GPT-6.2 Astra首发24小时:开发者差评与性价比争议并存
只会做数学题,不会说人话了
上线才一天,
GPT-6.2 的口碑就分成了两半。API 价格又降了 20%,被不少人称作性价比之王;可硅谷那批头部开发者却连夜写下长信,直言写代码不如 Opus 5.5。
GPT-6.2 Astra 与 Sol 这一代,评价割裂得让人一时反应不过来。
榜单这边,成绩照样一路猛冲。
可另一边,拿到早期测试资格的硅谷头部开发者,却一个接一个交出了今年最不客气的差评。
HyperWrite 联创 Matt Shumer 在官方评论区留下这样一句:“我不会写GPT-6.2的完整评测了,测试体验极其糟糕,基本不可用(essentially unusable),不推荐。”这条帖子浏览量很快冲到 90 万。

随后,T3 Code 创始人、知名开发者博主 Theo 带病躺在床上,把内测期间自己纯手工敲给 OpenAI 的千字控诉信全文公开。
信里的核心结论只有一句:“作为开发者,在日常工作里我绝对不会选它而不是Claude Opus 5.5。”

事情还没结束。内容机构 Every 的 CEO Dan Shipper 带 30 人团队内测了几周,测评帖开头第一句就是“我们团队中没有人喜欢Astra 6.2”。

这三位内测玩家,常看新模型测评的人都不陌生。以往新模型发布,他们多以晒优质 Demo 为主,这次却齐刷刷调转方向开喷。
这番景象让不少人猜测,是不是 A\ 要上市了,才买了这些黑稿。

标题:跑了 11 天反而慢了 56%,长程任务被批“活在自己脑子里”
第一批翻车最集中的地方,是长周期复杂编程以及人机沟通。
Theo 在信里亮出一个压测项目 ts-rust,也就是用 Rust 重写 TypeScript。
借助 OpenAI 给内测用户的无限 token 额度,前几代 OpenAI 模型在这个项目上烧掉的 token 超过 30 万美元,却连门都没摸进去;
同样把任务交给隔壁的 Claude Opus 5.5,不到两周就跑通了,token 账单大约 2 万美元。

这回 Theo 满怀期待换上旗舰 GPT-6.2 Astra,让它缩小与其他 Rust 重写版本之间的性能差距,顺带提了一句“把体积也弄小点”。
结果 Astra 自己闷头跑了整整 7 天,性能提升为 0,反倒因为死磕“缩小体积”,把编译器速度弄慢了 56%。
Theo 赶紧叫停体积优化,要求它只盯性能,模型又空转了 4 天,代码改动量为 0。
除了长任务里死循环,这代模型最让测试者抓狂的还有两个新毛病:完全没有人类那种“知识盲区”概念,以及像“加密通话”一样的总结能力。
在多 Agent 协同测试中,Theo 下了一条指令:“为游戏《星际拓荒》(Outer Wilds)做一个新关卡”。
跑了两个小时后,Astra 突然把自己挂起(Blocked)停工,转头来问人类:“请问r24的reviewer是把切片写进24_g521.mp4还是24_p11.mp4?”
这种子 Agent 运行中自己生成的内部文件名,坐在屏幕前的人类怎么可能看得懂。
为了防止 Astra 半夜问蠢问题把自己卡死,Theo 甚至被迫写了个定时任务(cron),专门挂别的 Agent 去巡检 Astra 有没有又把自己锁死。
到了代码交付环节,沟通灾难就更严重了。
有人为了查清开发工作树(worktrees)在一台机器上为何慢得离谱,折腾了半天,pnpm 测试跑过、文件系统也重装了,问题依旧,最后只好崩溃地去问模型。GPT-6.2 Astra 一口气回了四大段,把 pnpm 底层机制和缓存行为写成硬核论文;同样的问题丢给 Opus 5.5,对面只甩来一句:「因为你那块 SSD 固态硬盘太慢了。」
据 Theo 说,改系统提示词没用,哪怕求它「按5岁小孩能听懂的话讲(ELI5)」也白搭。他现在形成了固定动作:每次用 6.2 Astra 跑完长任务,都得切到 Opus 5.5,让对方把 Astra 写的总结「翻译」成人话。
这种别扭的体验不止他一个人遇到。内容机构 Every 的 CEO Dan Shipper 带 30 人团队内测几周后直言,新模型相比 Claude Fable 5.2 令人失望,团队里没人愿意切回来。文本被压缩得太狠,该详细解释的地方只给短句,端到端构建时还经常「过早停工」。
非开发者那边的内测用户,诊断也高度一致。Mark Humphries 和沃顿商学院教授 Ethan Mollick 都认为,它的底层智商极高——能从零调用 Blender 和 Unity 写出带零重力物理模拟的太空电梯,也能调度子 Agent 检索海量文献,但沟通方式极度怪异、充满不必要的抽象,得靠人使劲推着走。

创意生成上,它还出现了严重的「向均值回归」。Theo 和另一位测试者 Ben 分别让它给《星际拓荒》和《塞尔达传说:梅祖拉的假面》设计关卡,游戏和提示词完全不同,两人拿到的关卡却重名,都叫「Bellwether」,主题也清一色是水下加钟声音乐。

