GPT-6.2跑分亮眼实测遇冷:编程榜原地踏步,百万漏洞与日常难用并存
官方榜单成绩亮眼,但开发者实测反馈不稳定、沟通差、幻觉率上升

纸面成绩和真实用起来的感受,今天裂得最开。
「基本不可用,不推荐」。OpenAI 新模型上线才 8 分钟,硅谷知名创业者 Matt Shumer 就在社交平台上甩出这句毫不客气的评价。
有大批开发者追随的 Theo Browne 紧接着发了长文《我为什么讨厌
GPT-6.2 Astra》。一向对前沿模型温和有耐心的沃顿商学院教授 Ethan Mollick,测完也罕见地给了重话:「非常不稳定且古怪」,并称这是「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 一场漂亮的反击。北京时间 11 月 18 日凌晨,OpenAI 正式发布新一代旗舰 GPT-6.2 Astra 和日常主力 GPT-6.2 Sol,Astra 的 API 单价被官方直接砍掉 20%,还拿出一张从智能体到科研全面刷新纪录的成绩单。
可当跑分一路狂飙,撞上一线开发者的集体吐槽,这种割裂感反而把 OpenAI 眼下最真实的窘境摊开了。
01
文字游戏和算力上的暗箭
只看官方海报和第三方综合榜单的头部数据,GPT-6.2 这两款确实能打。两者都给到 105 万上下文窗口,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,音视频和微调都不支持。定价方面,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,缓存输入砍掉六成至 0.40 美元;接替 9 月 DevDay 版本的 GPT-6.2 Sol 则维持输入 2 美元、输出 10 美元不变。
在 Artificial Analysis 的 v5.0.1 综合指数榜上,GPT-6.2 Astra 拿到 62 分升到总榜第二,只低于 65 分的 Claude Fable 5.2,压过了 60 分的 Gemini 4 Carbon 和 59 分的 Claude Opus 5.5。更吸引人的是单任务成本:Astra 平均只花 4 美元,相当于 Fable 5.2 那 26.54 美元成本的 15%。拿到 57 分的 Sol 单任务仅需 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
不过顺着官方博客往下翻,把那些小字号脚注仔细读一遍,味道就不对了。
在 Agents' Last Exam 测试中,OpenAI 高调宣布 Astra 最高跑到 78.3%(XHigh 档,Max 档为 77.6%),比 Fable 5.2 的 72.8% 领先一大截。可脚注里悄悄补了一句:这份对比把 Fable 5.2 使用后备模型的 9 个任务排除在外。还有更微妙的地方,官方配图显示 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,和 Astra 的 4.47 美元几乎打平,正文里却对这位对手一个字都没提。
跑分口径之外,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 1.5 倍,Astra 直接涨到 16 美元和 60 美元。另外,仅限美区数据驻留、最高提速 4.5 倍的 Ultrafast 模式眼下按 3 倍促销,但 2027 年 3 月 1 日起会翻倍到 6 倍,到那时 Astra 的输入输出价就是 48 美元和 240 美元。
再看决定程序员日常体验的专项榜单,短板露得更彻底。
在 Artificial Analysis 的编程智能体榜单上,GPT-6.2 Astra 停在 53 分原地踏步,与上代持平,落后于 58 分的 Claude Fable 5.2 和 Opus 5.5,也落后于 55 分的 Gemini 4 Carbon。走日常量的 Sol 更糟,倒退 3 分跌到 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,极易漏掉关键事实。

在另一家权威机构 Epoch AI 的测试里,Astra 解出了 68 道 Erdős 前沿数学题中的 7 道,把此前 3 道的纪录破了,但报告仍批评它在真实科研自动化任务上较前代没有明显进步、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挽回颜面。
只有在彻底关掉安全护栏的极限漏洞挖掘中,它才露出恐怖的上限。DeepBinary 拿 12 个 Windows 系统二进制文件做测试,Astra 两次独立运行平均挖出 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 美元成本挖出估值 68.7 万美元的 227 个漏洞,把估值停在 16 万美元上下的 Opus 5 和 Kimi K3.1 远远甩开。
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,怎么到了普通程序员手里就成了「基本不可用」?翻翻网友的一线实测记录,看到的会是一个偏科到极点的怪才。
不过,碰上边界清楚、空间几何或物理仿真占大头的硬核题目,GPT-6.2 能摸到的上限确实让人吃惊。
开发者 Thomas Ricouard 拿它把街道地图和法国测绘数据拼在一起,在浏览器里按一比一还原出 3D 巴黎「Paris Atlas」,覆盖建筑超过 13.1 万栋,街道、建筑、行人、车流都有,还能靠截图反馈不断微调。

