
GPT-6.2 Sol 的 82% Browser-Use 分數只是一則推文,不是排行榜成績
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 184 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 223 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 96 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
11 月 18 日,Browser Use 發文表示GPT-6.2 Sol 是其瀏覽器代理基準測試中排名第一的模型:82%,高於 GPT-6.1 Sol 的 81%,每項任務便宜 35%、速度快一倍、步驟少 36%。Greg Brockman 同日也轉推寫道:「GPT-6.2 在瀏覽器使用方面表現驚人。」兩天前,OpenAI 已推出 GPT-6.2 Sol,價格為每百萬輸入 token 2 美元、每百萬輸出 token 10 美元。這項說法不錯,而且方向大概正確。但截至今天,這也是那四個數字唯一存在的地方。Browser Use 自家的公開排行榜仍列出 GPT-6.1 Sol 為 81.3,完全沒有 GPT-6.2 Sol 的列——其結果頁面的最後修改時間戳記為 2026 年 10 月 29 日,而原本應存放 GPT-6.2 Sol 專屬模型頁面的網址會回傳 404。所以這個故事誠實的版本比那則推文更狹窄、也更有用:一家基準測試廠商告訴你,他們現在排名第一的模型,比他們三週前排名第一的模型更好、更便宜、更快,而你通常會用來確認這一點的排行榜卻還沒跟上。
Browser Use 實際發佈的完整內容
被引用的貼文出自 Browser Use 自家帳號,發布時間為 11 月 18 日 00:09 UTC。內容寫道:「GPT-6.2 Sol 是 browser use 的頂尖模型 👀 — 82%,高於 GPT-6.1 Sol 的 81%;便宜 35%;快 2 倍:12 分鐘而非 22 分鐘;步驟少 36%。」這四項主張的強度差異很大,在拿其中任何一項來正當化遷移之前,應先將它們分開看待。
• 分數 — 82 對 81。在一項平均加權評分規準分數為 0–100 的基準測試中,僅差一分;該基準測試公開的方法論描述為在實際運作的網站上執行 180 項任務。對於一個會針對不斷變化的第三方網站重新執行的基準測試而言,一分的差距落在其雜訊範圍內。
• 每項任務成本 — 便宜 35%。這是這組說法中最強的一項,因為它是代理營運者能以低成本重現的說法,也因為它在算術上受到限制:token 價格沒有改變,所以節省必定來自其他地方。
• 實際耗時——12 分鐘而非 22 分鐘。這項說法最直接地與廠商自行公布的資料相矛盾,下文將予以處理。
• 步驟 — 減少 36%。在瀏覽器代理中,步驟就是工具呼叫,而工具呼叫正是代理迴圈同時花費金錢與時間的地方。步驟減少 36%,很可能同時解釋了其他三個數字的大部分。
Browser Use Bench v2.1 不是行銷操作。其方法論說明卡明確指出,分數是每項任務在 0–100 分制下的平均加權評分規準分數;成本欄位是每項任務以美元計的估計模型成本,且不含搜尋、評審、瀏覽器與執行器成本;而執行是針對 180 個即時網站,而非固定測試集。那是真實的測量體制。那也是單一分數變動與即時網站重跑並非同類證據的體制,這正是為什麼該榜單歷來比其自家社群貼文更保守。
這四個數字不在黑板上。
我們於 2026 年 11 月 19 日在 browser-use.com/benchmarks/agents 查看了排行榜。該頁面內嵌的結構化資料集中繼資料仍寫著「Browser Use Bench v2.1 model results」,其 dateModified 為 2026-10-29。在頁面原始碼中搜尋字串「GPT-6.2」得到零筆相符結果。browser-use.com/benchmarks/models/gpt-6-2-sol 的個別模型頁面並不存在——它傳回 404 佔位頁。而該頁面自身的常見問題仍將目前排名描述為「GPT-6.1 Sol high:100 分中得 81.3 分,每項任務 $1.92,於 180 項在實際網站上進行的任務。其次是 GPT-6 Sol high,79.4 分。」

那並不是在指控對方惡意。基準測試是按固定節奏發布的,公告則不是;11 月 18 日發文的那個帳號就是執行測試框架的帳號,所以它比網站更早拿到那些數字。但這確實界定了本文的知識論地位,也界定了本週任何據此做出的採購決定的知識論地位:82%、35%、2x 和 36% 這些數字是廠商自行回報且尚未公開的,具體來說,廠商自己已發布的表格裡還沒有這些數字。今天若把生產環境的瀏覽器代理程式遷移到 GPT-6.2 Sol,團隊依據的是基準測試公告,而不是基準測試結果。
