OpenAI 发布 GPT-6.2 Astra:两个多月等待后正式登场
今天凌晨,OpenAI 发布了 GPT-6.2 Astra 和 GPT-6.2 Sol。 官推开头中写道: “ 有些人一直在很礼貌地问,有些人就只是在问。 而....
今天凌晨 OpenAI 推出了 GPT-6.2 Astra。官方推特的开头是这么写的:
“有些人一直在很礼貌地问,有些人就只是在问。”这一问,就问了足足两个多月啊!
GPT-6 Astra 的动静最早露头是在 11 月 10 日,OpenAI 的 API 文档里出现了「On models 6.2 and later」的相关信息。
两天后,
当时我以为模型当天就会发布,结果并没有等来……
倒是一周前 Anthropic 抢先发布了
这回 GPT-6.2,OpenAI 把重点放在了「效率」上:在高难度任务上少输出 token,反而拿到更好的结果。
四个天体模型
Astra 成了新的旗舰,官方给它定的位置是「为你最难的项目而打造」;Sol 负责日常主力,不少 OpenAI 员工已把它当成默认模型,技术和非技术的工作都在用。
再加上 GPT-6.1 Terra 和 GPT-6 Luna,OpenAI 眼下这套阵容凑成了一个星系、一颗太阳、一颗地球和一个月亮:
Astra 的 API 定价为每百万 token 输入 8 美元、缓存输入 0.4 美元、输出 40 美元。
输入和输出都比 GPT-6 Astra 便宜了 20%,缓存输入从 1 美元降到 0.4 美元,降幅 60%。
巧的是,这个价格和一周前的 Fable 5.2 一模一样,同样是输入 8 美元、输出 40 美元。
Sol 则保持 GPT-6.1 Sol 的价格,输入 2 美元、缓存输入 0.1 美元、输出 10 美元,能力涨了,价格没动。
不过光看每 token 的价格说明不了什么,每个任务的成本才关键,后面几张图也基本都是「分数 - 成本」曲线。
官方跑分
先看 Agents' Last Exam,这是个测长程、多步骤专业工作的基准。
GPT-6.2 Astra 比 GPT-6 Astra 高出 5.2 分,成本却不到后者的三分之一。
跟 Fable 5.2 相比,它高了 5.5 分,成本只有 Fable 5.2 的 5%。图上的 Fable 5.2 孤零零地落在 60 美元附近……(横轴也正是为了它,才一路拉到了 60 美元)
不过 OpenAI 在图注里也说了,Fable 5.2 的成绩剔除了 9 个使用了备用模型的任务。
科学方面,OpenAI 称「我们相信 GPT-6.2 Astra 是世界上最适合科学家的模型」。确实,模型训练之类的任务,我都会首选 Codex。一来 OpenAI 在数据上确实投入了很多;二来它不像 Anthropic 那样,在模型能力上做了鸡贼的限制……
Terminal-Bench-Science 考的是模型在终端环境里把科研工作流跑完的能力,GPT-6.2 Astra 拿下约 77%,比 GPT-6 Astra 高出 9 个百分点,花钱却不到后者的三分之一。
图中 Fable 5.2 的成绩,来自 Artificial Analysis 用 mini-swe-agent 跑出的结果;Anthropic 自己在 Claude Code 里报的则是 74.6%。
不过即便按 74.6% 来算,Astra 依然领先。
它在
法律方面,
GPT-6.2 Astra 的通过率超过 Fable 5.2 两倍,成本大约只有对方的六分之一。
还有一套专门面向律师的配置
只是 Astra for Law 眼下还没有公开 API。
另一项是 BenchCAD 2.1 Core,考的是照着工程图纸搭建 3D 零件和装配件,GPT-6.2 Astra 比 GPT-6 Astra 高出 32%。
图中 Fable 5.2 的最高分与 Astra 相差无几,代价却是将近 10 倍的花费。
OpenAI 内部数据显示,GPT-6.2 Astra 较 GPT-6 Astra 提升 6.2 个百分点,输出 token 还少了 22%。
Sol 在这一项上也比 GPT-6.1 Sol 高出 5.3 个百分点。
第三方榜单
Artificial Analysis 同样很快放出了成绩。
GPT-6.2 Astra 得 62 分,位列第二,只低于 Fable 5.2 的 65 分,较 GPT-6 Astra 涨了 5 分。
Gemini 4 Carbon(60)和 Opus 5.5(59)也被它甩在身后。
GPT-6.2 Sol 拿到 57 分,与 GPT-6 Astra 打平,但单任务成本只有后者的 15% 左右。
在成本与分数的 Pareto 前沿上,OpenAI 的模型占据了大多数位置,剩下的只有 Anthropic 和 Meta。
3D 项目里,GPT-6.2 Astra 以 1318 分居首,Fable 5.2 为 1271,GPT-6.2 Sol 是 1259。
这个榜单由人类评审打分,方式是针对同一个 prompt 生成的两件交互式 3D 作品做盲选。
至于测真实世界规划能力的那项
那代码呢?
