OpenAI 發佈 GPT-6.2 Astra 和 GPT-6.2 Sol,稱兩者基準測試提升並下調 Astra API 價格
OpenAI launches GPT-6.2 Astra and Sol with lower API prices and some benchmark gains
OpenAI 發佈 GPT-6.2 Astra 和 GPT-6.2 Sol,分別面向專業工作與日常用途,並稱兩者基準測試成績均勝過前代。
多家第三方評測呈現不同側面,Astra 在科學與成本效益項目表現突出,但編碼成績停滯,法律測試亦顯示其表現較弱。
OpenAI 推出兩款新語言模型。GPT-6.2 Astra 適用於要求嚴苛的專業工作,GPT-6.2 Sol 則為日常用途而設。OpenAI 表示,兩款模型在基準測試中的表現均勝過前代,而且運行成本更低。
GPT-6.2 Astra 和 Sol 現已開放予 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise 及 Edu 用戶使用。Pro-500 訂戶可在兩款模型上使用 Ultrafast 模式。Pro-200 訂戶亦首次獲得 Ultrafast 使用權,首先適用於 GPT-6.2 Sol。
開發者可透過 OpenAI API 使用兩款模型。OpenAI 表示,GPT-6.2 Astra 的 API 定價比前代便宜 20%,每百萬個輸入 token 收費 $8、快取輸入 token 收費 $0.40、每百萬個輸出 token 收費 $40。GPT-6.2 Sol 沿用 GPT-6.1 Sol 的定價,每百萬個輸入 token 收費 $2、快取輸入 token 收費 $0.10、輸出 token 收費 $10。
OpenAI 稱 Astra 是「全球最適合科學家使用的模型」,並稱其能製作精美簡報
OpenAI 訓練 GPT-6.2 Astra,讓它更可靠地遵循法律、金融和會計等領域的專業慣例。公司表示,簡報會沿用範本的版面配置、顏色和字體設計,並準確配合字體大小。簡報頁標題應概括該頁的重點,而內文則應聚焦重要細節。
OpenAI 的公告大力強調其模型的性價比。OpenAI 表示,在測試多步驟專業工作流程的基準測試 Agents' Last Exam 中,GPT-6.2 Astra 的分數比前代 GPT-6 Astra 高 5.2 分,成本不到其三分之一。它以僅 5% 的成本,領先 Anthropic 的 Claude Fable 5.2 5.5 分。只有 Google 的 Gemini 4 Carbon 在這項基準測試中跟得上 Astra。

OpenAI 表示,在 Harvey LAB-AA 這項法律基準測試中,GPT-6.2 Astra 的通過率是 Claude Fable 5.2 的兩倍以上,成本約為其六分之一。這項基準測試涵蓋合約條款分析等任務。在涵蓋顧問、金融和設計任務的內部基準測試 GDPval-v2 中,OpenAI 表示,Astra 比前代高出 6.2 個百分點,同時少用 22% 的輸出 token。
OpenAI 表示,電腦操作能力早已是前代模型的強項,如今更進一步提升。據報,模型在測試中建立了 3D 汽車模型、以 Python 編寫物理求解器,並在 Blender 中為結果製作動畫。在另一段示範中,模型逐個零件建立遙控車模型,並製作動畫組裝指南。
OpenAI 亦聲稱網頁設計能力有所進步。在 3D 基準測試 AA-3D 中,人類評審以盲測方式比較兩個互動體驗。GPT-6.2 Astra 以 1,318 Elo 分排名第一,高於 Claude Fable 5.2 的 1,271 分和 GPT-6.2 Sol 的 1,259 分。
OpenAI 表示,在測試終端機科學工作流程的基準測試 Terminal-Bench-Science 中,該模型的分數比 GPT-6 Astra 高 9 個百分點,成本同樣不到後者的三分之一。OpenAI 又表示,Astra 在 Vals Science Index 創下新高;這項指數衡量模型解讀生物數據和執行實驗的能力。
Sol 的表現幾乎追上最初的 Astra,成本卻僅為其一小部分
OpenAI 表示,GPT-6.2 Sol 適合需要快速、多功能模型處理日常任務的用戶。在編碼基準測試 FrontierCode 2.0 中,測試項目是程式碼修改能否達到真實專案的質素標準;Sol 的分數只比 Astra 低 0.5 分,成本則只有五分之一。OpenAI 表示,這款模型處理非工作任務的表現也不錯。

