
Hóa đơn làm lại của GPT-6.2 Sol: Rẻ trên mỗi token, đắt trên mỗi lần sửa
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 185 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 826 tok/s
- AlibabaMỚIQwen: Qwen4 Max2026-11-16$1.50 / $4.50 trên 1 triệu token · 407 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 · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 90 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 · 212 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 · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
Vào sáng ngày 20 tháng 11, bình luận viên AI tiếng Trung 宝玉 (@dotey) đã đăng một đánh giá về GPT-6.2 Solmà bất kỳ ai đã dùng mô hình này một tuần cũng sẽ nhận ra. Các tác vụ đơn giản thì ổn. Các tác vụ lập trình phức tạp không chỉ kém hơn một chút so với Claude Opus 5.5 — công việc mà Sol hoàn thành vẫn cần Opus dọn dẹp lại phía sau, nên bạn thà giao việc đó cho Opus ngay từ đầu thì hơn. Bài đăng chỉ là một báo cáo sử dụng, không hơn không kém: không có harness, không có danh sách tác vụ, không có diff, 124 lượt thích tại thời điểm viết bài và một luồng bình luận tranh luận về nó. Nó cũng có thể kiểm chứng theo cách mà hầu hết các ấn tượng trong tuần ra mắt không có được, bởi vì thứ mà nó mô tả có một hình thù rõ rệt. Một mô hình ổn với công việc dễ nhưng sụp đổ với công việc khó lẽ ra phải thể hiện một kiểu mẫu cụ thể trong các đánh giá — mạnh về thực thi, yếu về thấu hiểu — và các số liệu được công bố hoặc có kiểu mẫu đó, hoặc không.
Phần lớn là đúng. OpenAI đã phát hành GPT-6.2 Sol vào ngày 17 tháng 11 năm 2026 với giá 2 USD cho mỗi triệu token đầu vào và 10 USD cho mỗi triệu token đầu ra. Trên Coding Agent Index độc lập của Artificial Analysis, nó nằm dưới mô hình mà nó thay thế, và thành phần kéo nó xuống chính là thành phần mà ở đó mô hình phải đọc một cơ sở mã và nói điều gì đó đúng về nó. Đó là cơ chế đằng sau “nó cần được dọn dẹp sau đó”, được phát biểu dưới dạng một con số. Điều mà dòng tweet không làm, và điều mà bài viết này cố gắng làm, là định giá việc dọn dẹp — bởi vì khi bạn thực sự tính toán, luận điểm về làm lại hóa ra mạnh hơn nhiều về thời gian thực so với tiền bạc, và hai điều đó dẫn đến những quyết định khác nhau.
Bài đăng thực sự khẳng định điều gì
Dịch thẳng: “Hôm nay tôi đã kiểm thử áp lực GPT-6.2 Sol. Các tác vụ đơn giản thì ổn. Với các tác vụ lập trình phức tạp hơn một chút, nó không chỉ kém Opus 5.5 một chút — công việc nó hoàn thành vẫn cần Opus 5.5 dọn dẹp lại, nên tốt hơn là để Opus 5.5 làm việc đó ngay từ đầu.”
Có ba khẳng định có thể tách rời nằm trong đó. Thứ nhất, một khẳng định về chất lượng: Sol tệ hơn đáng kể so với Opus 5.5 ở mảng lập trình phức tạp. Thứ hai, một khẳng định về quy trình làm việc: khoảng cách thể hiện dưới dạng phải làm lại chứ không phải dưới dạng một lỗi rõ ràng — bạn nhận được đầu ra, nó trông như đã hoàn thiện, và một mô hình mạnh hơn phải sửa nó. Thứ ba, một khẳng định về kinh tế: việc làm lại xóa sạch mọi khoản tiết kiệm từ giá token.
Hai điều đầu tiên có thể kiểm chứng dựa trên các đánh giá đã công bố. Điều thứ ba là tính toán, và nó phụ thuộc vào một con số chưa ai công bố — chi phí của một lượt sửa chữa so với việc thực hiện nhiệm vụ một lần bằng mô hình đắt tiền là bao nhiêu. Phần dưới đây giữ ba tuyên bố đó tách riêng, vì chúng không phải tất cả đều trụ vững như nhau.
