一张生成出来的标题卡写着 82%,这是一条推文,而不是排行榜条目;副标题是 GPT-6.2 Sol、发布两天后,还有三个标签分别写着:11 月 18 日 Browser Use 帖子的 82%、10 月 29 日公开榜单的 GPT-6.1 Sol 81.3,以及共享价目表的输入 $2、输出 $10。
Guides & Insights

GPT-6.2 Sol 的 82% Browser-Use 得分只是一条推文,而非榜单成绩

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

11月18日,Browser Use 发帖称,GPT-6.2 Sol是其浏览器智能体基准测试中的最佳模型:得分82%,高于 GPT-6.1 Sol的81%,每项任务成本低35%、速度快一倍、步骤数少36%。同日,Greg Brockman 转发并称“GPT-6.2 在浏览器使用方面令人惊叹”,为此造势。两天前,O​penAI 已发布 GPT-6.2 Sol,价格为每百万输入 token 2美元、每百万输出 token 10美元。这一说法很有力,而且方向大概率是对的。但截至今天,它也是这四个数字唯一存在的地方。Browser Use 自己的公开排行榜仍将 GPT-6.1 Sol 列为81.3,并且完全没有 GPT-6.2 Sol 这一行——其结果页面的最后修改时间戳是2026年10月29日,而本应包含 GPT-6.2 Sol 单模型页面的 URL 返回404。所以,这个故事的诚实版本比那条推文更狭窄,也更有用:一家基准测试供应商在告诉你,他们现在排名第一的模型,比三周前他们排名第一的模型更好、更便宜、更快,而你通常会去查看以确认这一点的榜单还没有跟上。

Browser Use 实际发布的完整内容

这条被引用的帖子来自 Browser Use 自己的账号,发布于 11 月 18 日 00:09 UTC。帖子写道:“GPT-6.2 Sol 是浏览器使用场景的顶级模型 👀 — 82%,高于 GPT-6.1 Sol 的 81%;便宜 35%;速度快 2 倍:12 分钟而不是 22 分钟;步骤数减少 36%。”这是四项彼此独立、强度差异很大的声明;在将其中的任何一项用于证明迁移合理之前,都应先把它们区分开。

• 得分——82 对 81。在一个 0–100 的平均加权评分标准得分上相差一分,而该基准已公布的方法论称,其包含 180 项在线上网站上运行的任务。对于会针对不断变化的第三方网站重新运行的基准而言,一分的差距处于噪声范围内。

• 每项任务成本——便宜 35%。这是这组说法中最有力的一个,因为它是智能体运营者能够以低成本复现的说法,而且它在算术上受到约束:token 价格没有变化,因此节省必然来自其他地方。

• 实际耗时——12 分钟而非 22 分钟。这一说法最直接地违背了供应商自己公布的数据,下文将对此进行讨论。

• 步骤——减少 36%。在浏览器智能体中,步骤就是工具调用,而工具调用正是智能体循环既花钱又耗时的环节。步骤减少 36%,很可能一次性解释了其余三项数字的大部分。

Browser Use Bench v2.1 并不是一项营销活动。其方法说明卡明确指出:得分是每个任务在 0–100 分制下的平均加权评分量表得分;成本列是每个任务以美元计的模型估算成本,不包括搜索、评判、浏览器和运行器成本;并且这些运行基于 180 个实时网站,而不是冻结测试集。这是一种真实的测量体系。它也是一种这样的体系:单点分数变动与实时网站重跑并非同一类证据,这正是该榜单历来比其自己的社交媒体帖子更为保守的原因。

这四个数字不在板上

我们于 2026 年 11 月 19 日查看了 browser-use.com/benchmarks/agents 上的排行榜。该页面中嵌入的结构化数据集元数据仍显示为“Browser Use Bench v2.1 model results”,其 dateModified为 2026-10-29。在页面源代码中搜索字符串“GPT-6.2”返回零个匹配项。browser-use.com/benchmarks/models/gpt-6-2-sol 上的按模型页面不存在——它返回一个 404 存根。而且该页面自己的 FAQ 仍将当前排名描述为“GPT-6.1 Sol high:100 分中的 81.3 分,每项任务 1.92 美元,基于实时网站上的 180 项任务。其次是 GPT-6 Sol high,79.4 分。”

A generated two-column scoreboard comparing the Browser Use post of 18 November against the public leaderboard of 29 October: score 82 versus GPT-6.1 Sol 81.3, cost per task 35% cheaper versus $1.92, time per task 12 minutes versus 14.3 minutes, steps 36% fewer versus not published, input $2.00 on both, output $10.00 on both.

