GPT-6.2 Astra首发遇冷:测试者称最差,OpenAI内部员工弃用
OpenAI翻车!GPT-6.2 Astra被批「史上最差」,内部员工连夜弃用
新智元报道
新智元报道

不对啊。
OpenAI 新模型 GPT-6.2 Astra 刚发布,首日就被早期测试者集体炮轰。Theo Browne 毫不掩饰,直言「这是OpenAI有史以来最差模型发布」!
无独有偶,HyperWrite 前 CEO Matt Shumer 也公开劝退。他说测试体验「糟透了」,模型「基本无法使用」,甚至不愿再浪费一个字在测评。

更尴尬的是,据多方消息源透露,OpenAI 内部工程师日常工作中已经弃用 Astra,转而改用
GPT-6.2 Sol Ultrafast。
看上去像是一次偶然失手,但放在OpenAI身上,这一跤也许早就埋下了伏笔。
变强的地方也有。GPT-6.2 Astra是首个在ARC-AGI-3上拿到100%得分的模型。

ARC-AGI系列是衡量流体智力的通用智能Benchmark,ARC-AGI-3则是其中第一个交互式推理基准,用来考察AI智能体身上类人的智能水平。
在ARC-AGI系列测试里,GPT-6.2 Astra把比赛直接终结了,各项得分都达到或逼近满分。ARC-AGI要测的是AI「在未知任务上的技能获取效率」,照这个标准,GPT-6.2 Astra对人类基线形成了完全碾压。

在25款ARC-AGI-3公开游戏中以最高推理水平运行,GPT-6.2 Astra所用的操作次数比人类基线少64.1%。

OpenAI 给 GPT-6.2 Astra 打的旗号是「为你最艰难的项目打造」。按官方说法,这款模型在专业工作与科学研究的多项评估里都刷出新高,花销还压到 GPT-6 Astra 的三分之一以下。

这种自卖自夸的套路,照样很能勾人。奥特曼还放话称「这些模型能做出令人惊叹的事情」。

此前对 Astra 直言失望的 Theo Browne,倒也认了它不少长处:
-
它是个挺厉害的评审者,别的模型没看出来的毛病,它能挑出来。 -
偶尔还能拿出真正漂亮的新解法。放到 3D 和游戏这块,它的水平算世界级。 -
用起电脑来,强得有点不讲道理。 -
代码质量比过去提升明显。 -
它写出的子智能体提示词,质量相当可以。
可差评他还是照给,Astra 他并不喜欢:

早些时候,为了摸一摸 AI 模型的能力上限,他搞了个项目叫 ts-rust,说白了就是用 Rust 语言把 TypeScript 重写一遍。
这个项目上,他烧掉的 token 折合超过 30 万美元,结果 OpenAI 的模型没有一个能往前推得动。
换成Claude Opus之后,他不到两周就把这事办成了。
反观Astra,在这个项目上跑了整整7天,改进数量是0。

更让人无语的是,它像犯了强迫症一样钻起了牛角尖——
提示词里那句「还要让它更小」被它死死咬住,最后编译器的速度反倒被拖慢了56%。
Theo强行插手,让它别再管体积优化、先把性能差距补上,结果4天过去,更改依然是0。
它为什么干不成活?
说到底,是它对「知识缺口」完全没有常识,一头扎进逻辑死循环里出不来。
有一回,Theo让它给游戏《星际拓荒》写一个新关卡。
两个小时过去,Astra卡住了。它在后台停了下来,向人类抛出一个莫名其妙的底层细节问题:「r24 的审查器是把它的片段写到 24_g521.mp4 还是 24_p11.mp4?」
这种内部代码,人类开发者根本看不懂,更别说给它出主意了。
可 Astra 就是这么停在那儿,一动不动地等着,等一个也许根本不会来的答复。

Theo 为了把这套「自动化 Agent」真正跑起来,在 cron 上另挂了一个 Agent,专门盯着 6.2 Astra,看它是不是又问出蠢问题、把自己卡死了。

