標題卡寫著「GPT-6.2 Sol 的改造帳單」,顯示 GPT-6.2 Sol 在 Artificial Analysis Coding Agent Index 上為 48.6、每項任務 $1.22,對比 Claude Opus 5.5 的 58.2、每項任務 $12.61,並註明兩者是在不同的測試框架中測量。OrcaRouter 標誌位於右下角。
Guides & Insights

GPT-6.2 Sol 的重構帳單:每個 token 便宜,每次修正代價高昂

作者

Gideon Frost

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

11 月 20 日上午,中文 AI 評論員寶玉(@dotey)對GPT-6.2 Sol發表了一項判斷,任何用過該模型一週的人都會認同。簡單任務沒問題。複雜的程式設計任務不只是比Claude Opus 5.5差一點——Sol 完成的工作仍需要 Opus 善後,因此還不如從一開始就把工作交給 Opus。這則貼文僅是一份使用報告,別無其他:沒有測試框架、沒有任務清單、沒有 diff,撰文時有 124 個讚,還有一串為此爭論的留言。它還可被檢驗,而大多數發布首週的感想並非如此,因為它所描述的事物有明確輪廓。一個在簡單工作上表現良好、在困難工作上卻崩潰的模型,應該在評測中呈現特定模式——執行力強、理解力弱——而公布的數字要麼呈現這個模式,要麼沒有。

大致上確實如此。OpenAI 於 2026 年 11 月 17 日推出 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。在 Artificial Analysis 獨立的 Coding Agent Index 上,它的排名低於它所取代的模型,而拖累它的那個組成部分,正是模型必須讀懂一個程式碼庫並對它說出真話的環節。這就是「之後還需要清理」背後的機制,以數字形式呈現。這則推文沒有做、而本文試圖做的,是為清理成本定價——因為當你真正把算術跑一遍,返工論點在實際耗時上遠比在金錢上更站得住腳,而這兩者會導向不同的決策。

這則貼文實際上主張什麼

今天我對 GPT-6.2 Sol 做了壓力測試。簡單任務都還可以。在稍微複雜一點的程式設計任務上,它不只是比 Opus 5.5 差一點——它完成的工作還需要 Opus 5.5 來收拾善後,所以你不如從一開始就讓 Opus 5.5 來做。

這其中包含三項可分別看待的主張。第一,是品質主張:Sol 在複雜程式設計上明顯不如 Opus 5.5。第二,是工作流程主張:這個差距會以返工的形式顯現,而不是以明顯的失敗呈現——你拿到了輸出,它看起來已完成,但更強的模型必須修復它。第三,是經濟主張:返工會抵銷掉 token 價格所省下的任何成本。

前兩項可以對照已發表的評估來檢驗。第三項則是算術問題,而且取決於一個沒有人發表過的數字——相對於用昂貴模型把任務做一次,一次修復處理要花多少成本。以下內容會把這三項主張分開來看,因為它們並非全都能同樣站得住腳。

乾淨的比較會在單一測試框架內執行

在任何數字之前先提出一個警告,因為這正是這類比較最常被不誠實地做出的方式。Artificial Analysis 衡量編碼代理時,是將模型與執行框架配對來看:OpenAI 的模型搭配 Codex,Anthropic 的模型搭配 Claude Code。每項任務的成本、token 花費與實際耗時,都會隨著執行框架變動,程度不亞於隨模型變動,因此直接拿「Sol 花費 $1.22,Opus 花費 $12.61」來比較,等於在測量兩台不同的機器。

在那項反對意見之下仍站得住腳的,是任何在同一個測試框架內所做的比較。在 Codex 裡,GPT-6.2 Sol 可以直接拿來與 GPT-6.1 Sol 和 GPT-6.2 Astra 對比,任務相同、工具相同、評分方式也相同——而效能退步就出在這裡。跨框架的那一組對照仍然值得列出來,並清楚標示,因為讀者在決定要訂閱 O​penAI 還是 A​nthropic 時,真正在做的正是這種比較。

• Codex、GPT-6.2 Sol(max)— Coding Agent Index 48.6,每項任務 $1.22,4.25M tokens

• Codex、GPT-6.1 Sol(max)— 指數 52.2,每項任務 $1.51,4.33M 個 token

• Codex、GPT-6.2 Astra(max)— 指數 53.5,每項任務 $5.12,4.67M tokens

• Claude Code、Claude Opus 5.5(max)— 指數 58.2,每個任務 $12.61,15.89M tokens

把前兩行一起讀。新模型得分 3.6 分低於它所取代的模型,在相同測試框架上,token 花費與其相差在 2% 以內。價格也沒有改變——Sol 自 9 月 29 日起一直維持 $2 與 $10,而 GPT-6.2 Sol 完全沿用相同的價目表。所以這不是一款犧牲品質來換取低價的較便宜模型。它是相同的價格、相同的測試框架,卻在該指數所衡量的項目上能力更低。@dotey 的比較對象是另一家廠商的模型,但他所感受到的退步,即使不離開 O​penAI 自家的產品線也看得出來。

A two-column scoreboard comparing GPT-6.2 Sol and Claude Opus 5.5 across Intelligence Index, cost per index task, time per index task, Coding Agent Index, SWE-Atlas-QnA and output tokens, with a footer noting that index and cost figures are Artificial Analysis's and that the two coding-agent scores come from different harnesses. The OrcaRouter logo sits in the bottom-right corner.

