OpenAI 發佈 GPT-6.2 Astra 和 Sol,Astra 位列前沿模型第二且便宜 20%-600%,評價不一;Sol 或成主力模型
[AINews] GPT-6.2 Astra, the #2 Frontier Model is better and 20%-600% cheaper, but has mixed reviews; 6.2 Sol likely main workhorse
OpenAI 今日發佈 GPT-6.2 Astra 和 Sol,並開始向 ChatGPT Work、Codex 的 Plus、Pro、Enterprise、Edu 用戶及 API 開發者推出。
文章並列 GPT-6.2 Astra、Sol 的基準測試、任務成本與早期測試者分歧,呈現效率數據和使用評價之間的差異。
譯文尚不完整,完整內容請切換到原文。
OpenAI 今日推出 GPT-6.2 Astra 和 Sol,比 Anthropic 預計的首個交易日早兩天。在 Artificial Analysis 的測試中,Sol 追平 9 月推出的 Astra,而每項任務的成本約為其 15%。新版 Astra 在 Intelligence Index 得分 62,略低於 Fable 5.2 的 65 分。總括而言,Anthropic 仍擁有全球最佳模型,但按每美元所能換取的智能程度計,OpenAI 擁有全球效率最高的模型。

這次發布較不尋常之處,是網紅的反應非常負面……

因此引來一番防禦性回應……
We think that some of this is overreacting and normal influencer tendency to either have everything be 🤯🤯🤯 or the literal WORST.MODEL.EVER, BUT also that some of the criticisms are valid, and the RL artefacts are noticeable and downright bizarre (don’t even get us started about the terrible launch video). However, we still use it to automate our work and that’s all that matters in the end.
這次發布做得不錯,但不會影響 Anthropic 的 IPO,而這很可能會成為本週/本年/本十年的頭條(直到 OpenAI IPO……)
今日 AI 新聞由 SerpApi 贊助!
按網址擷取公開網頁,並轉換為適合 LLM 使用的 Markdown 或結構化 JSON。透過一個 API 繪製網站地圖並進行有限範圍的爬取。配合 100+ 個 SerpApi 搜尋 API,建立由搜尋到內容的工作流程。
歡迎瞭解詳情,以支持 LS;如有意見,請聯絡 business@latent.space!
AI Twitter 摘要
GPT-6.2 Astra 和 Sol
供應情況。今日起,這些模型將陸續開放予 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise 及 Edu 用戶使用,開發者亦可透過 API 使用,分別以
gpt-6.2-astra和gpt-6.2-sol提供。OpenAI每百萬個 token 的 API 價格。Astra 的輸入價格為 $8、快取輸入為 $0.40、輸出為 $40。Sol 沿用上一代的價格,分別為 $2、$0.10 和 $10。兩者的上下文長度均為 1M,輸出上限為 128K。Vals · 超高速定價及推出安排
法律版 Astra。Enterprise 版本加入法律搜尋索引。Artificial Analysis 測得其在 Harvey LAB-AA 的得分為 20.8%,而基本版 Astra 為 15.0%。Artificial Analysis
準備度。OpenAI 在 AI Self-Improvement 項目中將 Astra 評為 High,這是其對外發布的模型首次獲此評級。另一項獨立指標 Vals 的 RSI-Index,則由 27.07% 升至 29.01%;50% 代表其人類參照值。系統卡 · Vals
FrontierMath Erdős。Epoch 在 68 道題目中,以 Lean 驗證了 7 個解答;此前最佳成績為 3 個。Epoch
各項基準測試的衡量內容
Agents’ Last Exam 1.1。OpenAI 表示,Astra 在 xhigh 設定下比 GPT-6 Astra 在 max 設定下高 5.2 分,每項任務的成本不足三分之一。OpenAI 又表示,在這項測試中,Astra 領先 Fable 5.2 5.5 分,成本約為其 5%。在 GDPval v2 上,OpenAI 表示 Astra 使用的輸出 token 比上一代少 22%。OpenAI 的測試結果
長時間工程任務。Mercor 的 OpenWorldEngineer 測試中,Astra 得分 67.2%、Fable 5.2 得分 54.6%、GPT-6 Astra 得分 44.2%。在 Vals 的多輪 Vibe Code Bench 中,Astra 排名第一,Sol 排名第三。Mercor · Vals
3D 與機械人技術。Astra 在 AA-3D 領先,得分 1,318,高於 Fable 的 1,271 和 Sol 的 1,259。在 Artificial Analysis 的機械人技術預覽測試中,Astra 得分 79、Sol 得分 78,均高於 Fable 的 75。Artificial Analysis
研究型 Agent。在 Perplexity 的 WANDR 測試中,Astra 得分為 0.783,每項任務成本約為 $12.54。Sol 得分達 0.746,每項任務成本約為 $2.65。Perplexity
早期測試者意見不一
Matt Shumer經過數星期測試後,稱這些模型「基本上無法使用」,並表示他的 Opus 和 Fable Agent 拒絕了 Astra 子 Agent 所做的大部分工作。評測 · 工作流程詳情
Pietro Schirano將早期遇到的許多問題歸因於執行框架。Arena 的 Peter Gostev 以視覺編碼任務比較 Astra 和 Fable,並特別提到 Astra 製作的 SVG 孔雀。Schirano · Gostev
示範。Gabriel Chua 利用超過 100 個 Codex 工作階段,建構出可供漫步的新加坡。Simon Willison 將同一個 three.js 機甲提示詞交給多個模型測試,包括 Astra、Sol、Carbon 和 Fable。新加坡建構項目 · 相同提示詞比較
Microsoft Ignite 與 Gemini
Microsoft 推出自家編碼模型。MAI Code 2 用於多步驟編碼,Code 2 Flash 則適合較快完成編輯。兩者均可在 GitHub Copilot 的模型選擇器、Copilot Fusion 和 Foundry 中使用。Microsoft 亦宣佈 Decision 模型將升級為多模態模型。Microsoft
Copilot Fusion。Microsoft 表示,使用其多模型執行框架時,Terminal-Bench 4.1 的得分為 71.2%;在這項比較中,成本比 Claude Fable 5.2 低 88%。Jay Parikh
圖片編輯。Artificial Analysis 的編輯基準測試將 MAI Image 2.7 列為第一,每 1,000 張圖片收費 $34.82。Artificial Analysis
Gemini Tasks。Hydrogen 現為六個國家的免費 Tasks 提供支援,當中包括需要打電話或發送短訊的任務。Google 亦展示了配合 MuJoCo 模擬功能的新 Antigravity 機械人技術外掛程式。Sundar Pichai · Google DeepMind
Agent 執行框架與推理
Hugging Face 的 Pi adapter。在 pi 內訓練的小型 adapter,令 Qwen3.8-27B 在 SWE-bench Pro 最難的 51 項任務中,成功解決的任務數由 15 項增至 32 項。在這個子集中,每項任務所需的工具呼叫次數減少了 55%。模型卡及配對結果
執行框架的成本差異顯著。Baseten 在其涵蓋 22 個執行框架和五個開源模型的基準測試中,發現每項通過測試的任務成本最多相差 4.4 倍。Baseten
執行框架可能會針對其模型專門調校。Google 的 SIM 會保留先前修改執行框架的原因及結果。它在 Opus 上演進出的執行框架,用於 Gemini 時得分為 68.41;起始執行框架則得分為 73.89。研究摘要
更多多 Agent 產品。Cognition 推出可持續運作的 Devin Bots。Perplexity 表示,在 Terminal-Bench 和 WANDR 測試中,其混合模型團隊的表現勝過四個主力模型實例。Replit 表示,在 NumPy 任務中,Agent 數目由 16 個增至 32 個時,效益遞減。Cognition · Perplexity · Replit
一次 1,000 個 Agent 的執行中,協調工作成為主要瓶頸。Hugging Face 表示,任何時刻只有 40–60 個 Agent 正在呼叫模型。它們每寫出一個 token,便讀取約 130 個 token;合併和測試亦加劇了瓶頸。Thomas Wolf
少量快取未命中也可能佔去大部分費用。SemiAnalysis 表示,在其樣本中,1.8% 未經快取的請求約佔總支出的 15%。SemiAnalysis
Marin 和 K2 Horizon 公開了訓練過程。Marin 公開了其 535B-A23B 訓練過程中的 57 個中間 Mochi 檢查點。K2 的報告比較了以相同 22T 個 token 訓練的四種模型規模,並介紹一種解碼適配器;團隊表示,該適配器可達到 2.2× 加速。Marin · K2 Horizon
Zyphra 的長上下文注意力。團隊表示,將多個模型轉換為其次二次方注意力後,在 10M 個 token 時可提速 9–60×;Qwen 在 1M 時的 RULER 評分下降不足兩分。Zyphra
推測解碼。vLLM 表示,為 Kimi K3.1 Pro 使用滑動視窗草稿模型,接受長度最高可增加 30%。NVIDIA 亦有供 Qwen3.8-27B 使用的 4B 草稿模型。vLLM · 草稿模型研究
行業與政策
NVIDIA 在行政總裁交接後首次公佈業績。在臨時行政總裁 Colette Kress 領導下,NVIDIA 公佈季度收入為 $115.8B,按年增長 103%,並表示 Vera Rubin NVL72 已經出貨。董事會表示無意讓 Jensen Huang 復任。NVIDIA · AP
Isomorphic Labs 融資 $5B。Greenoaks 和 Sequoia 共同領投 C 輪融資。公司表示,將擴大其藥物設計平台,並發展治療產品研發管線。Isomorphic Labs
Genesis AI 融資 $500M。這輪 A 輪融資令這家機械人公司估值達 $3.5B(投後)。公司計劃利用這筆資金部署 Eno 機械人,並擴大訓練及數據收集。Zhou Xian
AI Reddit 摘要
本地模型與硬件
一款會重複執行部分層的 9B 模型。SenseNova-Loop-9B 會將 32 層中的 24 層再執行一次。模型作者表示,GAIA 評分由預覽版的 37.86 升至正式版的 69.90。本地用戶詢問長上下文時 KV 快取還可使用多少記憶體。權重 · 討論
Maxwell V1 Flash。這款 35B/3B 啟用參數的 MoE 宣稱,在 256K 時的注意力速度較密集 GQA 快 6.7×。其稀疏注意力仍保留完整歷史 KV 快取,這正是本地用戶希望在投入硬件前先測量的項目。模型卡 · 討論
Olala mini 7A1B。OVHcloud 預覽了一款小型 MoE,具備 1B 個啟用參數及 32K 上下文視窗。討論串正等待權重及可重現的基準測試結果。OVHcloud · 討論
Intel 的 Crescent Island 數據。早期簡報中引人注目的吞吐量比較,採用了 FP64 佔比較高的工作負載。Intel 另一項 LLM 比較則宣稱,相較 RTX PRO 6000 Blackwell Server Edition,吞吐量高 1.12×,延遲低 29%。硬件討論
在打印機上執行 Gemma。一名製作者表示,透過 PostScript 列印工作執行了 Gemma 3 270M。示範
實際應用中的 Agent
來源:Latent Space · latent.space