Việc so sánh sạch diễn ra bên trong một harness.
Một lời cảnh báo trước khi đi vào bất kỳ con số nào, vì đây là cách phổ biến nhất khiến phép so sánh này bị thực hiện một cách thiếu trung thực. Artificial Analysis đo lường các tác nhân lập trình như một sự kết hợp giữa mô hình và bộ khung: Codex cho các mô hình của OpenAI, Claude Code cho các mô hình của Anthropic. Chi phí mỗi tác vụ, lượng token tiêu thụ và thời gian chạy thực tế đều thay đổi theo bộ khung chẳng kém gì theo mô hình, nên một phép so sánh thô kiểu "Sol tốn $1.22, Opus tốn $12.61" là đang đo hai cỗ máy khác nhau.
Điều còn trụ lại sau phản đối đó là bất kỳ phép so sánh nào trong một harness. Bên trong Codex, GPT-6.2 Sol có thể được đặt đối chiếu trực tiếp với GPT-6.1 Sol và GPT-6.2 Astra, trên cùng những tác vụ, với cùng bộ công cụ và cùng cách chấm điểm — và đó chính là nơi hồi quy nằm. Cặp so sánh xuyên harness vẫn đáng để in ra, được dán nhãn rõ ràng, bởi vì đó chính là phép so sánh mà người đọc thực sự đang thực hiện khi họ quyết định giữa một gói đăng ký OpenAI và một gói đăng ký Anthropic.
• Codex, GPT-6.2 Sol (max) — Coding Agent Index 48,6, 1,22 USD mỗi tác vụ, 4,25 triệu token
• Codex, GPT-6.1 Sol (max) — chỉ số 52,2, 1,51 $ mỗi tác vụ, 4,33M token
• Codex, GPT-6.2 Astra (max) — chỉ số 53,5, 5,12 USD mỗi tác vụ, 4,67 triệu token
• Claude Code, Claude Opus 5.5 (max) — chỉ số 58,2, 12,61 USD mỗi tác vụ, 15,89 triệu token
Đọc hai dòng đầu cùng nhau. Mô hình mới đạt 3,6 điểm thấp hơn so với mô hình mà nó thay thế, trên cùng một harness, với mức sử dụng token nằm trong khoảng 2% so với nó. Giá cũng không thay đổi — Sol đã duy trì mức $2 và $10 kể từ ngày 29 tháng 9, và GPT-6.2 Sol giữ nguyên bảng giá chính xác. Vì vậy đây không phải là một mô hình rẻ hơn đánh đổi chất lượng lấy giá. Đó là cùng một mức giá, cùng một harness, và năng lực thấp hơn ở thứ mà chỉ số đo lường. So sánh của @dotey là với mô hình của một nhà cung cấp khác, nhưng sự suy giảm mà anh ấy cảm nhận được là có thể thấy rõ mà không cần rời khỏi dòng sản phẩm của chính OpenAI.

Nơi khoảng cách về nhiệm vụ phức tạp là có thật
Coding Agent Index là chỉ số tổng hợp từ ba đánh giá, có trọng số bằng nhau: FrontierCode-AA 2.0 (132 tác vụ kỹ thuật phần mềm, do Cognition viết và Artificial Analysis triển khai), Terminal-Bench 4.1 (66 tác vụ terminal mang tính tác tử, từ Laude Institute), và SWE-Atlas-QnA-AA (124 tác vụ hỏi đáp kỹ thuật trên một cơ sở mã, từ Scale AI với cách chấm điểm được Artificial Analysis điều chỉnh). Mỗi điểm số là trung bình của ba lần thử cho mỗi tác vụ.
