第三方评测机构的智能指数与单任务成本对比:新模型落在"更聪明也更省钱"的位置
11月17日,OpenAI 把两款新模型一起摆上了台面:GPT-6.2 Astra 和 GPT-6.2 Sol。官方给的介绍很直白——一个专攻复杂项目,一个负责日常干活,都很省 token,为真实世界而来。
发布当天,ChatGPT Work、Codex 和 API 就同步上线。付费订阅里,Plus、Pro、Enterprise、Edu 都能用;每月 200 美元的 Pro 用户首次拿到 Sol 的 Ultrafast 极速档,500 美元档则两款全开。官方说极速档的吐字速度最高能到标准的 4.5 倍。
跑分榜单很快给出回应:智能指数冲到第二,3D 评测直接拿了第一。可几乎同时,一批提前实测的开发者甩出了完全相反的结论——"几乎没法用""是 OpenAI 发布过最差的模型"。一款模型,两种评价,热闹程度远超以往。这到底是怎么回事?
一个啃硬骨头,一个管日常
先看分工。
Astra 是这次的前锋,定位是那些又难又贵的高价值任务:金融表格、法律检索、代码库改造、复杂 3D 设计。官方还专门提了它在科学和网络安全上的能力——它是 OpenAI 第一个达到"AI 自我改进 High 阈值"的对外发布模型,也过了网络安全的关键阈值,配套上了内部监控系统。用官方的话说,它像一个额外配给每位研究者的得力工程助手。
Sol 则是那个"你可能天天用"的模型。多步智能体流程、写东西、日常代码,主打便宜、快、好用。官方自己人透露,公司里不少员工把 Sol 当成主力模型,技术活和非技术活都往它身上堆。
两款都给了 105 万 token 的上下文窗口,最高能吐 12.8 万 token。API 里的名字分别是 gpt-6.2-astra 和 gpt-6.2-sol。
价格战先开打:输入价降两成,缓存价砍六成
这次最实在的变化,其实是价格。
Astra 的标准 API 价降到每百万 token 输入 8 美元、输出 40 美元,比上一代 GPT-6 Astra 双双降了 20%;缓存输入更狠,从 1 美元直接砍到 0.4 美元,降幅 60%。Sol 则维持上一代的价格,每百万 token 输入 2 美元、输出 10 美元。
要知道,前沿模型的价格一般是往上走的,这次反着来,对 API 用户是实打实的利好。更关键的是 token 效率:官方说两款模型完成同样的活儿,吐出来的 token 更少。在官方的长周期知识工作评测 GDPval v2 上,Astra 比上一代高 6.2 分,输出 token 却少了约四分之一。在跑代理循环时,那句"缓存命中价降到 0.4 美元"尤其值钱——反复发同一段指令,不用每轮都按全价买单。
第三方评测机构的智能指数与单任务成本对比:新模型落在"更聪明也更省钱"的位置
第三方编码智能体指数:新模型成绩停留在上代水平甚至回落,Claude 系列仍占据前列
榜单第二,3D 评测却拿了第一
第三方评测机构的账算得很细。
在 Artificial Analysis 的智能指数 v5 上,Astra 拿到 62 分,排第二,比上一代高 5 分,仅次于 Claude Fable 5.2 的 65 分,还越过了 Gemini 4 Carbon 和 Claude Opus 5.5。Sol 拿了 57 分,大致相当于上代 Astra 的智能水平,但单任务成本只有它的一成半左右。
最有辨识度的是 3D。在衡量"按文字要求生成可交互 3D 作品"的 AA-3D 评测里,Astra 以 1318 Elo 排名第一,把 Claude Fable 5.2 的 1271 和 Sol 的 1259 都压在身后,比上代 Astra 的 1168 高出一截。官方放的演示里,有能直接上手玩的弹球游戏、能转着看的罗马斗兽场,还有在未来城市赛道上开的飞行赛车——都是一句话生成、能在浏览器里跑的成品。
其他科目也有亮点:自然语言处理科学的 Vals Science Index 创了新高;法律评测 Harvey LAB-AA 通过率约 15%,是主要对手的两倍多,成本只有六分之一;Terminal-Bench 科学项比上代涨了 9 个百分点,到 77% 左右。Sol 这边,官方说在 Cognition 的 FrontierCode 2.0 上,它跟 Astra 的差距不到半分,成本却只有五分之一。
看起来,这是一次"又聪明又省钱"的漂亮升级。
第三方编码智能体指数:新模型成绩停留在上代水平甚至回落,Claude 系列仍占据前列
成本与收益曲线:新模型用更低的成本逼近前沿模型的能力
可早期实测的人,吵翻了
发布现场的叫好声还没落,另一批声音就顶了上来,而且相当刺耳。
有开发者放话,这是"OpenAI 发布过最差的模型"。他晒出的实测是:花七天让模型用 Rust 重写一个实验性的 TypeScript 编译器,没拿到任何改进,产出的代码反而慢了 56%;又花四天让它专门优化速度,还是没进展。
一位投资人兼创业者说得更直接:不打算写完整评测了,因为体验很糟,两款模型"几乎没法用",不推荐。他还提到一个细节——让 Claude 当监工、把 Astra 当子 agent 使唤时,前者只好一遍遍返工重做。
也有人把矛头指向榜单和对手:在编码智能体指数上,Astra 与上代持平,Sol 反而退了 3 分;在另一项幻觉测试里,两款的幻觉率分别到了 59% 和 55%。有网友直接下结论:这是继某次著名翻车之后最差的一次发布,等于替对手的上市做了最好的广告。
当然,也不是一边倒。有提前测试者替它鸣不平,说大部分问题出在测试工具本身,把工具的问题剥掉之后,用起来其实很顺。还有人观察到一个有趣现象:当年不受待见的 5.6 Sol 后来成了很多人喜欢的模型,如今被骂的 6.2 Astra,说不定走着同样的路。
官方回应:确实还有活要补
面对反馈,OpenAI 的负责人没有硬顶。
他承认,新模型很聪明,也很省 token,希望大家能用得值,尤其点名了 Sol 的极速档。但话锋一转:虽然模型很智能,在"让模型好用、好合作"这件事上还有工作要做,接下来的版本会把这块列为重点。换句话说,能力这块官方是有信心的,被吐槽的是体验。
这大概就是这次发布最有意思的地方:榜单、价格、3D 能力都摆在那儿,是真金白银的进步;但"跑分强"和"用着顺"之间,还隔着一截。评测机构给的是入场券,真正的考试在每个人的日常任务里。
想上手的话,注意这几点
如果你打算试试这两款模型,几条建议或许用得上。
先按活儿挑模型。日常琐碎、多步流程、写写改改,用 Sol 就够,成本低、速度快;真遇上复杂代码库、长文档、3D 生成这类硬活,再上 Astra。
其次,跑代理循环时留意缓存。把不变的指令放在前面固定住,只在后面追加新内容,缓存命中率上来了,账单才会真的降。长上下文也别乱开——超过 27 万 token 的输入,价格是要翻倍的。
最后,别把跑分当承诺。编码这类任务,先小范围试、和上一代对比着用,再决定是否全面切换。新模型值不值得换,你的实际任务清单说了算,不是榜单说了算。
参考内容:
https://x.com/i/trending/2122753845734547691
https://www.siliconreport.com/openai-releases-gpt-6-2-astra-and-sol-cutting-astra-api-rates-20
https://news.qq.com/rain/a/20261118A074RX00
热门跟贴