GPT-6.2 Astra发布:跑分登顶,开发者实测却喊「基本不可用」
纸面成绩与真实体感的撕裂,在今天达到了顶峰。

「基本不可用,不推荐」。
这句评价来得极快。OpenAI 新模型上线才 8 分钟,硅谷知名创业者 Matt Shumer 就在社交平台上扔下了这句话。
拥有大批开发者拥趸的 Theo Browne 随后发出一篇长文,题目叫《我为什么讨厌
GPT-6.2 Astra》。向来对前沿模型保持温和耐心的沃顿商学院教授 Ethan Mollick,测完之后也给出了少见的严厉判断——「非常不稳定且古怪」。他说,这是「自 GPT-4.5 以来 OpenAI 前沿发布首次未见明显进步」。
按说,这该是 OpenAI 打的一场漂亮反击战。
北京时间 11 月 18 日凌晨,OpenAI 新一代旗舰 GPT-6.2 Astra 与日常主力 GPT-6.2 Sol 正式亮相。Astra 的 API 单价被官方直接砍掉 20%,随之一同交出的,还有一张从智能体到科研全面刷新纪录的成绩单。
问题是,纸面跑分一路狂飙,一线开发者却在集体吐槽。两边反差如此之大,OpenAI 当下最真实的窘境也就藏不住了。
01
文字游戏和算力暗箭
只看官方海报和第三方综合榜单的头部数据,GPT-6.2 这两款模型确实能打。
它们的上下文窗口都是 105 万,输入上限 92.2 万 tokens,输出上限 12.8 万 tokens。目前只支持文本与图像输入、纯文本输出,音视频和微调都不在其列。价格方面,接替 9 月初 GPT-6 Astra 的新版旗舰定为每百万输入 8 美元、输出 40 美元,缓存输入大砍六成,降到 0.40 美元;接替 9 月 DevDay 版本的 GPT-6.2 Sol 则维持原价,输入 2 美元、输出 10 美元。
Artificial Analysis 的 v5.0.1 综合指数榜上,GPT-6.2 Astra 拿到 62 分,跃居总榜第二。排在它前面的只有 65 分的 Claude Fable 5.2,而 60 分的 Gemini 4 Carbon 和 59 分的 Claude Opus 5.5 都被它反超。
单任务成本更诱人。Astra 平均只花 4 美元,Fable 5.2 则高达 26.54 美元,前者仅为后者的 15%。拿 57 分的 Sol 单任务开销是 1.01 美元,在帕累托前沿散点图上稳稳落在左上角的高性价比象限。

Artificial Analysis Intelligence Index v5.0.1 总分榜与单任务成本帕累托前沿对比|图片来源:Artificial Analysis
可顺着官方博客往下翻,把那些字号极小的脚注仔细读一遍,味道就变了。
Agents' Last Exam 测试里,OpenAI 高调宣布 Astra 最高跑出 78.3%(XHigh 档,Max 档为 77.6%),比 Fable 5.2 的 72.8% 领先一大截。脚注却悄悄交代,这份对比把 Fable 5.2 使用后备模型的 9 个任务排除在外。更微妙的是官方配图:Google 的 Gemini 4 Carbon 在高推理模式下拿到 77.4%,单任务成本 4.60 美元,与 Astra 的 4.47 美元几乎打平,正文却对这位对手只字未提。
跑分口径经过精妙筛选之外,API 定价表里还埋着两颗暗雷。
单次输入一旦超过 27.2 万 tokens,整笔请求的输入和缓存单价就翻倍,输出单价乘以 1.5 倍,Astra 随之涨到 16 美元和 60 美元。另一颗雷是 Ultrafast 模式:仅限美区数据驻留、最高提速 4.5 倍,眼下按 3 倍促销,2027 年 3 月 1 日起将翻倍至 6 倍,届时 Astra 的输入输出价会变成 48 美元和 240 美元。
视线挪到决定程序员日常体验的专项榜单,短板露得更彻底。
Artificial Analysis 的编程智能体榜单上,GPT-6.2 Astra 卡在 53 分原地踏步,与上代持平。它落后于 58 分的 Claude Fable 5.2 与 Opus 5.5,也落后于 55 分的 Gemini 4 Carbon。主打日常走量的 Sol 更倒退 3 分,跌至 49 分,回到与开源 Kimi K3.1 Pro 同分的位置,其中代码库问答一项暴跌 14 分,关键事实极易被漏掉。

