GPT-6.2 Astra发布即遇差评:跑分与实测定价怎么看
OpenAI发布GPT-6.2 Astra和GPT-6.2 Sol两款模型,主打专业工作能力与更低成本
OpenAI 大概没料到,自家花心思备好的新模型,上线当天就卷进一场不小的舆论争议。
今天凌晨,
GPT-6.2 Astra 与 GPT-6.2 Sol 正式亮相,卖点集中在更强的专业工作能力、更高的 Token 效率,以及更低的调用成本。

官方给出的成绩单显示,新模型在编程、科研、专业办公、3D 设计等场景里表现不俗,某些任务的完成成本甚至压到上一代的三分之一以下。
可首批开发者的实测反馈却明显分成两派。我们也第一时间上手,想看看 GPT-6.2 系列到底成色如何。
GPT-6.2 来了:跑分更聪明,价格也更便宜
两款新模型的定位并不一样。GPT-6.2 Astra 瞄准复杂专业任务,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,任务成本却不到后者的三分之一;对上 Claude Fable 5.2,它高出 5.5 分,成本只有对方的 5%。

科研方面的能力也有提升。Terminal-Bench-Science 0.1 测试中,Astra 比上一代高了 9 个百分点,OpenAI 还称它是眼下最适合科学家的模型。

第三方评测机构 Artificial Analysis 的数据可作参照:GPT-6.2 Astra 在综合智能指数里排第二,只落在 Claude Fable 5.2 后面;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 开始着重演示模型怎么把真实工作干完。
例如,给 Astra 一张 PPT 截图,它能照着原有的布局、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。
OpenAI 内部 GDPval v2 评测中,Astra 比上一代提升 6.2 个百分点,输出 Token 少了 22%;Harvey LAB-AA 法律工作评测里,它的任务通过率是 Claude Fable 5.2 的两倍多,成本约为后者的六分之一。

更让人意外的,是 GPT-6.2 在 3D 设计和机械工程上的长进。
OpenAI 晒出的案例包括: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实体纸灯。
Artificial Analysis 的 AA-3D 评测中,Astra 以 1318 Elo 排第一,比上一代高了 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 进步明显。开发者 eric provencher 展示了 Astra 依参考图做出的精细 3D 演示程序,还能直接通过 WebGPU 在浏览器里跑;


Synopsis 则拿它搭出一座接近真实、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相当逼真。

不过,AmirMušić 让 Astra 配合 Blender 做机械手模型和动画后觉得,实际效果还过得去,但离惊艳差得不少。


主打效率的 GPT-6.2 Sol,在 FrontierCode 2.0 编程测试中与 Astra 只差 0.5 分,成本却只有约五分之一。

定价上,GPT-6.2 Astra 的 API 输入和输出价格比上一代降了 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
现在,ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户已经能用上这两款模型,API 同步开放,Ultrafast 模式也头一回向 Pro 200 用户放开。

落到真金白银上,差距一样扎眼。开发者 Tony 拿同一个高山水上飞机提示词做了对比:GPT-6.2 Sol 跑了约 31 分钟,花掉 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 用 8.20 美元、约 41 分钟收工,Claude Fable 5.2 则烧掉 81.10 美元,耗时接近两小时。

专业工作、3D 设计再到价格,OpenAI 这份成绩单看上去相当漂亮。可开发者真正上手之后,感受远比跑分复杂。
最聪明的 AI,未必是最实用的 AI
模型上线没多久,几位提前拿到体验资格的知名开发者就接连泼冷水。AI 开发者 Matt Shumer 在 X 平台上把话说得很直:他不打算对 GPT-6.2 Astra 和 Sol 做完整评测,原因是前期测试体验太差,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,过分追求简洁,本该详细解释的问题常常只给很短的答案;编程水平和上一代差不多,但在真实项目里动不动就提前停工;设计上审美在线,作品却容易高度雷同。
骂得最凶的是知名开发者 Theo。他说 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,问用户内部文件该怎么命名之类无关紧要的事;有个 TypeScript 转 Rust 的项目,它连跑 11 天没拿出有效改进,期间还让编译器速度掉下去 56%。
让 Theo 更头疼的是,Astra 往往能写出不错的代码,却讲不清自己干了什么。有回他问某台电脑为什么慢,Astra 甩出四段复杂的技术分析,Claude Opus 5.5 则直接点明是 SSD 太慢。现在他干脆习惯让 Claude 来替他解读 Astra 的产出。
有点讽刺的是,Theo 也认账:Astra 在代码审查、3D、游戏开发和计算机操作上确实出色,还帮他设计过一套反向代理方案,预计每月能省 2.5 万美元。可这些优点还是不够,他依然不会把它当成日常开发工具。
开发者 Flavio Adamo 同样觉得 Astra 的 3D 能力很优秀,问题出在前端开发——它常自作主张套用自己的设计风格,接不上现有项目的视觉规范。aipulsedaily 在曼哈顿 3D 场景测试后也说,Astra 能把场景做出来,但速度极慢,镜头移动拖沓,其他任务里也常常不配合,正式工作还是优先用 Opus 和 Fable。
这几位开发者的不满其实指向同一批毛病:长任务异常中断、执行跑偏、解释沟通费劲,对用户要求的遵循也不够。
不过提前体验者 Pietro Schirano 看法不同。他觉得不少问题出在外围 Agent 执行框架 Harness 身上,把相关框架拿掉之后,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。
褒贬不一的声音看下来,我拿 GPT-6.2 Astra 也做了三组测试,还是第三人称水下探索游戏、动画风乡村骑行体验,外加一个基础 WebGL 交互场景,重点看它处理复杂需求、搭 3D 场景和理交互逻辑的本事。
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,GPT-6.2 Astra 远没有网上传的那么差,首发之后的舆论更像是差评被集中放大了。
说到底,Agent 如今开始参与软件开发、专业设计和科研工作,一次任务可能跑上几小时甚至几天,模型得自己规划、调工具、处理障碍,哪一步判断错了,用户都得额外搭上时间和 Token。Theo 碰到的文件命名问题,搁普通聊天里不过是个无关紧要的提问,可对已经跑了两小时的 Agent 来说,就是任务被迫中断。
模型为了把程序体积压小,会一直烧 Token,可用户真正想要的性能提升反倒被放在一边。自主执行的能力越强,一次错误决策要付的代价就可能越大。
OpenAI 这回一再讲 GPT-6.2 的成本优势。不过放到真实项目里,花多少钱还要看模型能不能准确理解目标、少做重复动作,最后交出符合要求的结果。
单次推理的价格是降了,项目整体却可能因为反复试错变得更贵。
模型能力越来越多样,单看某一个场景的表现,已经很难代表它的整体水平。
还是 GPT-6.2 Astra,做 3D 生成能拿出让人惊艳的结果,放到耗时较长的编程任务里又可能来回兜圈子。有人觉得跟它交互的体验让人抓狂,也有人认为它的成本效率足以改变自己的工作流程。
任务不同,对模型能力的要求本来就不同,用户判断一个模型好不好,出现分歧也很自然。
GPT-6.2 引起的争议,正好照出大模型竞争正在变的地方。前几年,厂商们忙着证明自己的 AI 比对手更聪明;现在 Agent 进了真实工作流程,用户更在意的变成了它完成任务时的效率、成本和可靠性。
对普通用户来说,与其被社交平台上最激烈的评价牵着走,不如把模型放进自己的工作实际里,看它到底能做成多少事。最聪明的模型未必最实用,最实用的模型也未必需要证明自己最聪明。