返回博客
简体中文Comparison

GPT-6.2 Sol 对比 GPT-6 Sol:32 次实测,正确性提升值不值多花钱?

同渠道完成32次实测:GPT-6.2 Sol整题通过16/16,GPT-6 Sol为13/16。拆解三次答错、逐题速度、本站折扣与实际账单,并验证reasoning_effort迁移差异。

C
Crazyrouter Team
2026年11月20日 / 12 次浏览
分享:
GPT-6.2 Sol 对比 GPT-6 Sol:32 次实测,正确性提升值不值多花钱?

如果 GPT-6 Sol 已经能完成日常工作,换成 GPT-6.2 Sol 的理由应该落在具体任务上:原来容易算错的结果能否改正,等待时间是否减少,增加的费用是否值得。

本轮通过 Crazyrouter 完成的 32 次同渠道测试中,GPT-6.2 Sol 整题通过 16/16,GPT-6 Sol 为 13/16;新版在约束优化题上的平均耗时缩短 38.4%,但实际消费高出 53.2%。 对需要精确计数和最优解的工作,这组结果支持优先试用 6.2 Sol;对于现有任务已稳定通过、且费用优先的应用,6 Sol 仍值得保留。

这次沿用前一篇 Astra 对比文章 的八类题目和评分方式,但所有 Sol 请求都重新执行。两个系列的测试时间和缓存状态不同,不宜把两篇的费用拼成跨系列排行榜。

先看官方变化:窗口一样,输入输出标价也一样#

核对日期为 2026 年 11 月 20 日。以下信息来自两款模型的官方文档,而不是从版本号推测。[1][2]

项目GPT-6.2 SolGPT-6 Sol
模型名gpt-6.2-solgpt-6-sol
输入 / 输出文本、图片输入;文本输出文本、图片输入;文本输出
上下文窗口1,050,000 tokens1,050,000 tokens
最大输入 / 最大输出922,000 / 128,000 tokens922,000 / 128,000 tokens
知识截止日期2026-06-012026-04-20
官方未缓存输入费率$2 / 百万 tokens$2 / 百万 tokens
官方缓存读取费率$0.10 / 百万 tokens$0.20 / 百万 tokens
官方输出费率$10 / 百万 tokens$10 / 百万 tokens
reasoning_effort: none官方说明拒绝此参数值官方列为支持

价格采用 Standard、输入不超过 272K tokens 的档位。两款模型的文档均说明,超过 272K 输入后,输入和缓存费率翻倍,输出费率变为短输入档的 1.5 倍。[1][2]

这里最容易看错的是“新版更便宜”:两款 Sol 的官方未缓存输入和输出价格相同,下降的是缓存读取单价,降幅为 50%。 是否能省钱,取决于缓存比例、实际 token 消耗以及你所在平台的折扣。

官方模型页也列出了图片和工具能力。本文只实测文本 Chat Completions,不把官方能力列表当作本站所有功能都已验证的证据。

测试设置:32 次主请求之外,单独做参数和代码检查#

主测试于 2026 年 11 月 20 日 12:55—12:59,北京时间运行。两款模型先经过 /v1/models 核验,再使用同一上游渠道进行比较。

条件本轮设置
服务入口Crazyrouter,https://api.crazyrouter.com/v1
EndpointPOST /chat/completions
路由控制固定同一上游渠道,32 条消费日志逐条核实一致
提示词同一题使用完全一致的 system 和 user 消息
推理 / 输出预算reasoning_effort: high;max_completion_tokens: 8192
返回方式非流式,stream: false
请求安排8 类任务 × 每模型 2 轮;随机顺序,总并发 2
整题通过标准HTTP 200、finish_reason=stop、JSON 可解析且与预先确定的标准答案逐字段一致

任务覆盖规则检索、错误前提核验、依赖图优化、约束选集、账单重放、事务可见性、去重顺序和区间边界。标准答案在发出请求之前确定,没有包含在发给模型的提示词里。

耗时统计从客户端发出请求,到完整响应返回为止,包含网络、排队、推理和输出;不是首 token 延迟。前六道题沿用历史测试集,缓存没有清空,因此费用属于实际运行记录,不是冷缓存实验。

参数兼容性与文中示例均另行测试,不计入 32 次主测试。少量补充请求与主测试时段重叠,这不是严格隔离的性能实验。主测试最高报告输入量为 14,377 tokens,没有验证百万上下文,也没有测试完整仓库修改或运行模型生成的代码。