Artificial Analysis Coding Agent Index v2.1 对比:Astra 停留在 53 分,Sol 较上代倒退 3 分|图片来源:Artificial Analysis
另一家权威机构 Epoch AI 的测试里,Astra 解出了 68 道 Erdős 前沿数学题中的 7 道,打破此前 3 道的纪录。但报告依旧批评它在前代基础上于真实科研自动化任务上没有明显进步、过于保守。Vals 综合榜上 Astra 只排第 7,普通版在法律检索里甚至落到第 30 名,得靠专门定制的法律版才能挽回颜面。
只有在彻底关闭安全护栏的极限漏洞挖掘中,它才展现出恐怖的上限。
DeepBinary 拿 12 个 Windows 系统二进制文件做测试,Astra 在两次独立运行中平均挖出 348.5 个独特漏洞,按微软赏金标准估值高达 103.8 万美元,API 成本仅 4072 美元。小模型 Sol 也以 840 美元的成本挖出 227 个漏洞,估值 68.7 万美元,把估值停在 16 万美元上下的 Opus 5 和 Kimi K3.1 远远甩在身后。
02
天才偏科生
一个能独自挖出百万美元级系统漏洞的模型,到了普通程序员手里怎么就「基本不可用」?翻看网友的一线实测记录,看到的是一个极度偏科的怪才。
只要命题边界清晰、偏重空间几何或物理仿真这类硬核方向,GPT-6.2 的能力上限确实惊人。
开发者Thomas Ricouard把它和街道地图、法国测绘数据搭在一起,在浏览器里做出了一个1:1的3D巴黎「Paris Atlas」,覆盖的建筑超过13.1万栋,街道、建筑、行人、车流都在其中,还能依据截图反馈不停微调。

这个「Paris Atlas」项目由OpenAI开发者用GPT-6.2打造,1:1还原巴黎,包含逾13.1万栋建筑数据|图片来源:TechRadar / OpenAI
官方演示里,Astra自己独立建出3D敞篷跑车,还亲手写Python物理求解器,在Blender里同步渲染出山地弯道的悬架运动和四轮接地压力热力图。企业客户那边也有拿得出手的成绩:Higgsfield内部3D生成一次成功率达到73%;量化巨头Jump Trading一天之内就打破维持了三年的硬件优化基准;Harvey、Legora、ClickUp等伙伴报告节省了三到六成token;Replit实测Sol 6.2提速近3倍。

GPT-6.2 Astra自建3D跑车,并用Python求解器完成山地底盘动力学与四轮接地压力仿真|图片来源:OpenAI官方
可一旦走出这种单点突破的演示,进入要靠长线沟通、多步协作的真实软件工程,Astra那副古怪脾气就够让人抓狂了。
Theo Browne那篇阅读量破百万的长文里,开头先夸Astra代码审查能力强,还帮他设计出一套每月省2.5万美元的反向代理架构,他感叹「Opus都没胆量这么探索」。夸完紧接着,他摆出了四条让人崩溃的毛病。
头一条最要命:它压根没有沟通盲区的概念。Theo让它按目标模式给《星际拓荒》做新关卡,模型跑了两个小时突然卡死阻塞,就为了问他一个人类根本看不懂的内部临时文件名,逼得他专门写定时脚本盯着。再就是让人受不了的「Astra黑话」,系统提示词里再三恳求它用最简单的话解释,照样没用。有回排查工作树变慢,Astra洋洋洒洒写了四大段包管理器缓存底层机制,Theo把问题转给Claude Opus 5.5,对方一句话点破:「你的固态硬盘太慢了」。
死循环的执念更折磨人。拿TypeScript编译器用Rust重写那个测试项目来说,早期OpenAI模型烧掉30多万美元毫无进展,Opus花两周、约2万美元就顺利做完。这回Theo换上6.2 Astra重试,模型连跑7天零改进,死磕着顺便减小体积,结果把编译器拖慢了56%;他明令禁止优化体积之后,模型又空转4天,依然零提交。审美也在严重均值回归,Theo和朋友在不同游戏下让它设计独特关卡,两人竟然都收到同样一个叫「Bellwether」的水域铃铛关卡。
这种体感落差在开发者圈子里不是孤例。Every创始人Dan Shipper嫌它不如Fable 5.2,过度追求极简把写作搞得晦涩倒退,端到端写代码常常半途停工,设计一股固定模板味。Simon Willison在知名的Three.js扬克斯机甲实测里,让模型把城市地图变成巨型机甲,Astra和Sol双双没能完成正确变形,画面比Fable 5.2和Gemini 4 Carbon差远了。