好消息是,這則公告很容易被證偽。如果這些數字站得住腳,幾天內應該會出現一張更新後的看板,上面有 GPT-6.2 Sol 這一列,而那四個數字應該經得起與 JSON 的對照。如果出現的那一列數字不同,你在重建任何東西之前就會知道。
推文中的基準線與看板上的基準線不一致。
值得特別指出的細節是:當一項說法以截圖形式流傳時,這類細節正是最容易流失的。推文把 GPT-6.1 Sol 先前的結果寫成「81%」和「22 分鐘」。Browser Use 公布的排行榜則顯示,GPT-6.1 Sol 在高推理強度下為 100 分中的 81.3 分,每項任務成本為 $1.92,中位數為 14.3 分鐘。分數夠接近——81 和 81.3 是同一個數字以不同方式四捨五入的結果。時間可不是。十四分鐘和二十二分鐘不是同一種測量。

有些解釋是無可厚非的。排行榜的時間欄是 180 個實際運行任務的中位數,而中位數很容易受到因某個站點故障而被剔除的任務影響;22 分鐘可能是平均值,可能只是只含高投入任務的子集,可能是不同的任務切片,也可能是 10 月 29 日至 11 月 18 日之間某個測試框架修正上線前的執行時間。還有一個不那麼單純的解釋:那則推文中的時間數字,是為了讓新模型看起來更快而挑選的比較;而對於「快 2 倍」的主張,誠實的分母應該是同一套測試框架在同一天對舊模型所產出的結果。
你無法從外部釐清那件事。你能做的,是拒絕直接把這個倍數套進來。這裡的「2x faster」意思是「廠商 11 月 18 日的測試框架測到 12 分鐘,而前一款模型測到 22 分鐘」,而不是「GPT-6.2 Sol 比公開排行榜上顯示跑 14.3 分鐘的模型快兩倍」。如果你考慮改用它是因為速度,那麼在排行榜更新前,你應該拿來規劃的數字是已公布的 14.3 分鐘,因為只有那個數字背後有方法說明頁。
為什麼便宜 35% 是這項說法,底下還附有算式
這套定價讓成本主張能以其他方案做不到的方式受到檢驗。根據 OpenAI 自家的模型頁面,GPT-6.2 Sol 與 GPT-6.1 Sol 採用相同的價目表:
• 輸入 — 兩者均為每百萬個 token 2.00 美元。
• 快取輸入 — 兩者皆為每百萬個 token $0.10。快取寫入方面,30 分鐘快取為每百萬 $2.50,12 小時寫入為 $5.00,兩者皆同。
• 輸出 — 兩者皆為每百萬個 token $10.00。
• 長上下文 — 當輸入超過 272,000 個 token 時,兩個模型的輸入與快取費率都會加倍,輸出費率則在整筆請求中變為 1.5 倍。臨界點的位置相同。
• Batch — 兩者皆為標準費率的 50%;Fast 模式加倍,Ultrafast 在 2027 年 2 月 28 日前為三倍,並自 2027 年 3 月 1 日起兩者皆為六倍。
• 上下文 — 1,050,000 個 token 的視窗,最大輸入 922,000,最大輸出 128,000,兩者皆支援文字與圖片輸入、文字輸出。GPT-6.2 Sol 的知識截止日期為 2026 年 6 月 1 日,對比為 2026 年 4 月 30 日。
相同的輸入,相同的每 token 價格。因此,每項任務成本下降 35% 不可能是降價。那必然是購買的 token 變少了,而推文提供了機制:步驟少了 36%。瀏覽器代理的 token 帳單主要來自每一步都會重播的對話歷史,所以在長期執行中,步驟數與成本幾乎呈線性同步增減。把步驟數減少三分之一,帳單就會大約下降三分之一,而這正是回報節省量的規模。這兩項說法相互印證,對兩者而言都是好跡象。
這也是關於如何解讀節省幅度的一則警告。如果較便宜的模型被指派舊模型未能完成的任務,或者步數較少意味著代理程式更早終止並回傳部分成果,那麼單一任務便宜 35% 並不等於整月便宜 35%。評分量表得分 82 正是排除這種情況的依據——一次少三分之一步數就提早結束的執行,得分會更低,而不是高一分——但一分是很薄的差距,難以承擔這麼大的分量。
Token 價格原封不動地傳遞,是這件事中既真正乏味又真正有用的部分。在 OrcaRouter 上,0% 加價模式意味著供應商的標價就是你支付的價格,因此當廠商確實調整價目表時——就像 OpenAI 對 GPT-6.2 Astra 所做的那樣,同一天輸入與輸出價格都調降了 20%——這項變更會在當天於平台上生效,而不必等待轉售商重新定價。這也有兩面性:沒有套利空間,也沒有因為轉換而能獲得的折扣。如果你今天透過單一 API 金鑰執行 GPT-6.1 Sol,那麼呼叫 GPT-6.2 Sol 模型的每 Token 成本,會與在廠商端的成本相同。
對 agent 迴圈而言,除了標題之外,真正重要的是什麼?