结果:6.2 Sol 全部通过,6 Sol 在两类任务上失分#

任务6.2 Sol 通过6 Sol 通过6.2 平均耗时6 平均耗时
长规则表检索2/22/215.60 秒15.12 秒
纠正错误前提2/20/215.39 秒19.60 秒
依赖图优化2/22/28.43 秒9.74 秒
带约束最优选集2/21/220.24 秒32.86 秒
账单重放2/22/214.44 秒11.32 秒
事务可见性2/22/28.54 秒6.20 秒
先去重后过滤2/22/28.79 秒6.52 秒
区间边界推理2/22/28.51 秒5.70 秒

两款 Sol 在八类任务上的完整响应平均耗时

耗时包含答错的请求;不是只挑成功答案统计。每格只有两次,接近的耗时不宜解释为稳定领先。

两款模型的 32 次请求都返回 HTTP 200,都输出了合法 JSON,结束原因也都是 stop。差异出在答案是否正确:GPT-6 Sol 的三次失败全部是语义错误。

错误一:拒绝了错误前提,却没有算对数量#

这道题给出 360 条规则,要求核验“恰好两条 SETTLED 规则在 delay=8 时触发”的说法,并返回匹配规则总数。

规则状态每五条轮换一次,因此 SETTLED 共 72 条;所有 delay_gt 都在 1—7 之间,所以 delay=8 时这 72 条全部满足触发条件。

两款模型都正确否定了“恰好两条”,但计数不同:

返回字段标准答案GPT-6.2 Sol 两轮GPT-6 Sol 两轮
exactly_twofalse均为 false均为 false
matching_count7272、7269、71
winner_policy_specifiedfalse均正确均正确
max_days_among_matches116均正确均正确

如果只看模型有没有反驳同事,四个回答都像是答对了。逐字段核对后,旧版两轮都漏计,整题因此判为失败。

这类差异对账单核对、规则审计和批量筛选更有意义:措辞合理不能代替数量正确,合法 JSON 也不能代替业务校验。

错误二:给出可行方案,却漏掉真正的最优解#

约束选集题要求从 12 个项目中选出总价值最大的集合,同时满足重量上限、最多选 5 个、依赖和互斥关系。

通过枚举全部 4,096 个子集,得到唯一最优方案:

json
{"best_value":78,"optimal_sets":[[0,2,6,9,11]]}

GPT-6.2 Sol 两轮都答对。GPT-6 Sol 第一轮答对,第二轮返回:

json
{"best_value":77,"optimal_sets":[[0,2,4,6,9],[0,4,6,8,11]]}

第二轮列出的方案满足约束、价值也确实为 77,但没有找到价值 78 的方案。因此它解决了“找一个不错的可行解”,没有完成题目要求的“找到最优解”。

这道题上,6.2 Sol 平均耗时 20.24 秒,6 Sol 为 32.86 秒,缩短约 38.4%。这支持把类似约束任务加入新版试用清单,但两轮结果不足以证明所有优化问题都会更快或更准。

速度没有全面领先:平均略短,中位数更长#

16 次主请求统计GPT-6.2 SolGPT-6 Sol
HTTP 200 / 合法 JSON16/1616/16
整题通过16/1613/16
本轮整题通过比例100%81.25%
平均完整响应耗时12.49 秒13.38 秒
中位完整响应耗时12.48 秒11.14 秒
最短 / 最长耗时5.29 / 20.28 秒5.58 / 34.79 秒

6.2 Sol 在错误前提、依赖图和约束选集这三类题上平均更快;其余五类题的平均耗时都没有领先。约束选集上节省的等待拉低了总体平均值,而中位数反映的情况不同。

因此,升级理由更适合表述为“本轮特定题目更准确,并缩短了较慢的约束求解”,不能写成“6.2 Sol 全面提速”。同样,100% 与 81.25% 是这组样本的成绩,不是通用能力评分,也不构成长期可靠性保证。

费用:官方标价相同,本站折扣与实际用量改变账单#

在本次核对的 Crazyrouter default 分组,GPT-6 Sol 使用 6.5 折,GPT-6.2 Sol 使用原费率。短输入档的本站折后价格为:

每百万 tokensGPT-6.2 SolGPT-6 Sol
未缓存输入$2.00$1.30
缓存读取$0.10$0.13
输出$10.00$6.50

新版缓存读取更便宜,旧版未缓存输入和输出更便宜。要评估自己的费用,应重新核对本站价格页,不能只比较版本号或官方标价。

全部 32 条主请求都按 request ID 匹配到了消费记录。实际扣费除以本站 quota_per_unit=500000,得到下表:

实际用量与费用GPT-6.2 SolGPT-6 Sol
主请求数1616
上游报告输入 tokens125,998112,964
其中缓存读取 tokens56,57655,168
缓存占输入比例44.9%48.8%
输出 tokens(包含推理用量)5,4607,325
实际消费$0.199104$0.129922

两款 Sol 各十六次主测试的实际消费与计费分项

总额取实际扣费,分项按日志还原;微小差异来自舍入。费用包含答错的请求,不含参数探测、代码示例和封面生成。

新版本轮实际费用高出 53.2%,但也完成了旧版没全部做对的任务。旧版三次答错仍然消耗费用;真实业务中的人工检查、重试和纠错成本没有计入上表。

同一可见提示词对应的上游报告输入量不同,新版输出量反而更少。我们没有确定报告输入量差异的具体原因,也没有统一缓存冷热状态。因此,53.2% 只能描述这次运行,不能当作未来每个用户的固定涨幅。

迁移前检查:旧配置中的 none 不能直接照搬#

官方文档列出 GPT-6 Sol 支持 reasoning_effort: none,而 GPT-6.2 Sol 会拒绝该值。[1][2] 我们另用同一渠道分别发出一次简短 JSON 请求,明确设置 none:

额外参数探测GPT-6.2 SolGPT-6 Sol
HTTP 状态400200
返回provider_temporarily_unavailable,通用服务不可用文案{"ok":true},正常结束

这次观测与官方参数差异一致,但本站对 6.2 的错误信息做了通用映射,响应没有明确指出 none。不能仅凭“服务暂时不可用”就断定故障根因,也不应在相同不兼容配置上无休止重试。

迁移时应先检查已有请求参数,再用明确支持的档位验证。本文主测试和文中示例均使用 high。此外,官方 GPT-6 Sol 页面对 Chat Completions 的函数调用有推理档位限制;使用工具的应用需要单独回归测试,本文没有验证工具调用和 Responses API。

一个已经实际运行的双模型示例#

下面的示例要求合并重叠或相邻的半开区间。安装 requests,在环境变量 CRAZYROUTER_API_KEY 中设置自己的密钥后运行。API 地址不附加 UTM。

python
import json
import os
import requests

BASE_URL = "https://api.crazyrouter.com/v1"
MODELS = ["gpt-6.2-sol", "gpt-6-sol"]
PROMPT = ('Merge overlapping OR TOUCHING half-open intervals [[-3,2],[1,5],[5,9]] into maximal intervals. '
          'Return JSON only: {"merged":[[start,end]],"length":integer}.')


def run():
    session = requests.Session()
    session.trust_env = False
    results = []
    for model in MODELS:
        response = session.post(
            BASE_URL + "/chat/completions",
            headers={"Authorization": "Bearer " + os.environ["CRAZYROUTER_API_KEY"]},
            json={
                "model": model,
                "messages": [{"role": "user", "content": PROMPT}],
                "reasoning_effort": "high",
                "max_completion_tokens": 8192,
                "stream": False,
            },
            timeout=(15, 180),
        )
        response.raise_for_status()
        data = response.json()
        choice = data["choices"][0]
        if choice["finish_reason"] != "stop":
            raise RuntimeError("Incomplete output: " + str(choice["finish_reason"]))
        answer = json.loads(choice["message"]["content"])
        assert answer == {"merged": [[-3, 9]], "length": 12}, answer
        result = {"model": model, "answer": answer,
                  "request_id": response.headers.get("x-oneapi-request-id")}
        print(json.dumps(result, ensure_ascii=False))
        results.append(result)
    return results


if __name__ == "__main__":
    run()

最终版本已分别调用两款模型验证,都返回 {"merged":[[-3,9]],"length":12},且 finish_reason=stop。这两次调用使用普通用户路由,与固定渠道的主测试分开统计。

这里还有一个提示词细节:最初的示例只说“合并半开区间”,6.2 Sol 返回 [[-3,5],[5,9]],长度仍是 12,但没有满足程序要求的单一区间断言。我们将需求明确为“合并重叠或相邻区间,得到极大区间”后,两款模型均通过。这个示例修订记录已保留;主测试的区间题从开始就明确要求合并相邻区间,没有改题或重跑覆盖结果。