这不是在指控对方恶意。基准测试是按固定节奏发布的,而公告不是;11月18日发帖的那个账号正是运行测试框架的一方,所以它比网站更早拿到数字。但这确实界定了本文——以及本周据此做出的任何采购决策——的认识论地位:82%、35%、2x 和 36% 这些数字是由厂商报告且尚未发布的,具体来说,厂商自己已发布的表格中目前还不包含它们。一个今天就把生产环境的浏览器 agent 迁移到 GPT-6.2 Sol 的团队,依据的是一项基准测试公告,而不是基准测试结果。

好消息是,这份公告很容易被证伪。如果这些数字站得住脚,几天内就应该出现一个带有 GPT-6.2 Sol 行的更新榜单,而那四个数字也应该经得起与 JSON 的实际对照。如果出现的行数字不同,你会在重建任何东西之前就知道。

推文中的基准与看板上的基准不一致

这个细节值得特别指出,因为当一种说法以截图形式传播时,这类东西很容易丢失。那条推文把 GPT-6.1 Sol 先前的结果写成“81%”和“22 分钟”。Browser Use 公布的排行榜显示,GPT-6.1 Sol 在高推理强度下为 100 分中的 81.3 分,每项任务成本 1.92 美元,中位耗时为 14.3 分钟。分数足够接近——81 和 81.3 是同一个数字的不同舍入方式。时间则不是。十四分钟和二十二分钟不是同一种测量结果。

A capture of the Browser Use Bench leaderboard on 19 November 2026 showing 17 models on 180 live-website tasks, GPT-6.1 Sol high leading at 81.3 at $1.92 per task and a 14.3 minute median, GPT-6.1 Terra high at 79.0 for 35% less, and a last-updated stamp of Oct 29, 2026, with no GPT-6.2 Sol row visible.

存在一些无害的解释。排行榜的时间列是 180 个实时任务的中位数,而中位数对因某个站点故障而被剔除的任务很敏感;22 分钟可能是平均值,可能只来自高投入任务的子集,可能是不同的任务切片,也可能是在 10 月 29 日至 11 月 18 日之间某个测试框架修复落地之前的运行时间。还有一个不那么无害的解释:推文中的时间数字是经过挑选的比较,目的是让新模型显得更快,而对于 2 倍速度的说法,诚实的比较基准应当是同一天同一套测试框架在旧模型上得出的结果。

你无法从外部解决这个问题。你能做的是拒绝把这个比值引进来。这里的“快2倍”意思是“供应商在11月18日的测试框架中测得12分钟,而此前模型测得22分钟”,而不是“GPT-6.2 Sol 比公共排行榜所称运行14.3分钟的模型快一倍”。如果你考虑切换的原因是速度,那么在新榜单取代它之前,计划所依据的数字应是已公布的14.3分钟,因为只有这个数字背后有方法说明页。

为什么“便宜35%”这一说法下面附有算术依据

这一定价让成本主张变得可核查,而其他说法则做不到这一点。根据 OpenAI 自己的模型页面,GPT-6.2 Sol 和 GPT-6.1 Sol 采用相同的费率卡:

• 输入 — 两者均为每百万 tokens 2.00 美元。

• 缓存输入 — 两者均为每百万个 token 0.10 美元。缓存写入方面,30 分钟缓存为每百万个 token 2.50 美元,12 小时写入为每百万个 token 5.00 美元,两者均适用。

• 输出 — 两者均为每百万个 token 10.00 美元。

• 长上下文——输入超过 272,000 个 token 时,输入与缓存的价格翻倍,输出价格在整个请求中变为 1.5 倍,两个模型皆如此。价格陡增的临界点位于同一位置。

Batch——两者均按标准费率的 50% 计费;Fast 模式为标准费率的 2 倍,Ultrafast 在 2027 年 2 月 28 日前为 3 倍,自 2027 年 3 月 1 日起两者均增至 6 倍。

• 上下文——1,050,000 token 窗口,最大输入 922,000,最大输出 128,000;两者均支持文本和图像输入、文本输出。GPT-6.2 Sol 的知识截止日期为 2026 年 6 月 1 日,对比 2026 年 4 月 30 日。

输入相同,每个 token 的价格也相同。因此,每项任务成本下降 35% 不可能是降价。那只能是购买的 token 更少,而这条推文给出了机制:步骤数减少 36%。浏览器智能体的 token 账单主要由每一步都会重放的对话历史决定,所以在长程运行中,步骤数和成本几乎呈线性同步变化。把步骤数削减三分之一,账单就会下降大约三分之一,而这正是所报告节省的幅度。这两项说法相互印证,对两者来说都是好迹象。

这也是一个关于如何解读这项节省的警告。如果更便宜的模型被交给旧模型曾失败过的任务,或者更少的步骤意味着智能体更早终止并返回部分完成的工作,那么一项成本降低 35% 的任务并不意味着一个月也能节省 35%。按评分标准得到的 82 分正是排除这种可能的依据——一次少用三分之一步骤就提前退出的运行会得到更低的分数,而不是高出一分——但仅一分之差是很薄的余量,却要承载如此大的分量。

Token 价格原样传递,是这件事中真正无聊也真正有用的部分。在 OrcaRouter 上,0% 加价模式意味着提供商的标价就是你支付的价格,因此当供应商确实调整价目表时——正如 OpenAI 对 GPT-6.2 Astra 所做的那样,同一天输入和输出价格都下降了 20%——这一变化会在当天就在平台上生效,而不是等待经销商重新定价。这也有两面性:没有什么可套利的,也不会因为迁移而获得折扣。如果你今天通过一个 API 密钥运行 GPT-6.1 Sol,那么调用 GPT-6.2 Sol 模型的每 token 成本将与在供应商处的成本相同。

