi điểm số một điểm và một lần chạy lại trên trang web đang hoạt động không phải là cùng một loại bằng chứng, đó là lý do vì sao bảng xếp hạng từ trước đến nay vẫn thận trọng hơn các bài đăng mạng xã hội của chính nó.
Bốn con số không có trên bảng.
Chúng tôi đã kiểm tra bảng xếp hạng tại browser-use.com/benchmarks/agents vào ngày 19 tháng 11 năm 2026. Siêu dữ liệu của tập dữ liệu có cấu trúc được nhúng trong trang đó vẫn ghi là "Browser Use Bench v2.1 model results" với dateModified là 2026-10-29. Khi tìm trong mã nguồn trang chuỗi "GPT-6.2", kết quả trả về không có kết quả trùng khớp nào. Trang riêng cho từng mô hình tại browser-use.com/benchmarks/models/gpt-6-2-sol không tồn tại — trang này trả về một stub 404. Và phần FAQ của chính trang vẫn mô tả thứ tự hiện hành là "GPT-6.1 Sol high: 81.3 of 100 at $1.92 a task, on 180 tasks on live websites. Next is GPT-6 Sol high at 79.4."

Đó không phải là một cáo buộc về ác ý. Các điểm chuẩn được công bố theo một nhịp độ, còn các thông báo thì không; tài khoản đã đăng vào ngày 18 tháng 11 chính là tài khoản vận hành bộ khung đánh giá, nên nó có các con số trước khi trang web có. Nhưng nó thực sự định hình vị thế nhận thức luận của bài viết này, và của bất kỳ quyết định mua sắm nào được đưa ra từ nó trong tuần này: các con số 82%, 35%, 2x và 36% là do nhà cung cấp tự báo cáo và chưa được công bố, theo đúng nghĩa cụ thể rằng bảng đã công bố của chính nhà cung cấp vẫn chưa có chúng. Một nhóm chuyển một tác nhân trình duyệt trong môi trường sản xuất sang GPT-6.2 Sol hôm nay đang hành động dựa trên một thông báo điểm chuẩn, chứ không phải một kết quả điểm chuẩn.
Tin tốt là thông báo này rất dễ bị bác bỏ với chi phí thấp. Nếu các con số vẫn đúng, một bảng cập nhật có dòng GPT-6.2 Sol sẽ xuất hiện trong vài ngày tới, và bốn con số đó sẽ trụ vững khi đối chiếu với JSON. Nếu dòng đó xuất hiện với những con số khác, bạn sẽ biết trước khi phải xây dựng lại bất cứ thứ gì.
Đường cơ sở trong tweet không khớp với đường cơ sở trên bảng.
Đây là chi tiết đáng được nêu bật, vì đây là kiểu thông tin dễ bị thất lạc khi một tuyên bố được lan truyền dưới dạng ảnh chụp màn hình. Dòng tweet ghi kết quả trước đó của GPT-6.1 Sol là “81%” và “22 min”. Bảng xếp hạng đã công bố của Browser Use ghi GPT-6.1 Sol ở mức nỗ lực suy luận cao là 81,3 trên 100 với 1,92 đô la Mỹ mỗi tác vụ, cùng mức trung vị là 14,3 phút. Điểm số thì đủ gần — 81 và 81,3 là cùng một con số được làm tròn theo cách khác nhau. Còn thời gian thì không. Mười bốn phút và hai mươi hai phút không phải là cùng một phép đo.

Có những cách giải thích vô hại. Cột thời gian của bảng xếp hạng là trung vị trên 180 tác vụ đang hoạt động, và trung vị rất nhạy với việc tác vụ nào bị loại khi một trang web gặp lỗi; 22 phút có thể là giá trị trung bình, có thể là một tập con chỉ gồm các trường hợp nỗ lực cao, có thể là một lát cắt tác vụ khác, hoặc có thể là thời gian chạy trước khi một bản sửa harness được đưa vào giữa ngày 29 tháng 10 và ngày 18 tháng 11. Cũng có một cách giải thích kém vô hại hơn: con số thời gian trong tweet là một phép so sánh được chọn để làm cho mô hình mới trông nhanh hơn, và mẫu số trung thực cho tuyên bố nhanh gấp 2 lần là bất cứ thứ gì mà cùng một harness tạo ra cho mô hình cũ trong cùng ngày.
