GPT-6.2 Astra发布即遭差评:跑分领先,实测口碑两极
OpenAI 可能没想到,自己精心准备的新模型,刚刚发布就迎来了一场颇为热闹的舆论风波。 今天凌晨,OpenAI 正式发布 GPT-6.2 Astra 和 GPT-6.2 Sol,主打更强的专业工作能力、更高的 Token 效率,以及进一步降低的使用成本。 按照官方公布的成绩,新模型在编程、科研、专业办公、3D 设计等
OpenAI 大概没料到,自己花心思打磨的新模型一上线就卷进了一场不小的舆论争议。
今天凌晨,
GPT-6.2 Astra 和 GPT-6.2 Sol 正式亮相,卖点集中在更强的专业工作能力、更高的 Token 效率以及更低的使用成本。官方给出的成绩单显示,新模型在编程、科研、专业办公、3D 设计等领域表现不俗,部分任务的完成成本甚至压到了上一代的三分之一以下。

可到了首批开发者手里,GPT-6.2 的口碑却明显分成两派。我们也第一时间做了上手测试,想看看 GPT-6.2 系列到底成色如何?
GPT-6.2 登场,跑分更聪明、更便宜
两款新模型的定位并不相同:GPT-6.2 Astra 冲着复杂专业任务去,GPT-6.2 Sol 更看重效率与成本,日常办公、编程以及多步骤 Agent 工作都在它的覆盖范围内。
在考察长周期、多步骤专业任务的 Agents' Last Exam 测试里,GPT-6.2 Astra 比上一代高出 5.2 分,完成任务的花费却不到后者的三分之一;对上 Claude Fable 5.2,它领先 5.5 分,任务成本只有对方的 5%。

科研方面的能力也有提升。Terminal-Bench-Science 0.1 测试中,Astra 比上一代高了 9 个百分点,OpenAI 还放话说,这是目前最适合科学家的模型。

第三方评测机构 Artificial Analysis 的数据可以作个参照:GPT-6.2 Astra 在综合智能指数里排第二,只输给 Claude Fable 5.2,但在 Coding Agent 指数上与上一代打平,GPT-6.2 Sol 反倒掉了 3 分。

比起单纯刷 Benchmark,这次发布更值得留意的变化,是 OpenAI 开始重点演示模型怎么把真实工作干完。
举个例子,给 Astra 一张 PPT 截图,它能照着原有的布局、字体和配色做出新页面;把财务报表交给它,它也能生成带收入预测和估值分析的 Excel 工作簿。
OpenAI 内部的 GDPval v2 评测中,Astra 比上一代提高 6.2 个百分点,输出 Token 少了 22%;Harvey LAB-AA 法律工作评测里,它的任务通过率超过 Claude Fable 5.2 的两倍,成本约为后者的六分之一。

更让人意外的是 GPT-6.2 在 3D 设计和机械工程上的进步。OpenAI 演示了 Astra 在 Blender 里模拟汽车悬架运动、制作遥控赛车装配动画,还有照着芝加哥 Marina City 大楼阳台设计实体纸灯等案例。
Artificial Analysis 的 AA-3D 评测中,Astra 以 1318 Elo 排在第一,比上一代提高 150 Elo 分,领先 Claude Fable 5.2 的 1271 Elo。
LuminaBench 用相同提示词测试时发现,GPT-6.2 Sol 生成的 3D 水上飞机场景比 6.1 Sol 有明显进步。开发者 eric provencher 展示了 Astra 按参考图做出的精细 3D 演示程序,还能直接通过 WebGPU 在浏览器里跑;


Synopsis 则拿它搭了一座接近真实、可以步行的迪士尼灰姑娘城堡,烟花、水面纹理和船只场景都相当逼真。

不过 AmirMušić 测试 Astra 配合 Blender 制作机械手模型和动画后觉得,实际效果还行,但离惊艳差得不少。


主打效率的 GPT-6.2 Sol,在 FrontierCode 2.0 编程测试中与 Astra 只差 0.5 分,成本却只有约五分之一。

价格上,GPT-6.2 Astra 的 API 输入和输出价格比上一代降了 20%,缓存输入降 60%,每百万 Token 的输入、缓存输入及输出价格分别是 8 美元、0.4 美元和 40 美元。GPT-6.2 Sol 则维持上一代价格,每百万 Token 输入 2 美元、缓存输入 0.1 美元、输出 10 美元。

图|🔗 https://developers.openai.com/api/docs/pricing
眼下这两款模型已经对 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户放开,API 同步上线,Ultrafast 模式也是头一回向 Pro 200 用户开放。

落到实际测试里,成本差距一样扎眼。开发者 Tony 用同一套高山水上飞机提示词跑下来,GPT-6.2 Sol 用了约 31 分钟、花掉 2.07 美元;Claude Opus 5.5 则跑了约 2 小时 46 分钟,账单 31.85 美元。

