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

资讯 凤凰科技 作者:极客公园 全文 5741 字 · 约 15 分钟读完 配图 9 张 分类GPTGPT-6OpenAI

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

所属频道 大厂动态ChatGPT 与 GPT

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(配图 1)

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

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。

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

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 开发者基于 GPT-6.2 打造的 1:1 3D 巴黎项目「Paris Atlas」(包含逾 13.1 万栋建筑数据)|图片来源:TechRadar / OpenAI

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 求解器完成的山地底盘动力学与四轮接地压力仿真|图片来源:OpenAI 官方

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

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)

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

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。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. OpenAI发布GPT-6.2 Astra与Sol:同任务成本仅Claude Fable 5.2约5%

    就在 Anthropic 敲钟上市的同一天,OpenAI 端出了它的“贺礼”。 11 月 18 日凌晨消息,OpenAI 正式发布 GPT-6.2 Astra 和 GPT-6.2 Sol 两款新模型:在复杂专业任务上,GPT-6.2 Astra 的得分超过 Claude Fable 5.2,而单任务成本只有后者的约 5

    来源 AI 行业观察
  2. OpenAI发布GPT-6.2 Astra与Sol:Anthropic IPO定价前夜,成本大降

    IT之家 11 月 18 日消息,就在 Anthropic IPO 定价前一天,OpenAI 突然毫无预兆地送上了一份“惊喜”。 OpenAI 今日正式发布了最新的 GPT-6.2 Astra 和 GPT-6.2 Sol 模型,重点提升专业工作、编程、计算机操作及多步骤智能体任务的表现,同时降低完成任务所需的输出 To

    来源 AI 行业观察
  3. OpenAI发布GPT-6.2 Astra:性能超Claude Fable 5.2,成本仅5%

    OpenAI在Anthropic上市前夕"精准狙击",推出GPT-6.2 Astra与Sol双模型。GPT-6.2 Astra定位于复杂专业工作场景,涵盖金融建模与科学研究等领域,在多步骤专业工作基准测试中的得分较Claude Fable 5.2高出5.5分,而成本仅为后者的5%。GPT-6.2 Sol面向日常任务,成

    来源 华尔街见闻
  4. OpenAI发布GPT-6.2 Astra:性能超Anthropic,API降价20%

    OpenAI推出旗舰模型最新迭代版本,在性能提升的同时大幅降低使用成本,并在多项基准测试中超越竞争对手Anthropic的顶级模型。此次发布的GPT-6.2 Astra定位于复杂专业工作场景,涵盖金融建模与科学研究等领域,同步推出的GPT-6.2 Sol则面向日常任务。OpenAI表示,GPT-6.2 Astra在多步

    来源 腾讯网
  5. GPT-6.2 Astra/Sol来了!首破自进化红线,OpenAI历史性一夜

    新智元报道 真是猝不及防!刚刚,OpenAI正式发布GPT-6.2 Astra和GPT-6.2 Sol。API定价上,Astra单价直降20%,输入8美元、输出40美元/百万Token,Sol则保持输入2美元、输出10美元/百万Token。好消息是,每月200美元的Pro用户终于能用Sol的Ultrafast极速模式了

    来源 腾讯网
  6. 英伟达董事会拒黄仁勋回归;灵晟蝉联超算榜首;GPT-6.2双模型发布

    “IT早报”时间,大家好,现在是 2026 年 11 月 18 日星期三,今天的重要科技资讯有: 1. 英伟达董事会主席明确表态:无意让黄仁勋回归重新担任 CEO 英伟达新任董事长哈维・琼斯在财报电话会议上表示,黄仁勋因个人行为违反公司准则辞任,董事会一致接受辞呈且无意让其回归。此前黄仁勋曾表态愿意重返公司出任 CEO

