精华速览

OpenAI 发布 GPT-6.2 Astra 和 GPT-6.2 Sol,主打专业工作能力、Token 效率和成本下降。官方数据显示 Astra 在多项基准测试中领先,部分任务成本降至上一代三分之一以下,3D 设计能力提升明显。但首批开发者实测评价分化:有人认可其 3D 生成和成本优势,也有人批评长期任务中断、执行偏离目标、沟通解释困难。OpenAI 承认模型在对齐测试中更易遗漏关键信息,已通过调整 Codex 指令改善。争议核心在于 Agent 长周期任务中,单次推理价格降低不等于项目总成本下降,模型可靠性成为新焦点。

要点透视

  • OpenAI 发布 GPT-6.2 Astra 和 GPT-6.2 Sol,Astra 面向复杂专业任务,Sol 侧重效率与成本,已向 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户开放,并上线 API。
  • 在 Agents' Last Exam 测试中,Astra 比上一代高 5.2 分,任务成本不到后者三分之一;比 Claude Fable 5.2 领先 5.5 分,成本仅为对方 5%。
  • 第三方机构 Artificial Analysis 评测显示,Astra 综合智能指数排名第二,仅次于 Claude Fable 5.2,但 Coding Agent 指数与上一代持平,Sol 反而下降 3 分。
  • Astra 在 AA-3D 评测中以 1318 Elo 排名第一,较上一代提高 150 Elo,领先 Claude Fable 5.2 的 1271 Elo;开发者展示其生成可浏览器运行的 3D 演示和迪士尼城堡场景。
  • 价格方面,Astra API 输入和输出价格比上一代下降 20%,缓存输入下降 60%,每百万 Token 输入、缓存输入及输出分别为 8 美元、0.4 美元和 40 美元;Sol 保持上一代价格。
  • 开发者 Theo 投诉 Astra 在 TypeScript 转 Rust 项目中连续运行 11 天无有效改进,编译器速度一度下降 56%,并经常在长期任务中突然暂停询问文件命名等无关问题。
  • OpenAI 官方承认新模型在两项对齐测试中更容易遗漏妨碍任务完成的重要信息,例如文件缺失、搜索工具无法使用,目前已通过调整 Codex 指令改善相关行为。
  • 开发者实测成本差异明显:相同高山水上飞机提示词下,GPT-6.2 Sol 耗时约 31 分钟、花费 2.07 美元,Claude Opus 5.5 耗时约 2 小时 46 分钟、花费 31.85 美元。

文章拆解

GPT-6.2 的争议并非简单的模型好坏之争,而是大模型进入 Agent 长周期任务阶段后评价体系变化的缩影。过去模型比拼的是单轮问答或基准跑分,用户关注“谁更聪明”;如今 Agent 参与软件开发、专业设计和科研工作,一次任务可能持续数小时甚至数天,模型需要自行规划、调用工具并处理障碍,任何一次错误判断都可能让用户付出额外时间和 Token 成本。Theo 遇到的文件命名问题在普通聊天中无关紧要,但对已运行两小时的 Agent 而言意味着任务被迫中断,这正是差评集中的痛点。

从官方数据看,Astra 在 Agents' Last Exam、Terminal-Bench-Science 0.1、GDPval v2 和 Harvey LAB-AA 等专业任务评测中均有提升,成本优势显著,3D 设计能力在 AA-3D 评测中排名第一。但第三方评测显示其 Coding Agent 指数与上一代持平,Sol 甚至下降 3 分,说明能力提升并不均衡。开发者反馈也呈现分化:Astra 在代码审查、3D、游戏开发和计算机操作方面表现出色,却在前端开发中擅自采用自己的设计风格,无法延续现有项目视觉规范;写作方面过分追求简洁,需要详细解释的问题常得到过短回答。

值得关注的变量在于,OpenAI 反复强调单次推理价格下降,但真实项目总成本还取决于模型能否准确理解目标、减少重复操作并交付符合要求的结果。单次推理价格降低,整个项目却可能因反复试错变得更昂贵。此外,提前体验者 Pietro Schirano 指出部分问题来自外围 Agent 执行框架 Harness,移除后 Astra 表现明显改善,这意味着差评中有一部分可能归因于框架而非模型本身,尚待确认。OpenAI 已承认模型在两项对齐测试中更易遗漏关键信息,并通过调整 Codex 指令改善,但改善幅度和长期稳定性仍需观察。

对行业而言,GPT-6.2 的争议反映出竞争焦点正从“最聪明”转向“最可靠、最经济地完成任务”。对用户来说,单一场景表现越来越难代表模型整体水平,与其被社交平台上最激烈的评价左右,不如将模型放入自身工作场景验证实际完成度。潜在风险在于,若模型在长周期任务中的中断和偏离问题不能有效解决,成本优势可能被反复试错抵消,企业用户的采用意愿也会受到抑制。

查看原文