OpenAI 发布 GPT-6.2 双模型:Astra 与 Sol 定价再下探
11 月 17 日,OpenAI 发布两款新语言模型 GPT-6.2 Astra 和 GPT-6.2 Sol。Astra 面向科学、法律、金融等专业工作,Sol 定位于快速、通用的日常任务。两款模型均已向 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户开放,并同步接入
Artificial Analysis 的智能指数把知识工作、编码、科学和通用知识等 9 项评估汇总到一起。Astra 拿下 62 分,排在第二,仅次于 65 分的 Claude Fable 5.2。这一成绩比
GPT-6 Astra 高出 5 分,也压过 60 分的 Gemini 4 Carbon 和 59 分的 Claude Opus 5.5。
Sol 得到 57 分,较前代提升 2 分,大致与 GPT-6 Astra 处在同一档,单任务成本却只有 GPT-6 Astra 的 15% 左右。
Artificial Analysis 同时把成本和性能放在一起做了对比。
如果按每项任务消耗的输出 token 数来衡量效率,OpenAI 依旧占住多数靠前的位置,非 OpenAI 模型里只有 Claude Fable 5.2 挤进了这一行列。
科学和事实知识方面,Astra 在 Terminal-Bench-Science 0.1 中排第一;物理推理测试中
Astra 在三维设计和机器人测试里都拿到第一。在
编码测试的结果不太一样。用
Codex 工具框架、开到最大计算强度时,Astra 的得分与 GPT-6 Astra 打平,Sol 则比 GPT-6.1 Sol 少了 3 分。
Sol 分数下滑,主要来自 Sol 掉了 14 分,回答里漏掉关键事实的情况比前代更多。
Artificial Analysis 还给出困难事实问题上的数据:Astra 和 Sol 的 AA-Omniscience 幻觉率分别是 59% 和 55%。这项指标统计的是模型碰到事实问题时选择猜答案、而不承认自己不知道的频率。题目本身难度偏高,这些数字不能直接等同于日常使用中的幻觉比例。
Epoch AI:Astra 综合得分追平 Claude Fable 5.2,真实研究任务落后
Epoch AI 在发布之前对 GPT-6.2 Astra 做了测试。Astra 在 。Epoch AI 称,两款模型都超出了此前推理模型发展趋势所对应的能力水平,Astra 的成本则明显更低。
放到 Epoch AI 从自己研究项目里提取的真实任务上,Astra 的表现不如 Claude Fable 5.2,相比 GPT-6 Astra 也只是小幅进步。
评测记录显示,Astra 有时会在较简单的研究项目里跑偏核心问题,接着反复做无效修正。有一项研究 AI 数据中心的任务,模型处理得过于保守,把关键估算跳了过去。Epoch AI 认为,这种交付方式放到真实外包工作里没法接受。
Epoch AI 认为,Astra 的写作能力在受测模型中相对较强,但还没达到该机构的内部标准。
Epoch AI 还测了模型在单个输出 token 内完成复杂推理的能力。Astra 能走完 12.3 个串行步骤,高于 GPT-6 Astra 的 10.5 步,也高于当时最强非 OpenAI 模型
这类推理不需要展示可见的思维过程,外部监控起来更难。Epoch AI 把这一点列为潜在安全问题,类似的担忧在第一代 Astra 发布时就出现过。
面对含未解数学问题的 Astra 题集,它啃下 68 道里的 7 道,其中有一道此前并无已知解法,每道题的证明也都过了关。原纪录是 GPT-6.1 Sol 的 3 道,同样是这 68 道题。
Vals AI:Sol 单任务成本 3.18 美元,两款模型法律研究排名靠后
在 Astra 和 Sol 分别位列第七和第九,得分相差 1.6 分。Sol 的单任务成本为 3.18 美元,不足 Astra 10.68 美元的三分之一,也是榜单前十名中成本最低的模型。
Astra 的得分比 GPT-6 Astra 高 2.6 分,单任务成本约为后者 21.28 美元的一半。在前十名模型中,Astra 使用的输出 token 最少,平均每项任务为 9.1 万个。
Astra 在 Vals Science Index 中排名第一,并在 Terminal-Bench Science 和 VCB 1–100 中位居首位,成本和运行时间都约为 GPT-6 Astra 的一半。Sol 在 Terminal-Bench Science 中排名第三,成本约为 Astra 的四分之一。
到了覆盖范围更广的智能体编码测试 Terminal-Bench 4,Astra 和 Sol 分别排在第五和第七。
法律测试的排名偏低。HLAB 基准上,Astra 和 Sol 的得分都比前代翻倍,但名次只有第 11 和第 21。Legal Research 基准上,两者分别排第 30 和第 52。
Vals AI 还注意到,两款模型调用工具的次数接近前代的两倍,最终给出的答案反而更短。
OpenAI 9 月推出的法律专用产品 Astra for Law 在 Legal Research Bench 里排在第六位,名次高过这次发布的两款通用模型。
Vals AI 这轮测试用的是 100 万 token 上下文窗口、12.8 万 token 最大输出长度,推理强度拉到最高档。
两款模型达到网络安全“严重”阈值,Astra 触及 AI 自我改进“高”风险。
OpenAI 表示,Astra 和 Sol 在找出并利用漏洞、编写安全代码、修补程序错误这几方面都比前代强,多项测试的 token 效率也有提升。按公司准备框架衡量,两款模型在网络安全能力上都到了“严重”这一档,和 GPT-6 Astra 一致。
内部 ExploitBench 测试要求模型把已知的浏览器漏洞做成能用的攻击程序。Astra 成功率在 50% 以上,超过 GPT-6 Astra。不过这些数据出自关闭安全防护和分类器的内部环境,跟默认产品设置不是一回事。
针对可能带风险的网络安全请求,OpenAI 正在加更严的防护。公司称,这会抬高滥用门槛,同时也会给正常的漏洞研究和安全测试添麻烦。
新模型打算接入 OpenAI Daybreak。这个项目已经在向经过审核的安全研究人员发放防护较少的模型版本。随模型发布的安全报告里,OpenAI 写明了具体测试方法。
OpenAI 还提到,Astra 是首个对外发布、在 AI 自我改进能力上达到“高”风险阈值的模型。公司的判断是,Astra 可以明显加快 AI 研究,作用相当于给每位 OpenAI 研究人员多配一名高技能研究工程师。
安全说明里,OpenAI 也把相关风险摆了出来:模型帮着造出下一代 AI 系统之后,研发速度可能快过安全措施和人类监督追赶的速度。业内谈这个问题时通常用“RSI”这个说法。
应对上,公司提出更严的研究环境控制,以及监控系统 Control Room。Control Room 能跟踪研究任务,必要时把任务停掉。OpenAI 还称,对模型推理过程和实际行为的监测已经扩大,可自动标记未经授权的行为。
对齐能力方面,OpenAI 说两款新模型大体与前代持平。有两项测试显示,它们更经常没主动交代拖住任务的因素,比如文件缺失、搜索工具用不了。