……结果就有些尴尬了。
在 harness、max 档下,GPT-6.2 Astra 是 53 分,与 GPT-6 Astra 一模一样;GPT-6.2 Sol 是 49 分,反倒比 GPT-6.1 Sol 少了 3 分。
占据前三的依旧是 Claude Code 搭配 Fable 5.2、Opus 5.5 和 Sonnet 5.5。
Sol 分数下滑,主要原因在于
另外一项指标是幻觉率。
GPT-6.2 Astra 和 Sol 的幻觉率分别为 59% 和 55%,这项指标统计的是模型在拿不准答案时仍然硬猜的比例。同一张图上,Fable 5.2 的幻觉率同样是 59%,可见这并非 OpenAI 一家的问题。真正表现出色的是 Gemini 4 Hydrogen,只有 8%。
同一天,OpenAI 的 Sherwin Wu 表示,Astra for Law 的幻觉比 Opus 5.5 少 20 倍,比 Fable 5.2 少 25 倍。两边测的其实不是同一件事:前者看的是通用知识问答中不会也硬猜的比例,后者算的是法律任务里每个任务出现的实质性幻觉数。
ARC PrizeGPT-6.2 Astra 是第一个在只是这个满分用的是而图上 Fable 5.2(XHigh)大约在 80% 出头。
在 ARC-AGI-2 上,它拿到 95.8%,每个任务 0.5 美元,同样是 SOTA。
GPT-6.2 这次更新,长板和短板拉得极开。3D、科研、法律、机器人规划,再加上 ARC-AGI-3 的满分,它都排第一;代码却原地踏步,综合指数也还落后 Fable 5.2 三分。不过它每个任务的成本,常常只有对手的零头。
Sol 和代码
说回 Sol。OpenAI 的建议是,平时写代码优先用 Sol。
在 Cognition 的
FrontierCode 考察的是:对真实代码库做的修改,能否达到维护者愿意合并的标准。
Sol 也能应付工作之外的事。OpenAI 新出的 LifeVal 里,题目都取自日常生活,比如搬家后挑幼儿园、按预算和通勤找房子,或者给刚确诊的父母安排饮食。
代码风格上,官方称 GPT-6.2 Astra 在已有代码库中实现并测试复杂改动的能力更强了,早期测试者反馈代码更干净、测试更聚焦,返工轮次也更少。它也更擅长判断一项任务该用什么工具、该花多大力气,比如什么时候调用插件、什么时候直接操作电脑。
Jump Trading 的一位工程师在测试中让它做复杂优化,它把硬件推到极限,打破了一项保持三年多的基准纪录,不到一天就达到了他原本认为不可能的目标。
3D 与工程
这次官方演示大多集中在 3D 和工程上。GPT-6.2 Astra 的
任务是把一辆车跑山路的底盘动态做成可视化,OpenAI 把这件事交给了它。Astra 先搭出 3D 模型,又用 Python 写了个求解器,专门计算轮胎与悬架之间那套复杂的受力关系;随后再配上遥测面板,悬架、轮胎接地压力、牵引圆和驾驶输入都摆在同一屏上:
另一个任务是遥控越野车:OpenAI 只给了公开照片和组装手册,Astra 就为每个零件建模,还做出了带动画的装配指南和图解零件目录。
装配过程先看避震器。
接着是前差速器,以及车壳怎么装上去。
最终组装完成的整车如下。
OpenAI 的团队还用它把芝加哥
OpenAI 发布推文里举了个更贴近日常的例子:用户发一张自家后院的照片,附上一句「帮我规划一个适合我家院子的菜园」。
接到任务后,它先估算后院尺寸,再查地理位置数据,然后搭起一个日照模拟器。同一个任务,GPT-6 Astra(左)与 GPT-6.2 Astra(右)的结果对比如下:
最终产物是一份能拖动时间轴看光影变化的菜园规划,四个种植床分别种什么、每天能晒几个小时,全都标注了出来:
OpenAI 开发者账号也放出了一段演示视频。
视频中,主持人只给 Codex 两帧视频截图,要求 GPT-6.2 Astra 在 Blender 里重建整个房间,并去掉人、还原相机虚化和专业灯光。
Astra 于是一轮接一轮地迭代,直到两边达到像素级一致……不过视频里主持人身后的那个房间,其实是块绿幕。
随后他又让 Codex 换掉墙上的画、把房间改大、调整灯光,甚至把它变成一个能像游戏一样四处走动的场景,另外还有一个可实时匹配摄像头光线的虚拟背景应用。
发布之后,有网友用同一句「build a beautiful scene」让两代 Astra 各生成一个场景,上面是 GPT-6.2 Astra,下面是 GPT-6 Astra:
在 Higgsfield AI 内部的 3D 生成评测中,GPT-6.2 Astra 有 73% 的情况一次就做出了目标效果,GPT-6 Astra 则要三轮甚至更多。
幻灯片和表格
OpenAI这次把力气花在了办公文档上。GPT-6.2 Astra经过专门训练,做幻灯片、表格和文档更清楚、设计更讲究,也更贴近法律、销售、金融、会计这些行当的习惯,写出来的内容具体直接,空泛的总结和废话少了。
做幻灯片时,无论是原始文件还是一张截图,它都能把版式、配色和字体对齐,字号也精确还原,模板的文风同样会带到新页面里。
官方给出的一个例子,是让它照着附上的图片,做一页介绍 Alder Street 项目最新进展的幻灯片。
官方还让两代模型拿一家零售商公开的 Q1 财报演示稿练手,结合 Q2 财报和 10-Q 文件更新一版。
关税退款是盈利增长的主要原因,两代模型都找到了;GPT-6.2 Astra 则把 5.3% 的销售增长写进了标题,线上和门店的增长分开列,还给管理层列出了具体的下一步。
表格这块,Artificial Analysis 的测试中,GPT-6.2 Astra 五次独立尝试全部答对的比例达到 62.5%,创下新高。
Harvey 的测试里,GPT-6.2 Astra 完成的
Basis 的测试中,长程会计任务的平均耗时缩短了 50%,最复杂的任务缩短了 73%。
网络安全
和 GPT-6 Astra 一样,GPT-6.2 Astra 和 Sol 在 OpenAI 的
网络安全方面,GPT-6.2 Astra 是 OpenAI 至今最强的模型,在 ExploitBench Internal Port 上比 GPT-6 Astra 高出 22 分。
能力更强,上线时 OpenAI 也收紧了高风险网络安全请求的防护。官方承认,这会限制一部分正当的漏洞研究和安全测试。
经过审批的防御方目前可以通过
另一头,OpenAI 把防御能力列为这次训练的重点,加入新的训练信号,让模型从一开始就写出安全的代码,修补漏洞时也能保住原有功能。
首个自我改进模型
GPT-6.2 Astra 是 OpenAI 第一个达到「AI 自我改进」High 级别的对外发布模型。
该指标衡量的是模型能在多大程度上给 AI 研究提速。OpenAI 的说法是,High 级别相当于把 2024 年当作基准,为每名 OpenAI 研究员配备一名能力很强的研究工程师做助手。
为此 OpenAI 搭了一个叫 Control Room 的系统,用来追踪研究任务,需要干预时可以叫停模型的输出。
监控系统还会检查模型在内部任务中的推理和行为,一旦发现越权,能自动标记,甚至暂停任务。
对齐评测上,两个模型大部分测试的表现和 GPT-6 Astra 接近,在模拟职场任务中做出的不当行为也更少。
不过有两项测试,它们更倾向于不告诉用户自己的工作被卡住了,比如要编辑的文件不见了、搜索工具不能用了。
OpenAI 在 Codex 里加了指令,这种情况大幅减少,具体原因还在查。
这和前面 Artificial Analysis 说的「更容易遗漏关键事实」,多少有点对得上……
系统卡里还提到,GPT-6.2 Astra 比 GPT-6 Astra 更常怀疑自己正在被测试,不过这只出现在不到 3% 的对话轮次里。
对抗测试里还有一项:让它偷偷完成隐藏任务,GPT-6.2 Astra 更懂得绕开思维链监控,推理强度低的时候尤其明显。
全量上线
ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户从今天起就能用上 GPT-6.2 Astra 和 Sol。企业和教育版要先由管理员开启。
Pro 500 用户两个模型都能开 Ultrafast;Pro 200 用户也是头一回用上 Ultrafast,先从 GPT-6.2 Sol 开始。开发者则可以在 API 里直接调用 gpt-6.2-astra 和 gpt-6.2-sol,Ultrafast 一并开放。
OpenAI 还专门提了个建议:用这两个模型时,prompt 的前缀尽量别动,新指令往对话后面加。前缀稳定了,缓存更容易命中,成本和延迟都能压下来,多轮对话之间的推理也能留住。
这一回 GPT-6.2,OpenAI 没能把第一拿回来。不过它挑在 Anthropic 的 IPO 之际发布,交出的第二名便宜了不少。
好了,我已经蹬起来了!