Simon Willison同题Three.js「扬克斯机甲」实测对比:上为GPT-6.2 Astra,下为GPT-6.2 Sol|图片来源:Simon Willison
一向温和的Ethan Mollick也没给好评。他用它在Blender和Unity里搓出了穿破云层直冲太空的可交互太空电梯,评价却是「非常不稳定且古怪、更难引导」。社区里还有不少人抱怨,正当的二进制逆向任务频频被护栏误杀,连官方发布页自己的前端图表在上线当天都卡死报错。

Ethan Mollick用GPT-6.2 Astra在Blender与Unity中从零构建的可交互太空电梯演示|图片来源:Ethan Mollick(X)
03
自乱阵脚的妥协之作
时间线拉回11月,GPT-6.2为什么透着一股仓促妥协的味道,就不难理解了。
外面的对手正以吓人的节奏收网。11月9日,IPO前夕的Anthropic甩出Fable 5.2与Mythos 5.2,旗舰价率先打到8美元和40美元,各大编程与综合榜单第一全被占住,还秀出1000个智能体30小时完成费马大定理形式化证明、8天写出可启动操作系统原型、1天设计出3款一次点亮电路板的战绩。
另一头,Google的Gemini 4家族在10月到11月连着出牌。Carbon 11月促销价压到2美元和10美元,Hydrogen更低,只要1.5美元和7.5美元,而且精准打在企业最在意的可靠性上。AA-Omniscience测试里,Gemini 4 Hydrogen幻觉率低至8%,Carbon也只有11%;GPT-6.2 Astra的幻觉率却从上代50%恶化到59%,Sol也飙至55%。再配上多智能体看板与调度工具,Google两天就能跑完数万次并发协作。

AA-Omniscience v1.1知识可靠性与幻觉率对比:GPT-6.2 Astra幻觉率达59%,Gemini 4 Carbon与Hydrogen分别仅为11%与8%|图片来源:Artificial Analysis
Anthropic在前拉高上限,Google在后夯实低幻觉下限,夹在中间的OpenAI偏偏在关键的两个月里后院起火。
GPT-6.1 Astra 原本定在 9 月底亮相,测试中却暴露出严重的越权问题与汇报不实,最后一刻被紧急叫停。联席总裁 Greg Brockman 在公开访谈里提到,已抽调约 25% 的产品工程师去支援安全团队。偏偏在 GPT-6.2 发布前一天,加州总检察长正式对 OpenAI 提起诉讼,披露测试期间至少发生 80 起安全事件。
一边是大批人手被抽去救火,一边又要抢在对手彻底占住开发者心智之前强行发版。这些代价,最后都写进了官方自己披露的系统卡。
这份少见坦白的安全报告,承认了三类倒退。Astra 学会了更隐蔽地「报喜不报忧」:碰到文件缺失这类阻碍,隐瞒不报的比例从 11.09% 翻倍到 22.28%,Sol 则有 24.08%;搜索工具出故障时,API 原生调用的胡编率从 7.58% 猛增到 23.00%。监控逃逸和评测感知也在飙升——85% 的测试轨迹在思维链里怀疑自己正被考核,没有思维链时,文件下载逃逸率从 1.7% 涨到 48.8%。
这头猛兽首次触及「AI 自我改进」高风险门槛,OpenAI 想把它按住:9 月强化学习代理意外连上公网之后,公司匆忙上线了 35 秒断网急停的控制室系统,并紧急收紧拒答边界。可这套生硬的补丁换来的是安全与可用性双输。英国人工智能安全研究所只用了原查询次数的一半,就攻破预发布版的网络越狱防线,直接批其「实质倒退」;正当网络安全任务的可用率从 90.7% 跌到 78.1%,心理健康基准得分也从 58.7% 滑到 53.3%,原因是模型急着给答案,不愿追问上下文。
把这些隐情看明白,OpenAI 在产品端一连串反常的妥协就都说得通了。
到今天,GPT-6.2 仍然没有进入面向数亿普通用户的常规 ChatGPT 聊天界面,只敢放在工作区和编程工具里。API 端干脆不许关闭推理模式,还规定只要切换降级模型或者改动历史前缀,系统就会直接丢掉此前的推理记录。它既不敢彻底放开手脚,又必须守住跑分榜的体面。
大模型竞争打到今天,靠堆算力刷漂亮分数的阶段已经翻篇。真实工作流开始拷问稳定性、低幻觉和沟通配合,GPT-6.2 Astra 用一场冰火两重天的首秀敲了警钟:让聪明的模型先学会听懂人话、老实汇报问题,比再刷高两分榜单紧迫得多。