换到另一组冰川渔船场景,Astra 花 8.20 美元、约 41 分钟做完,Claude Fable 5.2 用了 81.10 美元,耗时接近两小时。

专业工作、3D 设计再到价格,OpenAI 这份成绩单看上去相当漂亮。可开发者真正上手之后,体验远比跑分呈现出来的复杂。
最聪明的 AI,未必是最实用的 AI
GPT-6.2 上线之后,几位提前拿到体验资格的知名开发者接连泼冷水。AI 开发者 Matt Shumer 就在 X 平台上直说,自己不打算对 GPT-6.2 Astra 和 Sol 做完整评测,原因是此前测试体验太差,两款模型基本没法用。
Every 联合创始人 Dan Shipper 的团队也提前测了好几周,结论是 GPT-6.2 整体表现让人失望。他观察到,Astra 写东西还不如上一代,一味求简洁,碰上需要详细解释的问题,给出的回答常常太短;编程水平和上一代差不多,但在真实项目里动不动就提前停工;设计上审美倒是不错,可生成的作品容易高度雷同。
批评得最凶的还是知名开发者 Theo。他说自己因为 GPT-6.2 Astra 表现太糟,特地花了一整天给 OpenAI 写投诉信。模型在长任务里经常突然停住,追问用户内部文件该怎么命名之类无关紧要的事;还曾在一个 TypeScript 转 Rust 的项目里连着跑 11 天,没拿出有效改进,反倒一度把编译器速度拖慢了 56%。
让 Theo 更头疼的是,Astra 往往能写出不错的代码,却讲不清自己到底做了什么。有一回他问某台电脑为什么运行慢,Astra 甩出四段复杂的技术分析,Claude Opus 5.5 则直接点明是 SSD 太慢。如今他已经习惯让 Claude 来帮忙解释 Astra 的成果。
颇具讽刺意味的是,Theo 也承认 Astra 在代码审查、3D、游戏开发和计算机操作上很出色,甚至帮他设计过一套反向代理方案,预计每月能省 2.5 万美元。可这些优势还是不够,他还是不会把它当成日常开发工具。
开发者 Flavio Adamo 的看法类似:Astra 的 3D 能力很优秀,但做前端开发时经常自作主张套用自己的设计风格,没法自然延续现有项目的视觉规范。
更多实测里也能看到类似问题。aipulsedaily 测完曼哈顿 3D 场景后说,Astra 能把场景做出来,但速度极慢,镜头移动迟缓,其他任务里也常常不够配合,所以正式工作还是优先用 Opus 和 Fable。
几位开发者的批评指向的问题相当接近:长任务异常中断、执行跑偏目标、沟通解释费劲,对用户要求的遵循也不够。
不过,提前体验者 Pietro Schirano 给出了另一种看法。他认为不少毛病出在外围的 Agent 执行框架 Harness 上,把相关框架去掉之后,Astra 的表现明显好转。
OpenAI 自己也在官方博客里承认,在两项对齐测试中,新模型更容易漏掉妨碍任务完成的重要信息,比如文件缺失、搜索工具用不了等,目前已经通过调整 Codex 指令来改善这一行为。
看完这些褒贬不一的评价,我也拿 GPT-6.2 Astra 做了三组测试,依旧是第三人称水下探索游戏、动画风乡村骑行体验,以及基础 WebGL 交互场景,重点看它对复杂需求、3D 场景搭建和交互逻辑的处理能力。
三个项目覆盖了从基础图形开发到复杂交互场景的不同需求。从我自己的体验看,GPT-6.2 Astra 远没有网上说得那么糟,首发后的舆论更像是差评的声音被集中放大了。原因也不难理解:Agent 开始参与软件开发、专业设计和科研工作后,一次任务可能持续数小时甚至数天,模型得自己规划、调用工具、处理障碍,任何一次判断失误,都可能让用户多付时间和 Token 成本。
Theo 碰上的文件命名问题,放在普通聊天里只是无关紧要的一问,可对于一个已经跑了两小时的 Agent 来说,就意味着任务被迫中断。
自主执行能力越强,决策失误的代价往往也越高。模型为了压缩程序体积不断烧 Token,却把用户想要的性能提升晾在一边,这类情形同样说明了这一点。
OpenAI 这次反复讲 GPT-6.2 的成本优势,可真实项目花多少钱,还得看模型能不能准确理解目标、少做无用功、交出符合要求的结果。单次推理便宜了,项目整体却可能因为反复试错变得更贵。
模型能力越来越多样,单看一个场景的表现,已经很难代表它的整体水平。同一个 GPT-6.2 Astra,在 3D 生成里能拿出惊艳成绩,到了长时间编程任务中却可能原地打转;有人觉得它的交互体验让人抓狂,也有人认为它的成本效率足以改变自己的工作流程。不同任务对能力的要求本来就不一样,用户对模型好坏的判断出现分歧,也在情理之中。
GPT-6.2 的争议,正好照出大模型竞争正在起的变化。前几年,厂商忙着证明自己的 AI 比对手更聪明;现在 Agent 走进真实工作流程,用户盯的是它用什么样的效率、成本和可靠性把活干完。
普通用户与其被社交平台上最激烈的评价牵着走,不如把模型放进自己的实际场景里跑一跑,看它到底能完成多少事。最聪明的模型未必最实用,最实用的模型也未必需要证明自己最聪明。