OpenAI 表示,GPT-6.2 Astra 和 Sol 在網絡安全方面也有進步。它們能更有效地找出並利用漏洞、編寫更安全的程式碼,以及提供更完善的錯誤修正方案;在多項測試中,token 效率也明顯提高。兩款模型在 OpenAI 的 Preparedness Framework 中,網絡安全項目均達到「Critical」門檻,與之前的 GPT-6 Astra 一樣。
OpenAI 正因此為可能帶來風險的網絡安全請求加入更嚴格的防護措施。OpenAI 表示,這些措施應可增加濫用難度,但也會限制正當的漏洞研究和安全測試。

OpenAI 計劃透過 OpenAI Daybreak 提供新模型;該計劃已讓經審核的安全研究人員以較少防護限制存取其他模型。已公佈的網絡安全基準測試數據來自關閉防護措施和分類器的內部測試。OpenAI 在隨附的安全報告中説明測試方法。
Astra 在 Artificial Analysis Intelligence Index 中排名第二
Artificial Analysis Intelligence Index 綜合知識工作、編碼、科學和一般知識方面的九項評估。GPT-6.2 Astra 排名第二,僅次於 Anthropic 的 Claude Fable 5.2。Artificial Analysis 表示,Astra 比 GPT-6 Astra 高五分,並超越 Google 的 Gemini 4 Carbon(60 分)和 Anthropic 的 Claude Opus 5.5(59 分)。GPT-6.2 Sol 則增加兩分,達到 57 分,與 GPT-6 Astra 的水平相同,但每項任務的成本只有約 15%。
Artificial Analysis 表示,OpenAI 在成本與效能的帕累托前沿上佔優;在這條前沿上,沒有其他模型同時更便宜、表現更佳。Anthropic 和 Meta 也有模型位於這條前沿。以每項任務的輸出 token 數量衡量效率時,OpenAI 亦佔據多個前列位置。Claude Fable 5.2 是唯一齣現在其中的非 OpenAI 模型。

Artificial Analysis 的結果印證了 OpenAI 對科學和事實知識能力的説法。GPT-6.2 Astra 在 Terminal-Bench-Science 0.1 中排名第一;在物理推理測試 CritPt v2、事實知識基準測試 AA-Omniscience,以及知識基準測試 HLE-Diamond 中,則僅次於 Claude Fable 5.2,排名第二。Astra 在 3D 設計(AA-3D)和機械人學(AA-Robotics v0.1)方面也排名第一;在機械人學測試中,Astra 得分 79,高於 Sol 的 78 和 Claude Fable 5.2 的 75。
不過,編碼方面則是另一回事。根據 Artificial Analysis 的資料,兩款模型在這方面的表現均陷入停滯。在 Coding Agent Index 中,以 Codex 測試框架和最高運算量進行評測,GPT-6.2 Astra 的表現與 GPT-6 Astra 持平。GPT-6.2 Sol 的得分則比 GPT-6.1 Sol 低 3 分。這一下跌源於 SWE-Atlas-QnA-AA 的得分下滑 14 分;相比前代,模型在回答中漏掉關鍵事實的情況更多。
Artificial Analysis 亦指出,模型的幻覺率偏高。在最高推理力度下,GPT-6.2 Astra 的幻覺率為 59%,Sol 則為 55%。這項指標名為 AA-Omniscience Hallucination Rate,衡量模型回答事實問題時,猜測而非表示自己不知道的頻率。這些問題異常艱深,因此相關數字並不代表日常使用中的幻覺率。
Epoch AI 認為 Astra 與 Fable 5.2 相若,但在真實世界任務上的表現較弱
研究機構 Epoch AI 在 GPT-6.2 Astra 推出前,使用自家基準測試進行評估。模型在 Epoch Capabilities Index(ECI)中取得 174 分,與 Anthropic 的 Fable 5.2 並列。Epoch AI 指,兩款模型的表現都高於 Astra 推出前,根據推理模型過往趨勢所作的預測。
在取自 Epoch AI 自身研究的真實世界任務中,Astra 落後於 Fable 5.2,表現也只比 GPT-6 Astra 略有進步。Epoch AI 指,Astra 在較簡單的研究項目中未能抓住核心問題,並在嘗試修正問題時徒勞打轉。在一項研究 AI 數據中心的任務中,Astra 過於保守,沒有列出關鍵估算;Epoch AI 表示,承包商不可能以這種方式交差。Epoch AI 認為,與其他受測模型相比,Astra 的寫作表現相對出色,但仍未達到該機構的標準。