Tách Sol so với phiên bản tiền nhiệm theo từng thành phần, và hình dạng mà @dotey mô tả sẽ hiện ra ngay:
• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46,2% so với GPT-6.1 Sol 59,9%, giảm 13,7 điểm trong cùng một harness
• FrontierCode-AA 2.0 — 41,5% so với 42,5%, gần như không đổi
• Terminal-Bench 4.1 — 58,1% so với 54,0%, mức tăng 4,1 điểm
Vậy là mô hình đã trở nên giỏi hơn ở việc làm và kém hơn ở việc hiểu biết. Công việc trên terminal là thực thi-và-quan sát: chạy lệnh, đọc đầu ra, điều chỉnh. Hỏi đáp về codebase là truy xuất-và-báo cáo: tìm đoạn mã liên quan, hiểu vì sao nó lại như vậy, và nêu chính xác điều đó. Một mô hình cải thiện ở việc thứ nhất và thoái lui 13,7 điểm ở việc thứ hai sẽ vượt qua một bài kiểm thử khói và tạo ra những chỉnh sửa trông có vẻ đúng nhưng bỏ lỡ lý do đoạn mã được viết theo cách đó. Đó chính xác là kiểu thất bại tạo ra việc phải làm lại thay vì một thông báo lỗi, và đó là lý do tại sao lời phàn nàn đến dưới dạng “cần dọn dẹp lại” chứ không phải “nó không chạy”.
Khoảng cách tuyệt đối so với Opus 5.5 trong cùng một đánh giá thậm chí còn lớn hơn — 46,2% so với 65,9% — nhưng phép so sánh đó vắt qua các harness khác nhau, nên hãy coi đó chỉ là mang tính định hướng. Mức giảm 13,7 điểm trong nội bộ Codex thì không mang tính định hướng. Đó là cùng một harness, cùng 124 tác vụ, cùng một bộ chấm điểm, và mô hình chỉ đơn giản là trả lời các câu hỏi về một cơ sở mã kém chính xác hơn so với mô hình mà nó thay thế.

Nơi Sol thực sự ổn
Mệnh đề đầu tiên của dòng tweet xứng đáng được đối xử giống như mệnh đề thứ hai của nó. “Các tác vụ đơn giản đều ổn” không phải là một nhượng bộ; trên Intelligence Index tổng hợp, nơi mọi mô hình đều được chạy qua cùng một bộ kiểm thử giống hệt nhau thay vì qua các harness của nhà cung cấp, GPT-6.2 Sol ở mức nỗ lực tối đa đánh bại Claude Opus 5.5 ở mức nỗ lực tối đa trên nhiều thành phần một cách dứt khoát:
• Terminal-Bench-Science 0.1 — 67,6% so với 59,0%, Sol thắng cách biệt 8,6 điểm
• AutomationBench-AA — 71,3% so với 69,5%
• Terminal-Bench 4.0 — 60.1% so với 59.6%
• GDP.pdf đạt tất cả — 30,0% so với 26,2%
Và nó thua kém ở những trường hợp đòi hỏi phải ghi nhớ một sự thật và báo cáo lại:
• HLE-Diamond — 64,0% so với 67,9%
• AnalystAgent — 53,8% so với 56,3%
• AA-Omniscience — 40,4 với độ chính xác 61,6% so với 48,1 với độ chính xác 65,5%
• FrontierCode-AA 2.0 (phiên bản Index) — 44,4% so với 46,4%
Hàng Omniscience là hàng đáng để ngẫm kỹ. Đây là phép đánh giá đo xem một mô hình có biết những gì nó không biết hay không: Sol trả lời đúng 61,6% số lần và tỷ lệ ảo giác là 55,4%, so với 65,5% và 50,3% của Opus 5.5. Một mô hình trả lời đúng ít hơn gần bốn điểm phần trăm và bịa ra thứ gì đó thường xuyên hơn năm điểm phần trăm là mô hình mà con người phải kiểm tra đầu ra — đây chính là luận điểm về việc phải làm lại, đến từ một hướng thứ hai.
Tóm lại, Sol đạt 57,3 điểm so với 59,1 trên chỉ số tổng hợp, và hoàn thành trong 9,6 phút mỗi tác vụ thay vì 25,7 phút, với chi phí 1,01 đô la thay vì 10,04 đô la, đồng thời phát ra 60,9 triệu token đầu ra trên toàn bộ bộ kiểm thử so với 218 triệu của Opus. Dù thế nào đi nữa, mô hình rẻ không hề chậm và cũng không hề dài dòng.
Núm điều chỉnh mức nỗ lực đã được vuốt rồi.
Lời phản đối hiển nhiên từ bất kỳ ai đã từng dùng một mô hình suy luận của OpenAI là đây là sai thiết lập. Giảm mức nỗ lực xuống thì mô hình thôi suy nghĩ quá mức; tăng lên thì mô hình thôi làm tắt. Artificial Analysis đã chạy toàn bộ đợt đánh giá trên Coding Agent Index bên trong Codex, và điều đó không cứu vãn được tình hình:
thấp — 37.2
• trung bình — 45.4
• cao — 47.5
• xhigh — 49.8
• tối đa — 48.6
Điểm đỉnh nằm ở xhigh, không phải ở mức tối đa: việc đẩy lên nỗ lực tối đa thực sự làm mất 1,2 điểm, một kiểu kết quả phi đơn điệu thường xuất hiện khi mô hình bắt đầu tự hoài nghi chính mình. Nhưng ngay cả cài đặt tốt nhất, 49,8, vẫn thấp hơn 2,4 điểm so với mức GPT-6.1 Sol đạt được ở mức tối đa và thấp hơn 8,4 điểm so với Claude Opus 5.5. Không có vị trí núm chỉnh nào mà tại đó GPT-6.2 Sol trở thành agent lập trình mạnh hơn; chỉ còn một lựa chọn là bạn muốn trả bao nhiêu cho 49,8.
Cái giá của lựa chọn đó đáng để biết, vì nó đắt theo nghĩa tương đối ngay cả khi rẻ theo nghĩa tuyệt đối. Trên Intelligence Index, Sol tốn $0.18 mỗi tác vụ ở low effort, $0.41 ở medium, $0.56 ở high, $0.65 ở xhigh và $1.01 ở max. Chuyển từ medium sang xhigh gần như tăng gấp đôi chất lượng mỗi tác vụ — từ 52,7 lên 55,7 trên chỉ số đó — và tốn thêm 58%. Mặc định là medium, đây là cài đặt tạo ra điểm lập trình 45,4. Nếu bạn đang đánh giá Sol so với Opus, hãy làm điều đó ở xhigh hoặc max, nếu không bạn đang so sánh sai cấu hình.
Một con số dự báo công việc phải làm lại
Có một chuỗi dữ liệu thứ hai trong cùng lượt chạy nói trực tiếp về trải nghiệm "nó cần được dọn dẹp", và đó không phải là điểm chất lượng. Artificial Analysis ghi lại các lần từ chối vì an toàn trong mỗi đánh giá, đồng thời phân biệt những lần từ chối mà harness đã khôi phục được với những lần đã kết thúc nỗ lực. Trên SWE-Atlas-QnA-AA, qua hơn 372 lần thử:
• GPT-6.2 Sol (max) — 25 lần từ chối, mỗi lần đều là một điểm dừng cứng, chiếm 6,7% số lần thử
• GPT-6.2 Sol (xhigh) — 22 lần từ chối, 5,9%
• GPT-6.2 Sol (medium) — 13 lần từ chối, 3,5%
• GPT-6.1 Sol (max) — 15 lần từ chối, 4,0%
• GPT-6.2 Astra (max) — 8 lần từ chối, 2,2%
• Claude Opus 5.5 — 52 lần từ chối, không lần nào là dừng cứng, 14,0%
Dòng Opus mới là dòng đáng chú ý, và nó đi ngược lại một cách đọc dễ dãi. Opus 5.5 từ chối thường xuyên hơnbất kỳ mô hình nào trong bảng này — và harness đã khôi phục được cả 52 lần, nên không lần nào trong số đó làm hỏng lượt chạy. Sol từ chối ít hơn, và harness không khôi phục được một lần nào trong số 25 lần của nó. Một lần từ chối kết thúc lượt của agent là một tác vụ mà giờ con người phải đảm nhận; một lần từ chối được khôi phục thì chỉ là một lần thử lại. Trong bài đánh giá giống nhất với việc "trả lời câu hỏi về kho mã này", mô hình mà dòng tweet đang phàn nàn lại thất bại theo kiểu tạo ra công việc dở dang thay vì công việc sai.