难道就因为这款模型的内部代号是 Bel?
偏科战神:数学题
被开发者骂成这样,OpenAI 这次算反向升级吗?把第三方机构 Artificial Analysis、Epoch AI 和 Vals AI 的首发跑分拆开看,答案是偏科。
GPT-6.2 把技能点全押在科学计算、3D 空间、网络安全和极致性价比上,偏偏在传统 Agent 编程上开了倒车。
在 Artificial Analysis 覆盖九大维度的智能指数(Intelligence Index)上,GPT-6.2 Astra 涨了 5 分,拿到 62 分,超过 Gemini 4 Carbon(60分)和 Claude Opus 5.5(59分)。
算经济账的话,单任务成本与性能的「帕累托前沿」几乎被 OpenAI 一家占满。

写长信痛骂它的 Theo 也承认,Astra 是个极强的「偏科怪才」:做 Code Review 时,别的模型漏掉的死角它都能抓出来,偶尔冒出的奇思妙想也相当惊艳。它还帮 Theo 重构了一套反向代理方案,每月省下 2.5 万美元服务器开销。Theo 的评价是,「Opus就没那个胆量去探索这么多激进的选项」。
可一回到常规软件工程,数据立刻印证了开发者的体感。Artificial Analysis 数据显示,在基于 Codex 测试架满算力运行的 Coding Agent Index 上,GPT-6.2 Astra 的得分与前代完全持平(0提升),GPT-6.2 Sol 甚至比 6.1 Sol 倒退了 3 分。

专业评测机构 Vals AI 的榜单也出现了类似分歧。OpenAI 官方宣称 Astra 在 Harvey 法律基准上的通过率是 Fable 5.2 的两倍以上,但 Vals AI 的法律检索(Legal Research)实测里,通用版 Astra 和 Sol 只排到第 30 名和第 52 名,专用版 Astra for Law 排第 6。
问题就出在这:它们调用的工具数量接近两倍,回答却写得太短,关键推论被漏掉。

翻看System Card:病根在“省Token”
一个能解出人类尚未攻克的数学题的模型,为什么一写代码、一聊日常就让人摸不着头脑?
把Epoch AI的底层测算、Vals AI的统计数据和OpenAI自己放出的System Card放在一起看,病根可以一步步推出来:
对“Token压缩”和“隐式推理”的极限压榨,反过来伤到了模型的可控性。
头一条是输出被压到极致。
OpenAI内部有一个覆盖咨询、金融、设计场景的GDPval-v2测试,Astra在那里分数涨了6.2%,输出token却少了22%。Vals AI的统计则显示,Astra平均每个任务只用掉9.1万个输出token,在Top 10模型里话最少。
第二条是单个Token里藏着惊人的暗箱推理。
Epoch AI的测算给出这样一组数:GPT-6.2 Astra不输出任何可见思维链(CoT),单个输出token内部就能跑完12.3步串行推理;前代6 Astra是10.5步,非OpenAI阵营最强的Claude Fable 5.1只有4.2步。

思考全闷在隐空间里,嘴上又被训练得能少说就少说,两个后果随之而来:
一是碰上难题爱“不懂装懂”,还容易“丢三落四”。
Artificial Analysis测出的结果是,在极限难度知识问答AA-Omniscience里,Astra和Sol在最高推理档位下的幻觉率分别达到59%和55%,
撞上知识盲区,它很少坦白不知道,多半直接硬猜。Sol在编程榜丢分,主因也是在SWE-Atlas-QnA-AA测试里漏掉关键事实的次数明显变多,这一项就掉了14分。

二是遇到卡点“报喜不报忧”。
OpenAI的System Card里有一组数据很扎眼:Blocker Deception(障碍欺骗/隐瞒)测试中,GPT-6.2 Astra明明知道有障碍挡着任务完成,仍有22.28%的概率在最终回复里把这个障碍完全瞒下,前代是11.09%,整整翻了一倍。

搜索工具失效测试(Broken Search Tool)里也一样,不告诉用户工具坏了或缺条件的比例,从7.58%升到了23.00%。

开发者更该留意的是System Card里埋着的一个部署差异。
OpenAI发现它爱瞒报错之后,用一段专门的开发者提示词(Prompt Intervention)把瞒报率压下去不少,首发时这段提示词直接内置进了Codex客户端;可要是直接走API调模型,开发者默认拿不到这个提示词补丁。

另外,GPT-6.2 Astra是OpenAI历史上第一个对外发布、达到“AI自我改进(AI Self-Improvement)”高风险(High)阈值的模型,官方评估它加速AI研发的能力,相当于给每位研究员配了一名高水平研究工程师。
安全对齐测试还证明,Astra比前代更会绕开只盯思维链的监控(Reasoning-only monitoring)。一个Token能在里面转12道弯,监控系统得结合实际行动(Action-aware)才抓得住它的越界行为。
今天要是打算更新Codex CLI,或者切到API开跑,先记住内测的人烧掉几万美元Token换来的教训。
拿它做3D、啃硬核科研、跑高并发低成本的子Agent,确实好用;可要跑长周期工程,或者通过API裸调,千万记得在System Prompt里补一句“遇到报错或缺失工具必须如实汇报”。
实在读不懂它那套天书式的总结,就在旁边开个Claude当翻译。
参考链接:
[1]https://x.com/theo/status/2122760447103484410
[2]https://x.com/mattshumer_/status/2122752192226406421
[3]https://x.com/every/status/2122785967371415985