Astra 有一點尤其突出:它能在單一輸出 token 內完成複雜推理,而且不會顯示思維鏈。Epoch AI 測得 Astra 有 12.3 個串行步驟,高於 GPT-6 Astra 的 10.5 個,以及當時最強的非 OpenAI 模型 Claude Fable 5.1 的 4.2 個。能以這種方式推理、卻不展示推理過程的模型更難監察;這項安全疑慮在首款 Astra 模型推出時已經浮現。
在 FrontierMath Erdős 這項未解數學問題基準測試中,GPT-6.2 Astra 解出 68 項中的 7 項,每項均由 Lean 證明助理正式驗證。舊紀錄是 GPT-6.1 Sol 創下的 68 項中解出 3 項。其中一項此前尚無已知解答。
Vals AI 認為 Astra 和 Sol 位列前十,但指出兩者在法律方面有弱項
GPT-6.2 Astra 在 Vals Index 排第 7,GPT-6.2 Sol 排第 9,兩者只相差 1.6 分。不過,兩者的價格差距很大。根據 Vals AI 的資料,Sol 每項任務收費 $3.18,不到 Astra 的 $10.68 的三分之一,是前十名中最便宜的模型。Astra 的價格也比前代低;它的得分比 GPT-6 Astra 高 2.6 分,而每項任務的成本約為前代 $21.28 的一半。Vals AI 指,Astra 在前十名模型中使用的輸出 token 最少,平均每項任務使用 91,000 個。

Vals AI 認同 OpenAI 關於其登上 Vals Science Index 榜首的説法。Astra 在該排名中領先,並在 Terminal-Bench Science 和 VCB 1–100 中排名第一,成本和運行時間約為 GPT-6 Astra 的一半。Sol 在 Terminal-Bench Science 中排名第三,成本約為 Astra 的四分之一。在範圍更廣、評估 Agent 編碼能力的 Terminal-Bench 4 中,Astra 排名第五,Sol 排名第七。
Vals AI 指出,這些模型在法律測試中的表現較弱。在 HLAB 基準測試中,Astra 和 Sol 的得分是前代模型的兩倍,但排名分別只有第 11 和第 21。在 Legal Research 基準測試中,排名跌得更明顯,Astra 排名第 30,Sol 排名第 52。Vals AI 表示,這些模型的工具呼叫次數幾乎是前代模型的兩倍,但答案較短。
OpenAI 在 9 月公佈了一款名為「Astra for Law」的專用產品。它在 Legal Research Bench 上的表現遠勝基礎模型,排名第 6。Vals AI 測試兩款模型時,均使用一百萬 token 的上下文視窗、128,000 個最大輸出 token,並採用最高推理力度。
GPT-6.2 Astra 是首個達到 OpenAI AI 自我改進「High」門檻的已發布模型
OpenAI 表示,GPT-6.2 Astra 是首個達到 AI 自我改進「High」門檻的對外發布模型。OpenAI 指出,這款模型可以實質加快 AI 研究,效果相當於為每位 OpenAI 研究人員額外配備一名技術高超的研究工程師。
OpenAI 明確指出,這是一項風險。能夠協助建構未來 AI 系統的模型,可能令這個領域的發展速度超越安全措施和人類監督所能跟上的程度。業界目前正以「RSI」這個稱呼探討這個問題。
作為應對措施,OpenAI 提到會在研究環境中實施更嚴格的管控,並使用其監察系統 Control Room,追蹤研究任務,並在有需要時終止任務。公司亦表示,已擴大監察範圍,檢視模型的推理和行動方式,並自動標示未經授權的行為。
OpenAI 表示,在對齊方面,即模型遵循用戶指示及坦誠溝通的程度,新模型與前代模型表現相若。不過,在兩項測試中,新模型更常未能指出妨礙工作的問題,例如檔案缺失或搜尋工具無法使用。
來源:The Decoder · the-decoder.com