对于智能体循环而言,除了最引人注目的部分之外,真正重要的是什么

来自 OpenAI 模型页面的四个运行细节,对浏览器代理部署而言比基准测试数字更重要,而且它们都没有出现在 82% 这一头条数字中。

• 推理强度 — GPT-6.2 Sol 拒绝 无。最低设置是真实存在的设置,而不是关闭推理的开关。GPT-6.1 Sol 接受从低到最大的完整范围。如果你的测试框架为了降低延迟而硬编码“不推理,只行动”,那么该配置无法移植。

• 批处理 — 支持,按标准费率的 50% 计费。浏览器智能体轨迹通常对延迟敏感,因此这主要影响离线评估运行,而非生产环境。

• 端点——Responses、Chat Completions 和 Batch。Realtime、Assistants、Fine-tuning、Images、Videos、Speech 和 Transcription 均不受支持。Fine-tuning 不可用这一点,会给那些在上一代模型上调整过浏览器策略的团队带来真正的麻烦。

• 工具 — computer_use、web_search、mcp、hosted_shell、apply_patch、skills、tool_search、code_interpreter、image_generation 和 file_search 均列为受支持项。对于浏览器智能体而言,值得关注的组合是 computer_use 与 tool_search:一个能在运行中途发现工具的执行框架,很可能就是步骤减少三分之一的原因,因为智能体不再去猜测一个不存在的动作并随后重试它。

• 速率限制 — Build 层级为每分钟 5,000 次请求和 1,000,000 个 token,Launch 层级为 10,000 次和 4,000,000 个,Grow 层级为 15,000 次和 40,000,000 个。

如何在不把生产路径押在它上面的情况下试用它

对于一项未公开的基准测试声明,正确的回应是抽样,而不是迁移。从你自己的浏览器任务中挑选二十到五十个,在同一天通过同一套测试工具在两个模型上运行它们,并比较三个数字:按你的评分标准计算的完成率、每个已完成任务消耗的 token 数,以及 p50 和 p95 实际耗时。然后,将这两个结果相互比较,而不是与 Browser Use 的 82 比较,因为他们的任务分布不是你的,而且一分的差距在转换到你的场景后不会成立。

关于那个测试,有两点实用说明。第一,在双方都明确固定推理强度,并使用两个模型都接受的设置,否则这次运行你测到的只是配置差异。第二,记录步数,因为步数减少36%正是成本主张背后的机制,也是你在自己的数据中首先要确认或推翻的一点。

就这次试用本身而言,故障转移是把未经验证的模型与经过验证的模型并行运行的低成本方式:将样本路由到新模型,并自动回退到你信任的模型,这样一次拒绝、一次超时或一次速率限制激增,代价只是一次重试,而不是一项失败的任务。这在这里尤其有用,因为 GPT-6.2 Sol 才发布两天,它在真实网站上的故障模式,正是该基准旨在衡量却尚未公布的内容。不过要注意目录状态:OrcaRouter 列出了 217 个模型,其中包括 GPT-6.1 Sol——目前位居 Browser Use 榜首的模型——但 GPT-6.2 Sol 尚未列入其中;对于后者,你需要直接通过 O​penAI 自己的 API 访问。按透传定价提供的上一代模型,是衡量新模型的一个可靠基线,这也应该是它本周扮演的角色。

A capture of the OrcaRouter model catalogue listing more than 200 routable models in a provider-and-model table, with rows including openai/gpt-6.1-sol, openai/gpt-6-sol, openai/gpt-6-luna and openai/gpt-6-astra, and no GPT-6.2 Sol entry.

什么会改变这个故事?

有三件事,按它们能在多大程度上改变答案排序。第一,在 browser-use.com/benchmarks/agents 上出现一行 GPT-6.2 Sol,且数字与推文相符或接近——这把厂商公告变成了厂商结果,并使迁移论点有力得多,尽管它仍不是独立的。第二,由独立第三方在同一任务集上测量浏览器任务的时间和成本——这才是能解决 12 分钟对 22 分钟问题的东西,也是值得关注的数字。第三,一份已发布的任务级细分数据,因为“步骤减少 36%”要么是能泛化到你的智能体的评测框架层面改进,要么是 180 个特定网站的偶然特性,而只有逐任务数据才能区分二者。

至少在其中第一项落地之前,站得住脚的总结是:GPT-6.2 Sol 的每 token 成本与 GPT-6.1 Sol 相同,Browser Use 报告的小幅分数提升和大幅成本收益,与工具调用减少三分之一在内部是自洽的,而速度方面的说法所依赖的基线,与厂商自己公布的中位数并不匹配。这足以证明值得在你自己的任务上做两天评估,但不足以证明值得重写。

本文中的对比1

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新