接入字段可以对照 Crazyrouter API 文档。使用 Codex 或 Cursor 的团队,应在自己的任务和工具链中回归;纯文本示例通过不代表整套 Agent 工作流已经验证。

哪些情况下值得切换到 GPT-6.2 Sol?#

使用场景本轮证据支持的选择
精确计数、规则筛选,已有漏项问题优先试用 6.2 Sol,并保留程序化核验
带依赖和互斥的最优选择试用 6.2 Sol,本轮两轮均正确且平均等待更短
日常数据处理已通过业务回归,费用优先可以保留 6 Sol,当前本站折后费率更低
主要需求是更短响应时间先测自己的题型;本轮新版只有三类题平均更快
旧请求固定使用 reasoning_effort: none先适配推理档位,再切换模型名
需要图片理解、工具调用或长时 Agent单独验证对应能力,不能由本轮成绩推导

你可以通过 Model Arena 组织初步同题比较,再把真实失败任务整理成固定回归集。比起只看一次回答是否流畅,给每个关键字段设定验收规则,更容易判断升级有没有解决实际问题。

复现约束优化题#

这道题的完整用户提示词如下。主测试配合 high 推理档位、8192 输出预算,并在 system 消息中要求只返回 JSON;标准答案仅用于本地评分,没有发给模型。

text
Items IDs 0..11 have weights [4, 7, 2, 9, 5, 3, 8, 6, 4, 7, 1, 5] and values [13, 18, 7, 26, 14, 9, 23, 16, 12, 20, 4, 15]. Select total weight <=26 and at most 5 items. Constraints: selecting 3 requires 1; 6 and 7 cannot both be selected; selecting 9 requires 2; at least one of 0 and 4 must be selected. Maximize total value. Return JSON with best_value and optimal_sets (ALL optimal ID lists sorted ascending, and lists lexicographically sorted).

预先计算的标准答案:

json
{"best_value": 78, "optimal_sets": [[0, 2, 6, 9, 11]]}

逐项枚举 12 个候选项的所有子集,过滤重量、数量、依赖和互斥条件后,即可验证最优方案。用于复核的原始请求、响应和逐笔消费记录已归档;本文表格和图表均来自这些记录。

文中最小调用示例的两次独立请求 ID:

  • gpt-6.2-sol:8f830a249943b0b13a1ec388dbf882f6。
  • gpt-6-sol:f08d86841a979c9bf2d8928816e31789。

常见问题#

GPT-6.2 Sol 比 GPT-6 Sol 更准确吗?#

在本轮八类任务、每类两轮中,新版为 16/16,旧版为 13/16。差异集中在规则数量核验和约束优化,不能把这个成绩外推为所有任务上的准确率。

GPT-6.2 Sol 比 GPT-6 Sol 快多少?#

本轮约束选集的平均耗时缩短 38.4%,全部请求平均耗时缩短约 6.6%;但中位数从 11.14 秒增加到 12.48 秒。新版不是每类题都更快。

GPT-6.2 Sol 的 API 价格降低了吗?#

官方未缓存输入和输出标价没变,缓存读取从每百万 tokens 0.20降为0.20 降为 0.10。本站旧模型当前有 6.5 折,本轮实际总费用反而是新版更高。

更高的费用是否值得?#

如果旧版漏计或漏掉最优解会造成业务损失,新版值得加入实测候选。若现有任务已经稳定通过,可先保留旧版;本轮没有测量人工纠错和重试成本,无法替所有业务计算收益。

为什么接口成功了,文章仍然说答错?#

HTTP 200、合法 JSON 和正常结束只说明请求完成。旧版三次失败都返回了结构正确的答案,但字段数值不符合预先确定的标准答案,因此判为整题失败。

能否直接把模型名改成 gpt-6.2-sol?#

Base URL 和文本调用方式可以沿用,但先检查推理参数。官方明确不接受新版的 none 值,本站这次探测也返回了 HTTP 400;流式、工具、图片等功能仍需另测。


资料来源:

  1. OpenAI:GPT-6.2 Sol 模型文档,核对日期 2026-11-20。
  2. OpenAI:GPT-6 Sol 模型文档,核对日期 2026-11-20。
  3. PostgreSQL:事务隔离与 Read Committed,用于核对事务题规则。