Bạn không thể giải quyết điều đó từ bên ngoài. Điều bạn có thể làm là từ chối nhập tỷ lệ đó. “Nhanh gấp 2 lần” ở đây có nghĩa là “bộ khung đo lường của nhà cung cấp ngày 18 tháng 11 đo được 12 phút trong khi đo được 22 phút cho mô hình trước đó,” chứ không phải “GPT-6.2 Sol nhanh gấp đôi mô hình mà bảng xếp hạng công khai nói chạy trong 14,3 phút.” Nếu tốc độ là lý do bạn đang cân nhắc việc chuyển đổi, con số để lập kế hoạch dựa vào là con số 14,3 phút đã công bố cho đến khi một bảng xếp hạng mới thay thế nó, vì đó là con số duy nhất có trang phương pháp luận đằng sau.
Tại sao tuyên bố rẻ hơn 35% lại có phép tính ở bên dưới
Cách định giá khiến tuyên bố về chi phí có thể kiểm chứng theo cách mà những yếu tố khác không thể. GPT-6.2 Sol và GPT-6.1 Sol dùng cùng một bảng giá, theo chính các trang mô hình của OpenAI:
• Đầu vào — $2,00 mỗi triệu token cho cả hai.
• Đầu vào được lưu trong bộ nhớ đệm — $0,10 mỗi triệu token trên cả hai. Ghi bộ nhớ đệm là $2,50 mỗi triệu cho bộ nhớ đệm 30 phút, $5,00 cho ghi 12 giờ, trên cả hai.
• Đầu ra — 10,00 USD mỗi triệu token cho cả hai.
• Ngữ cảnh dài — trên 272.000 token đầu vào, đơn giá cho đầu vào và bộ nhớ đệm tăng gấp đôi, còn đơn giá đầu ra tăng lên 1,5 lần cho toàn bộ yêu cầu, trên cả hai mô hình. Ngưỡng thay đổi vẫn nằm ở cùng một mốc.
• Batch — 50% giá tiêu chuẩn cho cả hai; chế độ Fast tăng gấp đôi, Ultrafast tăng gấp ba đến hết ngày 28 tháng 2 năm 2027 và tăng gấp sáu từ ngày 1 tháng 3 năm 2027 trên cả hai.
• Ngữ cảnh — cửa sổ 1.050.000 token, tối đa 922.000 đầu vào, tối đa 128.000 đầu ra, nhận văn bản và hình ảnh, xuất văn bản, trên cả hai. Mốc cắt kiến thức của GPT-6.2 Sol là ngày 1 tháng 6 năm 2026 so với ngày 30 tháng 4 năm 2026.
Đầu vào giống hệt nhau, giá mỗi token giống hệt nhau. Vì vậy, mức giảm 35% chi phí cho mỗi tác vụ không thể là việc giảm giá. Nó phải là do mua ít token hơn, và dòng tweet đưa ra cơ chế: ít hơn 36% số bước. Hóa đơn token của một tác nhân trình duyệt bị chi phối bởi lịch sử hội thoại được phát lại ở mỗi bước, nên số bước và chi phí gần như tăng giảm tuyến tính cùng nhau trong một lần chạy dài. Giảm số bước đi một phần ba thì hóa đơn giảm khoảng một phần ba, đúng bằng mức tiết kiệm được báo cáo. Hai khẳng định củng cố lẫn nhau, đây là dấu hiệu tốt cho cả hai.
Đây cũng là một lời cảnh báo về cách đọc mức tiết kiệm. Một tác vụ rẻ hơn 35% không đồng nghĩa với một tháng rẻ hơn 35% nếu mô hình rẻ hơn được giao những tác vụ mà mô hình cũ đã thất bại, hoặc nếu ít bước hơn nghĩa là tác nhân đang dừng sớm hơn và trả về công việc dở dang. Điểm rubric 82 chính là điều loại trừ khả năng đó — một lượt chạy dừng sớm với số bước ít hơn một phần ba sẽ có điểm thấp hơn, chứ không phải cao hơn một điểm — nhưng một điểm là biên độ quá mỏng để gánh trọng lượng lớn đến vậy.