複雜任務差距確實存在之處

Coding Agent Index 是一項複合指標,由三項權重相同的評估組成:FrontierCode-AA 2.0(132 項軟體工程任務,由 Cognition 撰寫、Artificial Analysis 實作)、Terminal-Bench 4.1(66 項代理式終端機任務,來自 Laude Institute),以及 SWE-Atlas-QnA-AA(124 項針對程式碼庫的技術問答任務,來自 Scale AI,評分由 Artificial Analysis 調整)。每項分數都是每項任務三次嘗試的平均值。

將 Sol 與其前代按元件拆解,@dotey 所描述的形狀便會立刻浮現:

• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46.2% 對上 GPT-6.1 Sol 59.9%,在同一評測框架內下降 13.7 個百分點

• FrontierCode-AA 2.0 — 41.5% 對 42.5%,基本持平

• Terminal-Bench 4.1 — 58.1% 對 54.0%,提升 4.1 個百分點

所以模型變得更擅長動手做,卻更不擅長理解。終端機工作是執行並觀察:執行指令、讀取輸出、調整。程式碼庫問答則是檢索並回報:找出相關程式碼,理解它為何是現在這樣,並準確陳述。一個在第一項上進步、在第二項上退步 13.7 分的模型,會通過冒煙測試,並產生看起來正確、卻忽略程式碼當初為何這樣寫的修改。這正是會產生返工而非錯誤訊息的失敗模式,也是為什麼抱怨會以「它需要整理一下」而不是「它不能用」的形式出現。

在相同評測上,與 Opus 5.5 的絕對差距還要更大——46.2% 對 65.9%——但這項比較跨越了不同的測試框架,因此只能視為方向性參考。Codex 內部的 13.7 個百分點下降則不是方向性參考。它用的是同一個測試框架、同樣的 124 項任務、同一個評分器,而這個模型在回答有關程式碼庫的問題時,就是不如它所取代的模型準確。

Artificial Analysis's model page for GPT-6.2 Sol, listing it as released November 2026, ranked 13th of 95 on intelligence and 40th of 94 on performance, scoring 57 on the Intelligence Index, using 60.9M tokens, priced at $2.00 per million input tokens and $10.00 per million output tokens, costing $1.01 per task and 9.6 minutes per task, at roughly 70 tokens per second.

Sol 真正表現不錯的地方

這則推文的第一個子句理應與第二個子句受到同等對待。「簡單任務沒問題」並非讓步;在綜合智慧指數(Intelligence Index)上——該指數讓每個模型都跑同一套完全相同的測試,而非採用各廠商自家的測試框架——GPT-6.2 Sol 在最高努力程度下,於數個組成項目上直接勝過 Claude Opus 5.5 的最高努力程度:

• Terminal-Bench-Science 0.1 — 67.6% 對 59.0%,Sol 以 8.6 個百分點勝出

AutomationBench-AA — 71.3% 對 69.5%

• Terminal-Bench 4.0 — 60.1% 對 59.6%

• GDP.pdf 全數通過 — 30.0% 對 26.2%

而且它在那些需要記住某項事實並回報的題目上會失分:

• HLE-Diamond — 64.0% 對比 67.9%

• AnalystAgent — 53.8% 對比 56.3%

• AA-Omniscience — 準確率 61.6% 時為 40.4,對比準確率 65.5% 時為 48.1

• FrontierCode-AA 2.0(索引版)— 44.4% 對比 46.4%

Omniscience 這一列值得細細思量。這項評測衡量的是模型是否知道自己不知道什麼:Sol 的正確作答率為 61.6%,幻覺率為 55.4%;相較之下,Opus 5.5 分別是 65.5% 與 50.3%。一個正確作答頻率低了近四個百分點、捏造內容頻率卻高出五個百分點的模型,就是人類必須核對其輸出的模型——這正是「返工」論點,而且是從第二個方向得到印證。