    来源 AI 行业观察
  7. OpenAI发布GPT-6.2 Astra与Sol:API缓存输入降价60%

    11月17日,OpenAI发布两款升级主力模型GPT-6.2Astra与GPT-6.2Sol,人工智能竞争再进一步。二者定位不同:Astra主攻专业深度,Sol领跑日常效率,覆盖专业工作与日常任务场景,并在API使用成本上显著优化。OpenAI以“双核驱动”满足不同用户需求,推动新一代智能引擎落地。

    来源 AI 产业速递
  8. OpenAI开放内部接受四家机构审查,最大RL训练成重点

    传了好久的GPT-6.2 Astra,至今还是没影儿。 就在全网盯着OpenAI憋大招时,硅谷等来了一个更出人意料的消息。 今天,OpenAI竟把四家外部机构,请进了自家内部「查岗」! 他们分别是,METR、Apollo Research、Transluce和Goodfire。 与以往不同,OpenAI罕见开放了部分内

    来源 AI 行业观察
  9. OpenAI补全粒子物理标准模型?GPT-6 Astra主导核心证明

    刚刚,OpenAI「补全」了粒子物理标准模型? 针对一个50多年来悬而未决的物理问题,GPT-6 Astra为加州大学圣塔芭芭拉分校UCSB物理学家Nathaniel Craig提供了「实质性」帮助。 作为OpenAI科学博客首篇客座文章作者,物理学家Nathaniel Craig介绍,他与GPT-6 Astra合作,

    来源 AI 行业观察
  10. Astra for Law登顶LAB-AA:20.8%全通过率,幻觉率0.03次

    OpenAI于2026年11月17日发布Astra for Law 6.2,这是一个基于GPT-6.2 Astra的法律专项配置。在Harvey与Artificial Analysis联合开发的LAB-AA v1.1基准中,该模型以20.8%的全任务通过率位列第一,覆盖24个法律执业领域的120项私有任务,材

    来源 AI 科技快讯
  11. GPT-6 Astra仅对26.7%:Visual Cipher Bench为何难住顶级AI?

    修 bug、写功能、跑长任务…… 今天的 Agent 几乎都能做。因为要求有文字说明,做错了有测试报错。那如果规则只画在图里呢?一张黑白线稿,几个编号,几条箭头。没有题干,没有选项,做对做错也没人告诉你。所有线索都在图里,很难转成文字,只能反复看图、提假设、再回到图里验证。这就是长程视觉推理。8 个前沿模型、3480

    来源 腾讯网
  12. 微软推出 Decision-1.1:决策基准拿 68 分,跑赢 GPT-6 Luna

    微软17日推出决策模型Microsoft-Decision-1.1,已登陆Microsoft Foundry、OpenRouter和Vercel。它不闲聊,专攻企业软件高频决策:路由、分类、内容核验与工作流控制。模型只在开发者规则内从允许操作中选答案,并输出校准置信度;信息不足时弃权或提示人工介入,避免关键业务风险。评

    来源 AI 产业速递
  13. 微软网安 AI 模型 MAI Cyber 2 Flash 登场:性能比肩 GPT-6 Astra

    IT之家 11 月 18 日消息,微软 AI 部门于 11 月 17 日发布全新专用安全模型 MAI Cyber 2 Flash,定位为面向企业安全团队的“高性价比”网络安全 AI。该模型旨在帮助安全人员全天候发现软件漏洞、推荐修复方案并调查网络威胁,同时显著降低大规模使用 AI 的算力与成本。微软称,MAI Cybe

    来源 腾讯网
  14. GPT-6可零样本操控机械臂:多校联合发布RoboRisk安全基准

    新智元报道 近年来,多模态基础模型凭借规模化带来的泛化能力,越来越多地被用作机器人的「大脑」,负责任务规划和动作决策。GPT-6 Astra发布后,研究者发现它可以零样本控制机械臂,甚至完成绘画这样的复杂任务;GPT、Claude、Gemini、Grok等主流模型都已支持即插即用的机器人控制。智能体机器人(agenti

    来源 腾讯网
向下滚动自动加载更多