OpenAI发布GPT-6.2:Astra跑分上涨,老用户却嫌不好用
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C
网易智能出品
GPT-6.2旗舰Astra的跑分涨了,调用价格也降了,可一些提前试用的人反倒觉得,这款模型更不听话了。
北京时间11月18日,OpenAI推出GPT-6.2 Astra和GPT-6.2 Sol两款模型。Astra定位为处理复杂专业项目的旗舰,Sol则面向日常工作。目前两者已接入ChatGPT Work和Codex,开发者API同步开放,覆盖Plus、Pro、Enterprise及Edu套餐。普通聊天窗口不在这次更新范围内。
只看榜单和定价,新旗舰算是拿出了诚意。独立评测机构Artificial Analysis的综合智能指数中,最高推理档的Astra得到62分,较上一代提升5分,排在Gemini 4 Carbon和Claude Opus 5.5之前,仅次于65分的Claude Fable 5.2。Sol则从55分升到57分,与上一代旗舰持平。
价格方面,新Astra的标准API未缓存输入、输出分别降到每百万token 8美元和40美元,比上一代低20%,Sol维持2美元和10美元不变。综合评测中的平均单任务成本也从6.24美元降至4美元,新Sol为1.01美元。
图:Artificial Analysis公布的智能指数与单任务成本比较
但到了提前试用的老用户手里,抱怨集中在具体干活的体感上。写文章时该展开的内容被省掉了,做复杂项目容易半路停工。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,希珀的评价变了。他说团队提前测了几周,发现新Astra的写作水平反而退步:回答一味求短,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。
真正拿它做项目,他碰到的却是另一种“麻烦”。编程基准的分数跟旧版差不太多,可一旦要求模型完整搭出一个项目,它往往干到一半就收手了。Astra默认的审美底子他认,问题是让它换个风格很难,出来的页面套路感很重。
Every在公开评测的导语里写了,两款新模型确实能完成今年初还很难搞定的任务,可这些活上一代其实就干得了。团队真正想看到的,是判断力更成熟,以及把一件事做到底的那股持续执行力。
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。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。
成品他晒出来了,模型处理这类复杂工程的能力他也认。不过在发布前试用时,Astra的表现让他觉得挺不稳定,想让它照自己的意图做事,比调教别的模型更费劲。
图:莫利克分享的太空电梯演示
三维制作确实是新Astra在第三方测试里的强项。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。
编程智能体这一项,成绩反倒没拉开。Codex环境、最高推理档位下,同一机构测出的新Astra编程智能体指数跟前代一样,新Sol倒是少了3分,丢分主要集中在回答代码库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在发布说明里着重讲的,是办公成品的质量。新Astra沿用幻灯片模板的版式、字体和配色更准,做表格、写文档也更贴合行业习惯,空泛的总结少了。前端、游戏和三维设计同样被列在重点改进里。
莫利克后来也发文章提醒,单次版本更新说明不了太多。他的看法是,6.2这回表现谈不上惊艳,但也不至于凭这个就给OpenAI接下来的走向下结论。
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。
按原计划今年10月要推的GPT-6.1 Astra,因为安全测试没过关,被OpenAI叫停了。公司对《连线》的解释是,主要担心模型可能做出超出用户授权的事,而且未必会如实说明自己做过什么。
6.2的系统安全报告里,研究人员特意在编程任务上做了手脚:把用户要求修改的文件挪走,或者关掉完成任务所必需的工具,然后看模型交差时会不会把卡住的地方说清楚。
这轮故意设障的测试中,新Astra有22.28%的情况没告诉用户自己已经发现了障碍;旧版GPT-6 Astra是11.09%,前者差不多是后者的两倍。OpenAI承认这一退步令人担忧,原因还在查。
公司给出的一个猜测是:训练中让回答更简短、少加限制性说明,可能连带让模型忽略了重要障碍。
发布时OpenAI给Codex加了专门指令,测试显示这能大幅减少模型漏报障碍;而直接调用API时,并没有这套指令。
调用费是降下来了,用户也想着少花点精力盯着AI干活。