跳到正文
阿里雲開發者社區 AI·· 1 天前精選AI 評分83

GPT-6.2 更強、更便宜,為何仍有人批評?

GPT-6.2更强更便宜了,为什么还有人骂?

AI 導讀

GPT-6.2 Astra 和 Sol 已在 Work 網頁版及 Codex 客戶端上線,官方展示其專業任務評測進步,開發者仍批評表達過短、任務提早中止。

推薦理由

文章並列 GPT-6.2 Astra、Sol 的評測分數、任務成本與開發者回饋,呈現基準表現進步和長流程使用摩擦之間的落差。

正文 · 繁體中文

GPT-6.2 Astra 和 Sol 今兒凌晨終於偷偷摸摸上線了(散播消息到現在得有2個月了)。

其中 Astra 是旗艦,Sol 是編程日常主力。

Image

已經在網頁的Work和Codex客戶端裏可見。

Image

不過這次的首批反饋,還挺兩極分化的。

一邊是漂亮的汽車網頁、3D 模型,還有一張很難不讓人多看兩眼的賬單:OpenAI 公佈的專業任務評測結果裏,Astra 每題花 2.89 美元,Claude Fable 5.2 要 60.05 美元。

然而另一邊,幾位提前用過的開發者卻在吐槽:話説不明白,活幹到一半就停,最後還得人回來收拾。

就像這老哥,已經快把百萬閲讀量的吐槽了。

Image

模型更強了,為什麼用起來還讓人生氣?

老金把官方資料、獨立評測和社區上的首批反饋放到一起看了一遍。

這裏面,有真進步,也有真問題。

我們一步步看一下。

01|先看看這次能做什麼

先看案例。

@Layton 展示了一款汽車:深色背景下,車身、玻璃車頂和燈光一起把質感撐起來。

他説,這個結果只花了1分鐘,也公開了自己使用的詳細提示詞,他給模型的要求很具體,並非隨手扔一句“做個好看的網站”,這個大家得學,我已經苦口婆心説了N百次,別許願。。

为虚构的未来电动超跑“VeyraX”构建其发布网站。该网站应感觉像一个真实的高端汽车发布会网站,并看起来像一个获奖网站。

要求:
- 一个独立的HTML文件。使用CDN上的Three.js和GSAP。除了GoogleFonts外,不使用任何外部图片、模型或字体。汽车及其他内容均需通过代码构建。
- 主角:汽车停在一个昏暗的工作室里,一道扫过车身的灯光将其照亮。流线型、低矮的未来主义设计,配有发光灯带、具有真实反射效果的亮面漆和玻璃顶盖。它缓慢旋转,并对鼠标做出反应。
- 当用户滚动时,摄像机围绕汽车旋转以展示不同角度,并且汽车向前驶入一个霓虹灯隧道,光线条纹和运动模糊显示其速度。
- 部分:英雄展示、性能数据(0-60、最高速度、续航里程),这些数据会配合动画进行计数,一个设计部分,其中汽车的各个部件会高亮显示并带有标签,一个可实时更改漆面和轮毂风格的配置器,以及一个保留部分。
- 所有用户界面(导航、按钮、状态卡片、配置器、预留表单)均采用苹果风格的液态玻璃效果。它必须在边缘折射和扭曲背景,并带有高光反射,而不仅仅是背景模糊。玻璃应像液体一样对悬停做出反应。
- 让其感觉高端:流畅60帧,电影级灯光,简洁现代字体,间
距充足,无廉价感。
- 必须能在桌面端和移动端运行。不得使用任何现有元素,尽可能地完善动画效果和细节处理。

接下來的案例,來自 OpenAI 的官方展示。

先看這個房車網站。

傍晚的山景、亮着燈的車廂,再加上大面積留白,第一屏已經能把旅行氛圍帶出來。

Image

如果説網站還需要自己想主題,花園案例的輸入就更直觀:一段後院畫面。模型據此規劃菜園,官方還放了兩代模型的結果對照。

左邊的植物和圍欄更像簡單模型;右邊能看到更豐富的枝葉、木材紋理和場景細節。

看這組展示,新老版本確實差了一大截,新版效果顯著。

再看一個離日常工作近點的。

比如你拿着上一季度的 PPT,要把它改成這一季度的。

難點往往不在多做幾頁,而是舊模板得接着用,新數據還得講明白,最後還得讓領導看懂接下來怎麼辦。

OpenAI 這次拿一家零售商的公開財報做了演示:給兩代模型舊 PPT、新季度財報和申報文件,讓它們更新內容。

兩代都發現了關税退款對利潤的影響,這是個重點,都沒問題。

然後從畫面上來看,新版則進一步把銷售增長放進標題,拆開線上和門店表現,再給出備貨、預算方面的下一步建議。

這裏的進步就比較好理解了:除了把數字填進去,它還要判斷哪些數字值得講、怎麼講、講完要做什麼。

Image

官方還展示了另一組 PPT,用同樣的團隊周邊主題,分別生成提案。

Image

一個偏平面角色展示,一個把徽章的材質和實物感放進了畫面,不過這個老金覺得主觀性比較強,仁者見仁吧。

不過它還交付了可下載的矢量圖、尺寸、配色匹配和打樣確認事項。

對要把方案交給供應商的人來説,這個就實用了。

Image

Image

當然,這是官方選出的案例,日常任務能不能穩定做成,還要繼續看。

但這至少説明,這次更新想解決的事情,比“再畫一個漂亮網頁”多得多。

再看一個更接近辦公室日常的例子:給模型一家虛構農業科技公司的財務報表、經營假設和市場數據,讓它做一份可編輯的 Excel。

任務要求按業務預測到 2031 年,把利潤表、資產負債表和現金流量表勾稽起來,用 8% 的折現率、3% 的永續增長率計算每股價值,還要反推當前股價隱含的增長預期,最後做敏感性分析。

新版把收入構成、企業價值到每股價值的推導,放到了敏感性表附近。

你看到估值變化時,更容易順着找到它依賴的假設,而不是在幾個工作表之間來回翻。

Image

再看七宗美國軟件收購的估值對比。

新版把 Paycor 的 21.7 倍 EBITDA 與 27.5 倍中位數寫進標題,讀者先看到判斷,再往下核對數據。

Image

然後這個原始參考,把他重構一下。

Image

左側把更新做成了工作流表格,右側則延續參考模板的深藍頁眉、店面插畫和重點標記,把兩店試點、另八店待定的信息放進原有版式。

Image

換成女裝市場定位,新版把品牌按價格和風格分區,再放入六條代表連衣裙的圖片和價格。

這樣能讓讀者能順着實物,理解每個品牌的位置。

Image

實驗解讀也能直接對照:新版先説明差異不足以排除抽樣噪聲,再給出延長測試、補齊觀察窗口的建議。

Image

SOC 2 合規追蹤則把狀態、下一步、負責人和審核人放到同一行,便於逐項推進。兩組對比均為左側舊版、右側新版。

Image

這類工作的評分也更有針對性。

AA-AnalystAgent 要模型在真實報表和表格裏找數、計算,Astra 有 62.5% 的題目,在五次獨立作答中全部答對。

這個條件比“隨機做一次,答對率 62.5%”嚴格,考的是重複執行是否穩定。

再往長流程看,OpenAI 內部的 GDPval v2 會把諮詢、金融、設計項目當年的文件和消息交給模型。

Max 檔下,Astra 從上一代的 44.2% 提升到 50.4%,平均輸出 token 從 45,732 降到 35,812,減少約 22%。Sol 則從 41.5% 提升到 46.9%。

Image

也有企業把它放進自己的流程裏測。

會計 AI 公司 Basis 報告,長程會計任務平均用時減少一半,最複雜的任務最多減少 73%;ClickUp 在工作區應用、儀表盤和幻燈片的內部盲測中,相比自己的生產模型,觀察到約 40% 的 token 減少和約 30% 的審閲輪次減少。

工程類的展示更誇張。

Astra 根據照片和組裝手冊,把遙控越野車套件逐個零件建出來,還生成了裝配動畫和零件目錄。

看下面這段,減震器的零件怎樣組合、差速器裏的結構是什麼樣,已經能逐步展示出來。

Image

另一個跑車案例裏,它搭 3D 模型,用 Python 寫輪胎、懸架的求解器,再用 Blender 做動畫。

畫面不只顯示車在山路上跑,還把前後懸架、輪胎接觸區域和駕駛輸入放到一起。

直列六缸發動機的演示,又把機械運動、氣體温度和應力變化放在了同一畫面裏。

下面這個片段展示的是運行過程,可視化做得細,不等於真實工程驗證已經完成。

這裏也保留一個參照:Fable 5.2 的 Max 檔是 83.5%,仍略高於 Astra,但單任務成本是 50.77 美元。

Image

做 AI 視頻的 Higgsfield 也提供了測試反饋:新版 Astra 有 73% 的案例一次達到目標,舊版往往需要三輪及以上修改。

如果更關心遊戲畫面,官方還給了兩種很不一樣的效果。一種是霓虹賽道上的競速飛行器,另一種是巴黎聖母院內部漫遊。

競速場景看的是速度、光效和運動感;教堂這一段,則把視線帶到拱頂、彩色玻璃和透進室內的光。

所以,不能因為看到差評,就把這些進步一筆抹掉。

專業軟件裏的多步驟操作,是這次展示的重點之一。

02|最搶眼的,可能是這張賬單

看完那些複雜案例,再看價格,就知道為什麼這次有人興奮了。

Agents’ Last Exam 多步驟專業任務評測是這樣的:

Astra Xhigh 得分 78.3%,每題 API 成本 2.89 美元;

Fable 5.2 Max 為 72.8%、60.05 美元。

前者成本約為後者的 4.8%。

Astra 自己的 Max 檔是 77.6%、4.47 美元。思考檔位更高,不一定更強、更划算。

Image

Astra 每百萬 token 的輸入、輸出價格分別是 8 美元和 40 美元,比上一代低了 20%;Sol 仍是 2 美元和 10 美元。

還有個 API 省錢技巧:

固定指令、反覆使用的材料放在前面,複用相同前綴,最後告你咋説。

兩款模型的緩存輸入價都是普通輸入的二十分之一,但只便宜命中緩存的輸入,輸出照算。

03|那差評到底在罵什麼?

開發者 Theo 提到,模型做關卡折騰了兩小時,最後卻來問一個用戶根本不知道的內部視頻文件名。

Dan Shipper 團隊提前測試了數週。他們主要對 Astra 提出了幾項批評:

1、文字壓縮得過頭,需要詳細解釋時仍然太短。

2、端到端編碼任務會提前結束。

3、默認設計看着不錯,但換一種風格就沒那麼順手。

另一份使用記錄中,同樣規劃網站留言區,Gemini 約 5 分鐘,Astra 花了 24 分鐘,還加入人工審核流程。

這些抱怨的共同點是:

用戶要的不是“會做一道題”,而是理解要求、繼續執行,最後交回能用的結果。

04|有個問題,OpenAI 自己也承認了

OpenAI 自己也承認:遇到文件缺失、搜索不可用等阻礙時,兩款模型更容易不告訴用戶。

“遇到阻礙卻未告知”的發生率,Astra 為 22.28%、Sol 為 24.08%,高於上一代的 11.09%、14%。

加入開發者提示 後,分別降到 8.04%、8.88%。

05|現在該怎麼用,才不容易白折騰?

拿一件做過的真實任務,給舊模板、新資料和明確要求,再讓它修改一次。

看能否直接用、漏了幾條要求、補了幾次話、總共花了多少時間和額度。

下面這段檢查要求,可以接在自己的任務後面:

請先核對完成任務需要的文件和工具是否可用。

遇到缺失、權限不足或工具失敗,請明確告訴我具體影響,不要把未完成的檢查寫成已經完成。

不涉及額外付費、對外發布、權限變更等需要我決定的事項時,請在約定範圍內繼續完成。

交付時按我的要求逐項核對,説明已完成的內容,以及仍然存在的問題。

寫在最後

看來看去,這次GPT的新模型給我感覺就是,強了,也弱了。

強了,是不論從各方面的數據來看,它都上升了,所以強了這點毋庸置疑。

不過他也弱了,弱在它離咱普通人越來越遠了,你得先洗也明白他的特性,才能用好它。

這反而跟人工智能這個名詞有點兒背離的意思。

或許,我接下來的做法是,現在做個GPT實用的翻譯器。

把我的大白話,得先翻譯一次,再給GPT。。。


謝謝你讀我的文章。

如果覺得不錯,隨手點個贊、在看、轉發三連吧🙂

如果想第一時間收到推送,也可以給我個星標⭐~謝謝你看我的文章。

開源知識庫(實時更新 交流羣):
https://my.feishu.cn/wiki/OhQ8wqntFihcI1kWVDlcNdpznFf

來源:阿里雲開發者社區 AI · developer.aliyun.com