OpenAI 模型頁面上的四個營運細節,對瀏覽器代理部署的重要性高於基準測試分數,而且它們全都沒有出現在 82% 的標題數字中。
• 推理強度 — GPT-6.2 Sol 不接受 無。最低設定是真實的設定,不是關閉推理的開關。GPT-6.1 Sol 接受從最低到最高的完整範圍。如果你的測試框架為了延遲而硬編碼「不推理,直接行動」,該配置無法移植。
• 批次處理 — 支援,按標準費率的 50% 計費。瀏覽器代理的軌跡通常對延遲敏感,因此這主要影響的是離線評估執行,而非生產環境。
• Endpoints — Responses、Chat Completions 與 Batch。Realtime、Assistants、Fine-tuning、Images、Videos、Speech 和 Transcription 全都不支援。其中 Fine-tuning 無法使用,正是讓那些在先前模型上調整好瀏覽器政策的團隊吃足苦頭的地方。
• 工具 — computer_use、web_search、mcp、hosted_shell、apply_patch、skills、tool_search、code_interpreter、image_generation 與 file_search 被列為支援。對瀏覽器代理而言,值得注意的組合是 computer_use 與 tool_search:能在執行中途探索工具的執行框架,是步驟數少三分之一的可能來源,因為代理不再猜測不存在的動作然後重試它。
速率限制 — Build 方案每分鐘 5,000 次請求與 1,000,000 個 token;Launch 方案為 10,000 次與 4,000,000 個;Grow 方案為 15,000 次與 40,000,000 個。
如何在不必把生產路徑押在它上面的情況下試用
對未公開的基準測試宣稱,正確的回應是做抽樣,而不是遷移。挑選二十到五十個你自己的瀏覽器任務,在同一天透過同一套測試框架在兩個模型上執行,並比較三項數字:依你的評分標準的完成率、每個已完成任務消耗的 token 數,以及 p50 與 p95 實際耗時。然後把兩組結果彼此比較,而不是拿來和 Browser Use 的 82 相比,因為他們的任務分布不是你的,而且一分的差距不會在換到你的情境後仍然成立。
針對那項測試,有兩點實務提醒。第一,請在雙方明確固定推理強度,並使用兩個模型都接受的設定,否則你這趟執行只會是在衡量設定差異。第二,請記錄步數,因為少 36% 步數是成本主張背後的機制,也是你在自己的資料中最先要證實或推翻的事。
就試用本身而言,容錯移轉是讓未經實證的模型與已驗證模型並行的低成本做法:把樣本導向新模型,並自動回退到你信任的模型,如此一來,拒答、逾時或速率限制飆升,代價只是一次重試,而不是整個工作失敗。這在此處特別有用,因為 GPT-6.2 Sol 才問世兩天,它在實際網站上的失效模式,正是這項基準測試要衡量、且尚未公布的內容。不過要注意目錄狀態:OrcaRouter 列出 217 個模型,包括目前位居 Browser Use 榜首的 GPT-6.1 Sol,但 GPT-6.2 Sol 尚未列入——那個模型你得直接透過 OpenAI 自家的 API 使用。以直通定價提供的先前模型,是衡量新模型的可靠基準,而這正是它本週該扮演的角色。

什麼會改變這個故事
有三件事,按它們能多大程度改變答案的順序排列。第一,browser-use.com/benchmarks/agents 上出現一列 GPT-6.2 Sol,且數字與推文相符或接近——這會把廠商公告轉變成廠商結果,並讓遷移論點強得多,儘管它仍不會是獨立來源。第二,由獨立第三方針對同一任務集測量瀏覽器任務的時間與成本——這才能解決 12 分鐘對 22 分鐘的問題,而這是值得關注的數字。第三,一份已公布的任務層級細分資料,因為「步驟少 36%」要嘛是能推廣到你 agent 的測試框架層級改進,要嘛是 180 個特定網站的個別特性,而只有逐任務資料能區分這兩者。
至少在前述第一項落實之前,站得住腳的總結是:GPT-6.2 Sol 的每 token 成本與 GPT-6.1 Sol 相同,Browser Use 所報告的小幅分數提升與大幅成本改善,與工具呼叫次數減少三分之一彼此一致,而速度宣稱所依據的基準,與供應商自己公布的中位數不符。這足以讓你在自己的任務上進行兩天評估,但不足以成為重寫的正當理由。
本文中的比較1
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