Đọc cùng với mức sụt giảm 13,7 điểm về khả năng hiểu, đây là một câu chuyện mạch lạc chứ không phải hai con số không liên quan: Sol kém tin cậy hơn ở phần truy xuất và báo cáo trong lập trình, và khi nó suy giảm, nó suy giảm theo cách khiến nhiệm vụ vẫn còn bỏ ngỏ.
Định giá lượt dọn dẹp
Giờ đến luận điểm thứ ba, luận điểm về kinh tế, nơi trực giác thường lấn át tính toán nhiều nhất. Hãy dùng chi phí mỗi tác vụ của Intelligence Index, vì bộ đánh giá đó dùng cùng một khung thử cho mọi mô hình trên đó, nên các con số có thể so sánh trực tiếp: GPT-6.2 Sol $1.01, Claude Opus 5.5 $10.04.

Xét một tác vụ do Sol hoàn thành và sau đó Opus sửa lại. Gọi p là tỷ lệ tác vụ cần sửa và r là chi phí của một lần sửa dưới dạng phân số của một lượt Opus đầy đủ. Sol-rồi-sửa tốn $1.01 + p × r × $10.04. Chỉ riêng Opus tốn $10.04. Sol-rồi-sửa rẻ hơn bất cứ khi nào p × r thấp hơn 0.899.
Đó là một ngưỡng cao khó vượt qua. Nếu một lần sửa tốn bằng nửa một lượt chạy đầy đủ, bạn có thể sửa mọi nhiệm vụ mà vẫn rẻ hơn 78% so với việc dùng thẳng Opus. Chỉ khi chi phí sửa tiến gần chi phí làm lại toàn bộ trên gần như mọi nhiệm vụ thì hóa đơn mới đảo ngược: ở p = 1 và r = 1, bạn trả $11.05 cho việc mà Opus sẽ làm với $10.04. Trên một nghìn nhiệm vụ, tức là $11,050 so với $10,040 — một khoản phạt 10%, chứ không phải là thảm bại như dòng tweet ngụ ý.
Vậy nếu chỉ xét riêng về tiền, lời phàn nàn về việc phải làm lại không lật ngược được lập luận về giá, trừ khi phần làm lại gần như toàn bộ. Nhưng tiền không phải là ràng buộc mà hầu hết các nhóm gặp phải. Thời gian mới là:
• Thời gian cho mỗi tác vụ Intelligence Index — GPT-6.2 Sol 9,6 phút so với Claude Opus 5.5 25,7 phút
• Thời gian khi một tác vụ cần làm lại toàn bộ Opus — 9,6 + 25,7 = 35,3 phút so với 25,7 phút
• Lượng token tiêu thụ trên cùng một bộ — 60,9M so với 218M token đầu ra
Ở đây luận điểm về việc làm lại đúng mà không có bất kỳ lưu ý nào. Bất kỳ tác vụ nào Sol thử làm rồi trả lại đều là tác vụ mất thời gian dài hơn 37% so với việc bạn đến với Opus ngay từ đầu, và bạn không thể mua lại thời gian đó bằng một token rẻ hơn. Nếu ràng buộc của bạn là hạn chót chứ không phải ngân sách — tình huống mà gần như mọi lập trình viên thực sự đang gặp khi họ đăng lời phàn nàn này — thì @dotey đúng, và lập luận xoay quanh thông lượng, không phải giá.
Điều gì sẽ làm thay đổi phán quyết
Hai điều, và cả hai đều chưa có. Điều thứ nhất là một tỷ lệ làm lại được công bố: bao nhiêu phần trong các diff tác vụ phức tạp của Sol mà một mô hình mạnh hơn thực sự phải sửa, được đo trên một bộ tác vụ cố định. Không ai công bố điều này, vì nó đòi hỏi chạy hai mô hình trên cùng các ticket và so sánh diff kết quả, và đó là con số duy nhất có thể phân xử cuộc tranh luận. Điều thứ hai là một con số GPT-6.2 Sol trên một lượt chạy lập trình với Anthropic-harness, hoặc Opus 5.5 trên Codex, điều này sẽ biến so sánh chéo harness ở trên thành một cuộc đối đầu trực tiếp thực sự.