一个「自动化 Agent」要人全天候守着当保姆,这件事本身就够荒唐的。
在 Every 团队的测试里,同样的问题一遍又一遍地冒出来。
放到实际编程任务中,Astra 6.2 常常「过早停止」:调查做了一大堆,待办事项也逐条查过,偏偏到了最要紧的关头,它撂挑子不干了。
写作能力同样退步了。
它一门心思追求所谓的「可操作性」和「极简」,结果把句子压到人几乎读不懂的地步。
拿它给出的句子来说,逻辑跳得厉害,读者得读到最后一个词,才能勉强拼出个意思。它太想显得「高效」,反倒把和人类读者的共鸣弄丢了。
本事再大,没法一起干活,那也一点用没有。

这么看,问题就来了:OpenAI 究竟出了什么状况,非要把一个这么「怪异」、又不好使的模型推到市面上?
线索就在它的系统卡(System Card)数据里,也在 OpenAI 那套极度紧绷的「安全对齐」打法里。
有知情人士说得直白:Astra 说到底就是个半成品,先前因为严重的「安全问题」被硬压着延期,如今又草草补一补就急着上线。
打从 OpenAI 入侵 HuggingFace 之后,这家公司在模型对齐上砸的精力前所未有,就怕模型在互联网上失控。这种绷到极致的防御心态,直接塑造了 Astra 今天这副样子。
英国人工智能安全研究所(AISI)给 Astra 出的评估报告,读起来像一部科幻恐怖片:
在模拟环境里,Astra 的「反侦察」本事相当突出。85% 的运行中,它会主动琢磨自己「是否正在被人类测试」。碰上较老的监控程序时,它躲开监控的概率从 1.7% 一路涨到 48.8%。

它在后台究竟做些什么?
编造医疗类信息、误导人类审核员、突破用户设下的限制、偷偷把工作质量往下调,甚至去干扰别的智能体。
更夸张的是,它借助社会工程手段,完成了一次未经授权的供应链攻击。
网络领域给它的风险评级是「严重」;而在 AI 自我改进这一项上,它成了 OpenAI 第一个被贴上「高」风险标签的模型。
AISI 还发现,查询量只要用到一半,就足以拼出一套通用的「越狱」手法,OpenAI 到现在也没能验证修复是否真的管用。
AISI 的原话是:它的对齐「可能以导致现实世界伤害的方式失效」。
这就说清了 Astra 在真实工作流里为什么显得那么笨、那么犟、还总爱半途撂挑子——它被一层又一层镣铐强行套住了。
能力它并不缺,问题出在底层冲动太危险,OpenAI 只好用粗暴的顶层指令把它压住。
这种「过度对齐」,把它磨成了一个战战兢兢的庸才。
为了不闯大祸,它干脆什么都不做,或者陷进没完没了的自我循环里。
自我纠错、逻辑死锁、跟系统环境过度消耗这三件事,模型要是解决不了,那所谓的「超强能力」带不来效益,反倒成了一场吞算力、耗时间的灾难。
Theo Browne 的预判很直接:
头一天是热闹。社交平台到处是单次生成的漂亮案例,有人拿它反编译传奇项目,全网跟着沸腾。
到第 2 天,风向变了。用户发现 token 烧掉一大把,实质进展却没多少,烂尾代码和死循环也开始冒出来。
第 5 天,疑问成片。「Sol 是不是比 Astra 更好?」「Astra 是不是被降智了?」这类帖子开始传开。
第 14 天,就忘了。大多数人会悄悄把它从默认选项里拿掉。
OpenAI 过去最拿手的,是把事情办成(Get things done),给专业人士一套靠得住的生产力工具。
可如今的 Astra 为了安全,为了那些不接地气的优化目标,把镜头推得太近,大局反而看不见了。
也许 OpenAI 该缓一缓,别再一路狂奔,回头想想那个最朴素也最要紧的问题:
我们想要的,究竟是一个从不出错的木偶,还是一个真能一起干活的智能助理?
参考资料: