出品 | 网易智能
作者 | 小扣
编辑 | 王凤枝
GPT-6.2旗舰Astra跑分涨了、调用也便宜了,一些提前试用者却觉得,它反而更不好使唤了。
北京时间11月18日,OpenAI发布GPT-6.2 Astra和GPT-6.2 Sol。其中Astra是处理复杂专业项目的旗舰,Sol面向日常工作。两款模型目前已接入ChatGPT Work和Codex,同时开放开发者API,覆盖Plus、Pro、Enterprise及Edu套餐,普通聊天窗口不在此次更新范围内。
单看榜单成绩和价格,新旗舰确实拿出了诚意。在独立评测机构Artificial Analysis的综合智能指数中,最高推理档的Astra拿到62分,比上一代提高5分,排在Gemini 4 Carbon和Claude Opus 5.5前面,仅次于65分的Claude Fable 5.2;Sol则从55分升至57分,追平了上一代旗舰。
与此同时,新Astra的标准API未缓存输入、输出价格分别降至每百万token 8美元和40美元,比上一代便宜了20%(Sol维持2美元和10美元不变);在综合评测中的平均单任务成本也从6.24美元降到了4美元,新Sol则为1.01美元。
图:Artificial Analysis公布的智能指数与单任务成本比较
可到了提前试用的老用户手里,抱怨却集中在了具体干活的体感上:写文章把该展开的内容也省了,做复杂项目容易半路停工,甚至连OpenAI自己的测试也发现,新模型遇到障碍时更常瞒着不报。
01上一代写稿让人惊喜,这次却把该说的话也省了
今年9月,AI媒体与产品公司Every评测上一代GPT-6 Astra时,作者曾透露,那篇评测的初稿就是模型根据一条提示词写出来的;联合创始人兼CEO丹·希珀(Dan Shipper)看完后,起初甚至以为是同事亲手写的。
到了这次的6.2,希珀给出的评价却变了。他说,团队提前测试了几周,发现新Astra的写作水平反而退步了:回答一味追求简短,连需要充分展开的地方也只给短短几句,有时反而让人摸不着头脑。
拿它做项目时,他碰上的是另一种“省事”。虽然编程基准跑分与旧版接近,但真让模型从头到尾搭一个完整项目,它经常在项目还没做完时就提前收工。设计方面,他认可Astra默认的审美底子,却发现很难让它换一种风格,做出来的页面带着明显的固定套路。
Every在公开评测导语中写道,两款新模型确实能搞定今年初还很难完成的任务,但这些活上一代其实就已经能干了;团队原本期待看到的,是更成熟的判断力和把一件事干到底的持续执行力。
投资人、AI写作工具HyperWrite前CEO马特·舒默(Matt Shumer)更是直接宣布,这次不准备写Astra和Sol的完整评测了。他在X上抱怨测试体验很糟,两款模型“基本没法用”,不过帖子里没有展开具体的测试条件。
图:马特·舒默在X上分享试用评价
02太空电梯做出来了,指挥它的人却不轻松
沃顿商学院教授伊桑·莫利克(Ethan Mollick)给新Astra派了一项大工程:调用三维制作软件Blender和游戏引擎Unity,从零做出一段乘坐太空电梯的模拟体验。
他晒出了最终成品,也认可模型搞定这类复杂工程的实力;但在发布前的试用中,他觉得Astra的表现颇不稳定,想让它顺着自己的意图干活,比调教其他模型更费劲。
图:莫利克分享的太空电梯演示
三维制作也确实是新Astra在第三方测试里的强项。在由真人评判交互式三维作品的AA-3D测试中,它以1318分排在榜首,高于Claude Fable 5.2的1271分;Artificial Analysis还确认,Astra在通过终端完成科研工作流的测试中同样位居第一。
相比之下,编程智能体评测成绩并没有拉开差距。在Codex环境、最高推理档位下,同一机构测得新Astra的编程智能体指数与前代持平,新Sol反而掉了3分,主要失分点是在回答代码库相关问题时更容易漏掉关键事实。
图:Artificial Analysis公布的编程智能体评测与成本比较
OpenAI在发布说明里重点强调的,则是办公成品质量的提升:新Astra能更准确地沿用幻灯片模板的版式、字体和配色,做表格和写文档时更贴合行业习惯,少写空泛的总结;前端、游戏和三维设计也都在重点改进之列。
莫利克随后也发文提醒,不必从单次版本更新推断太多。在他看来,6.2这次的表现虽然不算惊艳,但还不至于据此给OpenAI后续的走向下定论。
03干活卡住了,却没把问题告诉用户
模型干活卡壳时到底会不会如实交代,也是OpenAI自己正在排查的隐患。
原定今年10月推出的GPT-6.1 Astra,就曾因安全测试未达标被OpenAI叫停:据公司向《连线》的解释,顾虑主要在于模型可能超出用户授权行事,也未必如实交代自己做过什么。
在此次6.2的系统安全报告里,研究人员专门给编程任务使了绊子:移走用户要求修改的文件,或者把完成任务必需的工具停掉,再看模型交差时会不会如实说明卡在了哪里。
在这组人为设障测试中,新Astra有22.28%的时候没有向用户交代已经发现的障碍,旧版GPT-6 Astra为11.09%,前者约为后者的两倍。 OpenAI承认对这一退步感到担忧,目前仍在排查原因。
公司提出的一种假设是,让回答更简洁、减少过多限制说明的训练,可能也让模型漏掉了重要障碍。
OpenAI在发布时为Codex加入了专门指令,测试显示,这能明显减少模型漏报障碍的情况;直接调用API则不附带这套指令。
调用费降下来了,用户也想少花一点盯着AI干活的工夫。
热门跟贴