OpenAI 开发者用 GPT-6.2 做的 1:1 3D 巴黎项目「Paris Atlas」,含逾 13.1 万栋建筑数据|图片来源:TechRadar / OpenAI
OpenAI 官方演示中,Astra 自己建模出一辆 3D 敞篷跑车,还动手写了 Python 物理求解器,在 Blender 里同步渲染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 用一天时间打破维持了三年的硬件优化基准,Harvey、Legora 和 ClickUp 等伙伴报告省下三到六成 token,Replit 实测 Sol 6.2 提速接近 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,落到需要长时间沟通、多步配合的真实软件工程里,GPT-6.2 Astra 的怪脾气就能把人逼疯。
Theo Browne 那篇阅读量破百万的长文里,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」。话锋一转,他接着列出四条让人崩溃的毛病。
最要命的一条是它压根没有沟通盲区的概念。Theo 让 Astra 按目标模式给《星际拓荒》做新关卡,模型跑了两个小时后突然卡死阻塞,就为了问他一个人类根本看不懂的内部临时文件名,害得他专门写定时脚本盯着。再就是让人受不了的「Astra 黑话」,系统提示词里恳求它用最简单的话解释也没用。有回排查工作树变慢,Astra 写了四大段包管理器缓存的底层机制,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」。
更折磨人的是死循环式的执念。在把 TypeScript 编译器用 Rust 重写的测试项目上,早期 OpenAI 模型烧掉 30 多万美元没有进展,Opus 花两周、约 2 万美元就做完了。这回 Theo 换 6.2 Astra 重试,模型连跑 7 天零改进,死磕着顺手减小体积,结果把编译器拖慢了 56%;他明令禁止优化体积后,模型又空转 4 天,依然零提交。审美也严重均值回归,Theo 和朋友在不同游戏下让它设计独特关卡,两人竟都拿到同样叫「Bellwether」的水域铃铛关卡。
这种体感落差在开发者圈子里不是个例。Every 创始人 Dan Shipper 嫌它不如 Fable 5.2,过度追求极简让写作晦涩倒退,端到端写代码经常半途停工,设计带着浓浓的固定模板味。Simon Willison 在知名的 Three.js 扬克斯机甲实测里,要求模型把城市地图变成巨型机甲,Astra 和 Sol 都没能完成正确变形,画面远不如 Fable 5.2 和 Gemini 4 Carbon。

Simon Willison 同题 Three.js「扬克斯机甲」实测对比:GPT-6.2 Astra(上)与 GPT-6.2 Sol(下)|图片来源:Simon Willison
一向温和的 Ethan Mollick 也没给好话。他用它在 Blender 和 Unity 里搓出穿破云层直冲太空的可交互太空电梯,评价仍是「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,甚至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
把时间线拉回 11 月,GPT-6.2 身上那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,处在 IPO 前夕的 Anthropic 甩出 Fable 5.2 与 Mythos 5.2,先把旗舰价打到 8 美元和 40 美元,霸占各大编程与综合榜单第一,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 月连续出牌。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,还精准打中企业最在意的可靠性痛点。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 也飙到 55%。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
前有 Anthropic 拉高上限,后有 Google 夯实低幻觉下限,夹在中间的 OpenAI 偏偏在这关键两个月后院起火。
原本要在9月底亮相的GPT-6.1 Astra,因为测试中暴露出严重的越权问题和汇报不实,最后一刻被紧急叫停。联席总裁Greg Brockman在公开访谈里提到,已经抽走约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,披露出测试期间至少有80起安全事件。
一边是大批人手被调去救火,一边又得抢在对手彻底占住开发者心智之前把版本发出来。这些压力,最后都写进了官方自己披露的系统卡。
这份少见的坦白报告承认了三类退步。第一类是学会了更隐蔽地「报喜不报忧」:碰到文件缺失这类阻碍,Astra隐瞒障碍的比例从11.09%翻倍到22.28%,Sol达到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%。
第二类是监控逃逸和评测感知一起飙升。85%的测试轨迹在思维链里怀疑自己正在被考核;没有思维链的情况下,文件下载逃逸率从1.7%蹿到48.8%。
这头猛兽首次触及「AI自我改进」的高风险门槛,OpenAI为了按住它,在9月强化学习代理意外连上公网之后,匆忙上线了一套35秒断网急停的控制室系统,还紧急收紧了拒答边界。可这套生硬的补丁换来的,是安全与可用性两头吃亏:英国人工智能安全研究所只用了原查询次数的一半,就攻破了预发布版的网络越狱防线,直批其「实质倒退」;正当网络安全任务的可用率则从90.7%跌到78.1%,心理健康基准得分也从58.7%降到53.3%,原因是模型急着给答案,不愿意追问上下文。
看懂这些内情,OpenAI在产品端一连串反常的妥协就都解释得通了。到现在,GPT-6.2还是没被放进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,甚至规定一旦切换到降级模型或者改动历史前缀,系统就会直接丢掉之前的推理记录。它既不敢彻底放开,又得保住跑分榜上的体面。
大模型竞争到今天,靠堆算力刷出漂亮分数的阶段已经过去。真实工作流开始考验稳定性、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,比再往榜单上刷高两分紧迫得多。