整體而言,Sol 在綜合評分上得分 57.3,對比 59.1,而且每項任務只需 9.6 分鐘而非 25.7 分鐘,花費 1.01 美元而非 10.04 美元,同時在整套測試中輸出 6090 萬個 token,而 Opus 為 2.18 億個。無論其他情況如何,這款便宜模型既不慢也不冗長。

努力程度調節盤已被掃過

任何用過 O​penAI 推理模型的人,最顯而易見的反對意見就是:這是錯誤的設定。把努力程度調低,模型就不再過度思考;調高,它就不再偷工減料。Artificial Analysis 已經在 Codex 內的 Coding Agent Index 上跑過完整掃描,而這依然救不了局面:

• 低 — 37.2

• 中等 — 45.4

• 高 — 47.5

• 極高 — 49.8

• 最大值 — 48.6

峰值出現在xhigh,而不是 max:把努力推到最大反而會少 1.2 分,而這種非單調結果,正是模型開始反覆自我質疑時會出現的情況。但即使是最佳設定 49.8,仍比 GPT-6.1 Sol 在 max 下的得分低 2.4 分,也比 Claude Opus 5.5 低 8.4 分。沒有任何刻度位置能讓 GPT-6.2 Sol 成為更強的程式設計代理;剩下的只有一個選擇:你願意為 49.8 付出多少。

那個選擇的成本值得了解,因為即使絕對金額便宜,相對而言仍很高昂。在 Intelligence Index 上,Sol 在低投入下每項任務為 $0.18,medium 為 $0.41,high 為 $0.56,xhigh 為 $0.65,max 為 $1.01。從 medium 移到 xhigh,每項任務的品質大約翻倍——在該指數上從 52.7 到 55.7——但成本增加 58%。預設是 medium,也就是產生 45.4 程式設計分數的設定。如果你要拿 Sol 與 Opus 比較,請在 xhigh 或 max 下進行,否則你比較的就是錯誤的配置。

一個能預測返工的數字

同一次執行中還有第二組資料序列,直接反映了「它需要清理」的體驗,而且那不是品質分數。Artificial Analysis 會記錄每次評估中的安全拒絕,並區分測試框架能恢復的拒絕,以及導致嘗試終止的拒絕。在 SWE-Atlas-QnA-AA 上,超過 372 次嘗試:

• GPT-6.2 Sol (max) — 25 次拒絕,每一次都是強制中止,佔嘗試的 6.7%

• GPT-6.2 Sol(xhigh)— 22 次拒絕,5.9%

• GPT-6.2 Sol(中等)— 13 次拒絕,3.5%

• GPT-6.1 Sol (max) — 15 次拒絕,4.0%

• GPT-6.2 Astra (max) — 8 次拒絕,2.2%

• Claude Opus 5.5 — 52 次拒絕,其中沒有一次是硬性停止,14.0%

Opus 系列才是值得注意的那一個,而且它與那種偷懶的解讀相牴觸。Opus 5.5 拒絕的次數比其他任何模型都更頻繁——而測試框架把全部 52 次都救回來了,所以沒有一次造成整輪執行失敗。Sol 拒絕的次數較少,但測試框架連它那 25 次裡的一次都救不回來。一次拒絕若終結了代理的回合,就等於變成一件得由人類接手的工作;一次被救回的拒絕則只是一次重試。在最接近「回答關於這個儲存庫的問題」的那項評測上,推文所抱怨的那個模型,失敗的方式是產出未完成的工作,而不是錯誤的工作。

對照 13.7 分的理解力下降來看,這是一個連貫的故事,而不是兩個互不相關的數字:Sol 在程式設計中「擷取並回報」的部分較不可靠,而當它表現下滑時,下滑的方式會讓任務懸而未決。

為清理階段定價

現在來看第三個主張,也就是經濟方面的主張,這正是直覺最常勝過算術的地方。使用 Intelligence Index 的每項任務成本,因為該套件對其上的每個模型都使用相同的測試框架,因此這些數字可以直接比較:GPT-6.2 Sol 1.01 美元,Claude Opus 5.5 10.04 美元。

OpenAI's developer documentation page for GPT-6.2 Sol, describing it as the go-to model for everyday work from coding to powering agents at scale, accepting text and image input and producing text, with a 1,050,000-token context window, 922,000 max input tokens, 128,000 max output tokens and a June 1, 2026 knowledge cutoff. The pricing table lists $2.00 per million input tokens, $0.10 cached input, $2.50 cache writes and $10.00 output; it also notes that above 272,000 input tokens the input and cache rates double and output costs 15 times the short-context rate, and that batch costs 50% of standard rates.