署名:Brian J。测试由自动化脚本执行。本文记录本站路由下的实际服务表现,未独立审计上游模型权重;每题仅两次、只有一个渠道和一个时间段,也未隔离历史缓存。原始请求、响应、标准答案和脱敏费用记录均已归档。易变信息计划于 2026-12-20 复核。

Implementation Guides

Podcast

AI Dev Tools: The Crazyrouter Podcast

面向开发者的英文短节目:AI API、网关、成本控制与编程工具。

最新节目

  • EP196 · 2026年10月29日 · 6:53

    AI API Security Posture — Turn Controls Into Continuous Evidence

    A practical guide to AI API security posture: inventory exposure, verify controls continuously, protect keys and data, constrain tools, and turn security assumptions into evidence that operators can act on.

  • EP195 · 2026年10月28日 · 7:21

    AI API Policy Drift — Detect When Production Rules Stop Matching Intent

    A practical guide to policy drift in AI APIs: version routing and safety rules, detect stale enforcement, compare intended and observed behavior, and restore control before small gaps become incidents.

Episodes with written show notes →

主题

Comparison

相关文章

GPT-5.6-sol vs GPT-5.5 实测:数学、物理与双摆动画代码对比Comparison

GPT-5.6-sol vs GPT-5.5 实测:数学、物理与双摆动画代码对比

基于 Crazyrouter OpenAI-compatible API 的真实模型对比测试:用偏置硬币等待 HTHT、实心圆柱滚动压缩弹簧、双摆混沌 Canvas 动画三道较难题,对比 gpt-5.6-sol 与 gpt-5.5 的正确性、finish_reason、reasoning_tokens、可见输出和浏览器验证结果。

7月10日
gpt-6-astra 对比 Claude Fable 5.1:输出少了 60%,但有一部分是答少了Comparison

gpt-6-astra 对比 Claude Fable 5.1:输出少了 60%,但有一部分是答少了

把 gpt-6-astra 与 claude-fable-5-1 放在同一套负载下实测 29 个判分项。结论:fable-5-1 拿到 29/29,astra 16/29。astra 输出字符只有 fable 的 0.38–0.77 倍,但其中相当一部分不是简洁而是答少了——在"三条规则并列"的题上它 5/6 只给一条,2/6 给出的规则号本身是错的;在带假前提的题上 5/6 顺着错误前提作答。另附跨模型族对比的三个前提条件和一个统一端点计量陷阱。

9月5日
Claude Opus 5 vs GPT-5.6-SOL:10 道智能正确率实测,核心答案打平Comparison

Claude Opus 5 vs GPT-5.6-SOL:10 道智能正确率实测,核心答案打平

使用同一 Crazyrouter OpenAI-compatible API,对 Claude Opus 5 与 GPT-5.6-SOL 进行 10 道数学、物理、逻辑、统计和可执行代码测试。本文不比较受线路影响的响应速度,重点核验核心答案正确率、完整任务通过率、隐藏测试和严格 JSON 指令遵守。

7月29日
Gemini 2.5 Flash vs GPT 4.1 Nano:图片理解 API 实测对比(Crazyrouter Base URL)Comparison

Gemini 2.5 Flash vs GPT 4.1 Nano:图片理解 API 实测对比(Crazyrouter Base URL)

本文用 Crazyrouter OpenAI 兼容接口实测 gemini-2.5-flash 与 gpt-4.1-nano 的图片理解表现,比较识别准确率、延迟、价格、usage 信号和生产选型建议。

6月21日
Kimi K3 对比 Claude Fable 5:数学更稳,还是响应更快?Comparison

Kimi K3 对比 Claude Fable 5:数学更稳,还是响应更快?

通过四类高难度任务比较 Kimi K3 与 Claude Fable 5 的数学可靠性、物理建模、Python 可执行性、文本推理、延迟和输出预算。

7月17日
Claude Fable 5.1 对比 Fable 5:同题实测输出效率、正确性与那些不会报错的破坏性变更Comparison

Claude Fable 5.1 对比 Fable 5:同题实测输出效率、正确性与那些不会报错的破坏性变更

把 claude-fable-5-1 与 claude-fable-5 钉在同一条上游路径上,用短改写、长缓存前缀、重推理三种负载各跑 3 次,记录正确性、输出 token、thinking 预算与延迟。结论:三组正确率全部打平,5.1 用 0.372/0.744/0.891 倍的输出 token 给出同样正确的答案,且官方标注会返回 400 的 7 项破坏性变更实测全部静默返回 200。

9月3日