Đối chiếu với điều đó, hãy lưu ý những gì đã được xác lập. Sự thoái lui là có thật và nó nằm trong một harness. Việc quét mức nỗ lực không khắc phục được điều đó. Đánh giá khả năng hiểu — phép đánh giá dự báo việc phải làm lại — đã đi sai hướng 13,7 điểm. Một độc giả muốn có lý do để giữ việc lập trình phức tạp trên Opus 5.5 thì đã có một lý do không phụ thuộc vào ấn tượng của bất kỳ ai về một tuần ra mắt.
Chạy bài kiểm tra trên các tác vụ của riêng bạn
Tỷ lệ làm lại có thể đo được trên chính backlog của bạn trong một buổi chiều, và đây là phiên bản duy nhất của con số này thực sự quan trọng với bạn. Hãy lấy hai mươi tác vụ mà nhóm bạn thực sự đã giao trong tháng trước, chạy từng tác vụ qua cả hai mô hình với cùng một mức thiết lập nỗ lực, rồi đối chiếu các bản vá thu được với những gì con người cuối cùng đã hợp nhất. Tỷ lệ những tác vụ cần làm lại đáng kể là p của bạn; chi phí token cho lượt sửa chữa là r của bạn.
OrcaRouter biến đó thành một quyết định định tuyến thay vì một quyết định mua sắm: anthropic/claude-opus-5.5 và openai/gpt-6.1-sol cùng nằm sau một khóa duy nhất, theo đúng giá niêm yết của chính nhà cung cấp với 0% phụ phí được chuyển nguyên, vì vậy các con số ở trên chính là các con số bạn sẽ bị tính phí. Điều đó ở đây quan trọng hơn thường lệ, bởi vì mô hình mà dòng tweet đang phản biện — GPT-6.2 Sol — vẫn chưa có trong danh mục của chúng tôi; chúng tôi không phục vụ nó, và định tuyến nhiều đến đâu cũng không thay đổi được điều đó. Thứ chúng tôi phục vụ là mô hình mà Sol đã thay thế, và đây là đối chứng phù hợp cho một thử nghiệm: hãy chạy 6.2 Sol ở bất cứ đâu bạn có thể tiếp cận, chạy GPT-6.1 Sol trên cùng các tác vụ thông qua chúng tôi, và mức sụt giảm khả năng hiểu 13,7 điểm trở thành điều bạn có thể tự xác nhận hoặc bác bỏ trên chính mã của mình thay vì trên một bộ kiểm thử tổng hợp.
Với hình thái triển khai mà dữ liệu gợi ý, DSL định tuyến là câu trả lời trung thực: gửi các bước lập kế hoạch và hiểu mã nguồn đến Opus 5.5, gửi các vòng lặp thực thi và terminal đến mô hình rẻ hơn, và để cơ chế chuyển đổi dự phòng tự động xử lý trường hợp nhà cung cấp bị treo giữa chừng. Đó là cấu hình, không phải kiến trúc — và đó là hình hài của “dùng Opus để dọn dẹp sau Sol” khi bạn viết nó thành một pipeline thay vì thành một lời phàn nàn.
Điều duy nhất đáng rút ra từ tweet bất kể bạn chọn mô hình nào: hóa đơn cho một tác vụ lập trình không phải là số token. Mà là token cộng với số phút của con người cộng với thời gian thực trôi qua giữa "xong" và "thực sự xong". Sol thắng dứt khoát ở dòng đầu tiên của sổ cái đó, Opus 5.5 thắng dòng thứ hai và thứ ba mỗi khi một tác vụ phải quay lại, và không nhà cung cấp nào công bố tỷ lệ tác vụ phải quay lại. Cho đến khi có ai đó làm được điều đó, con số duy nhất đáng tin là con số bạn tự đo trên các diff của chính mình.
So sánh trong bài viết này1
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