假設有一項任務由 Sol 完成,然後由 Opus 修復。令 p 為需要修復的任務比例,且 r 為一次修復的成本佔完整 Opus 執行一次的比例。Sol 先完成再修復的成本為 $1.01 + p × r × $10.04。僅使用 Opus 的成本為 $10.04。只要 p × r 低於 0.899,先由 Sol 完成再修復就比較便宜。

這是很高的門檻。如果一次修復的成本是完整跑一遍的一半,你可以修復每一個任務,而且仍然比直接使用 Opus 便宜 78%。只有在幾乎每個任務的修復成本都接近完整重做的成本時,帳單才會反轉:在p = 1 且r = 1 時,你會為 Opus 原本用 $10.04 就能完成的事支付 $11.05。在一千個任務上,這是 $11,050 對上 $10,040——是 10% 的懲罰,而不是推文所暗示的潰敗。

所以單就金錢而言,重工的抱怨並不能推翻價格論點,除非重工近乎全面。但金錢並不是大多數團隊會碰到的限制。時間才是:

• 每項 Intelligence Index 任務耗時 — GPT-6.2 Sol 9.6 分鐘 vs Claude Opus 5.5 25.7 分鐘

• 任務需要完整 Opus 重做時的時間 — 9.6 + 25.7 = 35.3 分鐘,對比 25.7 分鐘

• 同一套件上的 Token 消耗 — 60.9M 對 218M 輸出 token

在這裡,「返工論」完全成立,沒有任何附加條件。任何 Sol 嘗試執行、最後又交回來的任務,都會比一開始就找 Opus 多花 37% 的時間,而你無法用更便宜的 token 把那段時間買回來。如果你的限制是截止期限而不是預算——這幾乎是每位開發者發出這種抱怨時實際所處的情況——那麼 @dotey 是對的,爭論的重點在於吞吐量,而不是價格。

什麼會改變判決

有兩件事,而兩者目前都還不可得。第一項是公開的返工率:在固定任務集上衡量,較強的模型實際上必須修改 Sol 複雜任務 diff 的比例。沒有人公布這個數字,因為這需要在同一批工單上跑兩個模型並比對結果,而這正是能平息爭論的那個關鍵數字。第二項是 GPT-6.2 的 Sol 在 Anthropic harness 程式設計執行中的數據,或是 Opus 5.5 在 Codex 上的數據,這會把上述跨 harness 比較變成真正的正面對決。

相對地,請注意已有定論的事。這個迴歸是真實的,而且就發生在同一個測試框架內。投入程度掃描並不能修正它。理解力評估——也就是預測返工的那項評估——往錯誤方向變動了 13.7 分。想找理由把複雜程式開發繼續留在 Opus 5.5 上的讀者,現在有了一個不取決於任何人對發布週觀感的理由。

在自己的任務上執行測試

返工率可以在一個下午內,從你自己的待辦清單中量測出來,而這是這個數字唯一對你有意義的版本。拿二十個你團隊上個月實際交付的任務,以相同的投入設定讓每個任務跑過兩個模型,並把產生的修補與人類最終合併的內容做差異比對。需要實質返工的比例就是你的 p;修復回合的 token 成本就是你的 r。

OrcaRouter 讓這成為路由決策,而非採購決策:anthropic/claude-opus-5.5 與 openai/gpt-6.1-sol 兩者都只需一組金鑰即可使用,並以供應商自身的定價提供、0% 加價,所以上方那些數字就是您實際會被收取的金額。這一點在這裡比平常更重要,因為那則推文所針對的模型——GPT-6.2 Sol——尚未列入我們的目錄;我們不提供它,再怎麼路由也改變不了這點。我們實際提供的是 Sol 所取代的模型,而這正是實驗中合適的對照組:只要你能取得 6.2 Sol,就在那裡執行它;透過我們在相同任務上執行 GPT-6.1 Sol;這麼一來,13.7 個百分點的理解力下降,就成為你能用自己的程式碼證實或推翻的結果,而不是只能靠合成測試套件。

就資料所顯示的部署形態而言,路由 DSL 是誠實的答案:把規劃與程式碼庫理解的步驟交給 Opus 5.5,把執行與終端機迴圈交給較便宜的模型,並讓自動容錯移轉涵蓋供應商在執行中途停滯的情況。那是一項配置,而非架構——而且當你把它寫成管線、而不是寫成抱怨時,「用 Opus 收拾 Sol 留下的爛攤子」看起來就是這樣。

無論你最後選哪個模型,這則推文唯一值得帶走的重點是:一項寫程式的任務,帳單不是 token 數量,而是 token 數、加上人的分鐘數、再加上從「完成」到「真正完成」之間實際流逝的時間。在這份帳本的第一行,Sol 壓倒性地勝出;而只要任務被打回來,第二行和第三行就由 Opus 5.5 拿下——而且沒有廠商公佈任務被打回來的比率。在有人公佈之前,唯一可信的數字,就是你自己在自己的 diff 上量出來的那一個。

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