Giá token được truyền qua nguyên vẹn chính là phần thực sự nhàm chán và thực sự hữu ích trong câu chuyện này. Trên OrcaRouter, mô hình tính thêm 0% nghĩa là giá niêm yết của nhà cung cấp chính là giá bạn trả, nên khi một nhà cung cấp thực sự thay đổi bảng giá — như OpenAI đã làm với GPT-6.2 Astra, giảm 20% ở đầu vào và đầu ra ngay trong cùng ngày — thay đổi đó sẽ có hiệu lực trên nền tảng vào đúng ngày diễn ra thay vì chờ nhà bán lại định giá lại. Điều đó cũng có hai mặt: không có gì để kinh doanh chênh lệch giá, và không có chiết khấu nào để hưởng bằng cách chuyển sang nơi khác. Nếu hôm nay bạn đang chạy GPT-6.1 Sol qua một API key, thì một lời gọi mô hình GPT-6.2 Sol sẽ tốn cùng chi phí mỗi token như tại nhà cung cấp.
Điều gì quan trọng đối với vòng lặp agent, vượt ra ngoài tiêu đề
Bốn chi tiết vận hành trên trang mô hình của OpenAI quan trọng hơn đối với việc triển khai tác nhân trình duyệt so với con số điểm chuẩn, và không chi tiết nào trong số đó xuất hiện trong một dòng tiêu đề 82%.
• Mức nỗ lực suy luận — GPT-6.2 Sol từ chối tùy chọn không có. Cài đặt thấp nhất là một mức thực sự, không phải công tắc để tắt suy luận. GPT-6.1 Sol chấp nhận toàn bộ phạm vi từ thấp đến tối đa. Nếu harness của bạn hardcode "không suy luận, chỉ hành động" để giảm độ trễ, thì cấu hình đó không chuyển được.
• Batch — được hỗ trợ, với mức 50% so với giá tiêu chuẩn. Các chuỗi hành trình của tác nhân trình duyệt thường nhạy cảm với độ trễ, vì vậy điều này chủ yếu quan trọng đối với các lượt chạy đánh giá ngoại tuyến hơn là trong môi trường sản xuất.
• Endpoints — Responses, Chat Completions và Batch. Realtime, Assistants, Fine-tuning, Images, Videos, Speech và Transcription đều không được hỗ trợ. Việc không có Fine-tuning chính là điều gây ảnh hưởng nhất tới các nhóm đã tinh chỉnh chính sách trình duyệt trên mô hình trước đó.
• Công cụ — computer_use, web_search, mcp, hosted_shell, apply_patch, skills, tool_search, code_interpreter, image_generation và file_search được liệt kê là được hỗ trợ. Đối với một tác nhân trình duyệt, cặp đáng chú ý là computer_use cùng với tool_search: một harness có thể khám phá công cụ giữa chừng khi chạy là nguồn khả dĩ khiến số bước ít hơn một phần ba, vì tác nhân ngừng đoán một hành động không tồn tại rồi thử lại hành động đó.
• Giới hạn tốc độ — 5.000 yêu cầu và 1.000.000 token mỗi phút ở gói Build, 10.000 và 4.000.000 ở gói Launch, 15.000 và 40.000.000 ở gói Grow.
Cách dùng thử nó mà không đặt cược lộ trình production vào nó
Cách phản hồi đúng trước một tuyên bố về benchmark chưa được công bố là chạy thử một mẫu, không phải chuyển đổi hàng loạt. Hãy chọn từ hai mươi đến năm mươi tác vụ trình duyệt của chính bạn, chạy chúng trên cả hai mô hình qua cùng một harness trong cùng một ngày, rồi so sánh ba con số: tỷ lệ hoàn thành theo rubric của bạn, số token tiêu thụ trên mỗi tác vụ hoàn thành, và thời gian thực tế p50 và p95. Sau đó, hãy so sánh hai kết quả với nhau thay vì so với con số 82 của Browser Use, vì phân bố tác vụ của họ không phải của bạn và khoảng cách một điểm sẽ không còn giữ nguyên khi áp sang bối cảnh của bạn.
