GPT-6.2 Astra 发布即惹争议:跑分第二,实测到底行不行?
最聪明的 AI,未必是最实用的 AI
OpenAI 大概没料到,费心打磨的新模型刚一露面,就先被卷进了一场吵得挺凶的舆论风波。
今天凌晨,
GPT-6.2 Astra 与 GPT-6.2 Sol 正式亮相,官方打出的卖点是专业工作能力更强、Token 效率更高,使用成本也进一步压低。

官方给出的成绩显示,新模型在编程、科研、专业办公、3D 设计等方向都有不错表现,有些任务的完成成本甚至压到了上一代的三分之一以下。
可到了首批开发者的实测环节,GPT-6.2 的口碑却明显分成两派。我们也第一时间上手试了试,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
这次发布的两款模型分工不同: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,覆盖日常办公、编程以及多步骤 Agent 工作。
在考察长周期、多步骤专业任务的 Agents' Last Exam 测试里,GPT-6.2 Astra 比上一代多出 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%。

科研方面的能力也往上走了一截。Terminal-Bench-Science 0.1 测试中,Astra 比上一代提升 9 个百分点,OpenAI 甚至称它是眼下最适合科学家的模型。

第三方评测机构 Artificial Analysis 的数据也能作个参照:GPT-6.2 Astra 在综合智能指数里排第二,只落后 Claude Fable 5.2,但 Coding Agent 指数与上一代打平,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 开始把重点放在展示模型怎么把真实工作做完。
举个例子,给 Astra 一张 PPT 截图,它能照着原来的布局、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。
在 OpenAI 内部的 GDPval v2 评测中,Astra 比上一代高出 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,成本大约是后者的六分之一。

更让人意外的,是 GPT-6.2 在 3D 设计和机械工程上的长进。
OpenAI 拿出的案例包括:Astra 在 Blender 里模拟汽车悬架运动、制作遥控赛车装配动画,还照着芝加哥 Marina City 大楼的阳台设计做出了实体纸灯。
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 明显进步。开发者 eric provencher 展示了 Astra 按参考图做的精细 3D 演示程序,还能直接通过 WebGPU 在浏览器里运行;


Synopsis 则拿它搭出了一座接近真实、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挺逼真。

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,但离惊艳差得还不小。


至于主打效率的 GPT-6.2 Sol,在 FrontierCode 2.0 编程测试中跟 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 输入和输出价格较上一代降了 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,ChatGPT Work 与 Codex 的 Plus、Pro、Enterprise、Edu 用户已经可以用上这两款模型,API 同步开放,Ultrafast 模式也头一回向 Pro 200 用户开放。

落到真实任务上,成本差距同样扎眼。
开发者 Tony 用同一段高山水上飞机提示词做对比:GPT-6.2 Sol 跑了约 31 分钟,花了 2.07 美元;Claude Opus 5.5 用了约 2 小时 46 分钟,账单 31.85 美元。

换到冰川渔船那组场景,Astra 约 41 分钟完成,费用 8.20 美元;Claude Fable 5.2 花了 81.10 美元,耗时接近两小时。

专业工作、3D 设计再到价格,OpenAI 拿出的数据相当好看。可开发者真正上手之后,感受比跑分复杂得多。
最聪明的 AI,未必是最实用的 AI
GPT-6.2 上线没多久,几位提前拿到体验资格的知名开发者就接连泼了冷水。
AI 开发者 Matt Shumer 在 X 平台上说得很直接:他不会给 GPT-6.2 Astra 和 Sol 写完整评测,原因是之前的测试体验太差,两款模型基本没法用。
Every 联合创始人 Dan Shipper 的团队也提前跑了几周,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,过度追求简洁,需要展开解释的问题常常只给很短的答复;编程水平和上一代差不多,却老在真实项目里提前收工;设计上审美不错,但生成的作品容易高度雷同。
火力最猛的还是知名开发者 Theo。
他说,GPT-6.2 Astra 表现太糟,自己专门花了一整天给 OpenAI 写投诉信。模型在长任务里经常突然停下来,追问用户内部文件该怎么命名这类无关紧要的事;有个 TypeScript 转 Rust 的项目,它连着跑了 11 天,没带来有效改进,还一度把编译器速度拖慢了 56%。
让 Theo 更头疼的是,Astra 往往能写出像样的代码,却讲不清自己到底做了什么。
有一回他问某台电脑为什么变慢,Astra 给了四段复杂的技术分析,Claude Opus 5.5 则直接点出是 SSD 太慢。现在他干脆习惯让 Claude 来解释 Astra 的产出。
有点讽刺的是,Theo 也承认 Astra 在代码审查、3D、游戏开发和计算机操作上很能打,甚至帮他设计过一套反向代理方案,预计每月省下 2.5 万美元。可这些优点,还是不够让他把 Astra 当成日常开发工具。
开发者 Flavio Adamo 同样认可 Astra 的 3D 能力,但提到它在 前端开发 中常按自己的设计风格来,没法自然接上现有项目的视觉规范。
类似反馈还出现在更多实测里。aipulsedaily 测完曼哈顿 3D 场景后说,Astra 能把场景做出来,可速度极慢,镜头移动拖沓,别的任务里也常常不配合,所以正式工作还是先用 Opus 和 Fable。
这几位开发者的不满其实指向同一类毛病:长任务莫名中断、执行跑偏、沟通解释费劲,以及对用户要求的遵循不够。
不过,提前体验者 Pietro Schirano 看法不一样。他觉得不少问题出在外围 Agent 执行框架 Harness 上,把相关框架拿掉后,Astra 的表现明显好转。
OpenAI 在官方博客里也承认,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。目前他们已通过调整 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 跑了三组测试,还是老三样: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。
三个项目从基础图形开发一直覆盖到复杂交互场景。就我的体验而言,GPT-6.2 Astra 远没有网上说得那么不堪,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,一次任务可能跑上数小时甚至数天,模型得自己规划、调用工具、处理障碍,任何一次判断失误,用户都要多掏时间和 Token 成本。
Theo 碰到的文件命名问题,放在普通聊天里不过是无关紧要的一问;可对一个已经跑了两小时的 Agent 来说,这就意味着任务被迫中断。
模型一个劲烧 Token 去改程序体积,用户真正想要的速度提升反倒没人管。自主执行能力越强,一次错误决策的代价就越高,这两件事说的其实是同一个理。
OpenAI 这次把 GPT-6.2 的成本优势讲了一遍又一遍。可真实项目花多少钱,还得看模型能不能准确理解目标、少做重复动作、交出符合要求的成果。
单次推理的价格是降了,项目整体却可能被反复试错拖得更贵。
模型能力越来越多元,单看一个场景的表现,已经很难代表它的整体水平。
还是那个 GPT-6.2 Astra:在 3D 生成上它能拿出让人惊艳的结果,放到长时间编程任务里又可能原地绕圈。有人嫌它的交互体验让人抓狂,也有人觉得它的成本效率足以改写自己的工作流程。
任务不同,对模型能力的要求本来就不同,用户判断模型好坏的标准自然会出现分歧。
围绕 GPT-6.2 的这场争议,正好照出大模型竞争正在起的变化。
前几年,厂商们忙着证明自家的 AI 比对手更聪明。现在 Agent 进了真实工作流程,用户盯的是它完成任务时的效率、成本和可靠性。
普通用户与其被社交平台上最激烈的那些评价牵着走,不如把模型放进自己的实际场景里,看它到底能干成多少事。最聪明的模型未必最实用,最实用的模型也不必证明自己最聪明。