Hai lưu ý thực tế cho bài kiểm tra đó. Thứ nhất, hãy đặt rõ mức độ nỗ lực suy luận ở cả hai phía và dùng một thiết lập mà cả hai mô hình đều chấp nhận, nếu không bạn sẽ dành cả lần chạy để đo lường khác biệt về cấu hình. Thứ hai, hãy ghi lại số bước, vì ít hơn 36% số bước chính là cơ chế đằng sau tuyên bố về chi phí và là điều đầu tiên cần xác nhận hoặc bác bỏ trong dữ liệu của chính bạn.
Đối với bản thân cuộc thử nghiệm, failover là cách rẻ để chạy một mô hình chưa được chứng minh bên cạnh một mô hình đã được chứng minh: định tuyến mẫu đến mô hình mới với dự phòng tự động sang mô hình bạn tin cậy, để một lần từ chối, hết thời gian chờ hoặc tăng vọt giới hạn tốc độ khiến bạn phải thử lại thay vì một tác vụ thất bại. Điều này hữu ích ở đây cụ thể vì GPT-6.2 Sol mới ra đời được hai ngày và các chế độ lỗi của nó trên các trang web thực tế chính là thứ mà bộ đánh giá nhằm đo lường và chưa công bố. Tuy nhiên, hãy lưu ý trạng thái danh mục: OrcaRouter liệt kê 217 mô hình bao gồm GPT-6.1 Sol, mô hình hiện đứng đầu bảng Browser Use, nhưng GPT-6.2 Sol chưa có trong đó — với mô hình đó, bạn sẽ đi qua API riêng của OpenAI trực tiếp. Mô hình trước đó với mức giá chuyển tiếp là một đường cơ sở hợp lý để đo mô hình mới so với nó, và đó là vai trò mà nó nên đảm nhận trong tuần này.

Điều gì sẽ thay đổi câu chuyện này?
Ba điều, xếp theo mức độ chúng sẽ làm thay đổi câu trả lời. Một dòng GPT-6.2 Sol xuất hiện trên browser-use.com/benchmarks/agents với các con số khớp hoặc gần khớp với tweet — điều đó biến một thông báo của nhà cung cấp thành một kết quả của nhà cung cấp và khiến lập luận về việc chuyển đổi mạnh hơn nhiều, dù nó vẫn sẽ không độc lập. Một phép đo độc lập của bên thứ ba về thời gian và chi phí tác vụ trình duyệt trên cùng bộ tác vụ — đó là thứ sẽ giải quyết câu hỏi 12 so với 22 phút, và đó là con số cần theo dõi. Và một bản phân tích chi tiết theo từng tác vụ được công bố, bởi vì "ít hơn 36% số bước" hoặc là một cải thiện ở cấp độ harness có thể khái quát hóa cho agent của bạn, hoặc là một đặc thù của 180 trang web cụ thể, và chỉ dữ liệu theo từng tác vụ mới phân biệt được hai điều đó.
Cho đến khi ít nhất điều đầu tiên trong số đó thành hiện thực, tóm tắt có cơ sở là thế này: GPT-6.2 Sol có chi phí trên mỗi token ngang bằng GPT-6.1 Sol, mức tăng điểm nhỏ và mức tiết kiệm chi phí lớn mà Browser Use báo cáo nhất quán nội tại với việc cắt giảm một phần ba số lần gọi công cụ, và tuyên bố về tốc độ dựa trên một đường cơ sở không khớp với mức trung vị do chính nhà cung cấp công bố. Như vậy đủ để biện minh cho việc đánh giá hai ngày trên chính tác vụ của bạn. Chưa đủ để biện minh cho việc viết lại.
So sánh trong bài viết này1
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
