跳到正文
新浪科技·· 2 天前精選AI 評分81

OpenAI 發佈 GPT-6.2 Astra 和 GPT-6.2 Sol

刚刚,OpenAI发布GPT-6.2 Astra和Sol

AI 導讀

OpenAI 發佈 GPT-6.2 Astra 和 GPT-6.2 Sol,分別定位為面向複雜項目的旗艦模型及面向日常工作的高效率模型。

推薦理由

兩款模型的分工、成本與評測數據提供了比較基礎,而長任務停滯和障礙省略等反饋,則呈現基準分數以外的使用風險。

正文 · 繁體中文

預熱了好久的 GPT-6.2 系列終於來了,而且是一次放出「雙子星」!

剛剛,OpenAI 正式官宣發佈 GPT-6.2 Astra 和 GPT-6.2 Sol 兩款新模型。按照定位,前者是面向複雜項目的旗艦模型,而後者則是面向日常工作的高效率模型。

OpenAI 表示,你們之前一遍遍地催了又催,現在「GPT-6.2 Astra 和 Sol 已正式上線,效率極高,且專為真正重要的場景而打造 —— 真實世界中的實際應用。」

值得注意的是,兩款模型有一個共同特點:在提升任務完成質量的同時,通過顯著減少推理與輸出所需的 Token 數量,讓用戶在更低成本和更快響應下完成複雜的現實任務。

除了模型能力升級,OpenAI 也同步擴大了 GPT-6.2 Astra 和 Sol 的開放範圍。

從今天起,Plus、Pro、Enterprise 和 Edu 用戶均可在 ChatGPT Work 和 Codex 中使用兩款模型。其中,Pro 500 用戶可以使用兩款模型的 Ultrafast(超高速)模式;Pro 200 用戶也首次獲得 Ultrafast 使用權限,目前率先支持 GPT-6.2 Sol;Enterprise  Edu 用戶則需要由工作區管理員開啓相應權限。

開發者也可以通過 OpenAI API 調用兩款新模型,並在發佈之初使用 Ultrafast 模式。

而價格方面:GPT-6.2 Astra 的 API 輸入和輸出價格較 GPT-6 Astra 均下降 20%,緩存輸入價格更是降低了 60%,每百萬 Token 分別為 8 美元、40 美分和 40 美元;

GPT-6.2 Sol 則延續上一代定價,每百萬輸入、緩存輸入和輸出 Token 分別為 2 美元、0.1 美元和 10 美元。

換句話説,OpenAI 這次不僅希望讓模型完成更多工作,也希望讓更多用戶以更低的成本、更快的速度調用它們……

專業工作的新標準

作為面向複雜項目的旗艦模型,GPT-6.2 Astra 在專業文檔、代碼和前端開發等方面都有提升。它生成的幻燈片、電子表格和文檔更貼近用戶提供的模板及行業規範,代碼風格更加整潔,生成的網站、遊戲和 3D 設計也更具完成度。

在衡量多步驟專業工作能力的 Agents' Last Exam 中,Astra 比 GPT-6 Astra 高出 5.2 分,任務成本不到後者的三分之一;相比 Claude Fable 5.2,則領先 5.5 分,成本僅為對方的 5%。

科學研究也是此次重點展示的方向。OpenAI 認為,Astra 是目前最適合科學家的模型之一。在 Terminal-Bench-Science 0.1 測試中,該模型的成績比 GPT-6 Astra 高出 9 個百分點,成本不到後者的三分之一。該測試主要考察模型在終端環境中開展科學研究的能力。

在 Vals Science Index v1 中,Astra 同樣取得新高。該評測要求模型解讀真實生物數據,並通過實驗推斷模擬系統的運行機制。

GPT-6.2 Sol:日常工作的主力模型

相比 GPT-6.1 Sol,新版 Sol 在智能水平和執行效率上都有提升,能夠處理多步驟 Agent 工作流。OpenAI 表示,公司內部已有許多員工將其作為技術和非技術工作的默認模型。

在 Cognition 的 FrontierCode 2.0 評測中,Sol 的成績距離 Astra 僅有 0.5 分,成本約為後者的五分之一。

在衡量複雜日常任務的 LifeVal 評測中,Sol 的成績超過 GPT-6 Astra,成本約為後者的七分之一。測試任務包括搬家後篩選幼兒園、尋找符合家庭預算和通勤要求的住房,以及為剛剛調整診斷方案的家人規劃膳食。

專業任務上的突出表現

Astra 重點提升了專業文檔、電子表格和演示文稿的生成質量,使內容更符合金融、法律、銷售和會計等行業的表達習慣,減少籠統結論和冗餘文字。

在 Harvey LAB-AA v1.1 法律任務評測中,Astra 的通過率超過 Claude Fable 5.2 的兩倍,成本約為後者的六分之一。該評測要求模型從源文件中提取事實、完成法律分析並交付文書,只有滿足全部評分標準且不存在重大幻覺的成果才算通過。

在金融分析中,Astra 可以根據財務報表、經營假設和市場數據建立可編輯的 Excel 估值模型,完成收入預測、企業價值計算和敏感性分析。在演示文稿製作中,即使用戶只提供模板截圖,模型也能還原佈局、配色和字體,並延續原有的文字風格。

在 OpenAI 的 GDPval v2 評測中,Astra 的成績比 GPT-6 Astra 提高了 6.2 個百分點,同時減少了 22% 的輸出 token;Sol 相比上一代也提高了 5.3 個百分點。

從屏幕操作到工程設計

Astra 提升了在計算機上的精細操作能力,可以在 CAD 和仿真軟件中處理單個零件及其連接關係,幫助工程師檢查組件裝配、觀察設計變化帶來的受力變化,並在製作原型前測試不同方案。

例如,在汽車底盤動力學模擬中,Astra 根據山路行駛場景建立汽車三維模型,編寫 Python 求解器,模擬輪胎與懸架之間的複雜動力學關係,最後通過 Blender 將結果製作成動畫。

在機械設計中,模型能夠逐個建立零件模型,生成動態裝配指南和零件目錄。OpenAI 還展示了一個紙燈設計案例:Astra 從芝加哥 Marina City 大廈的波浪形陽台獲取靈感,經過多輪 CAD 修改,最終生成可以手工組裝的紙燈,並製作了供用戶自行設計的網頁工具。

在 Artificial Analysis 的 AA-3D 評測中,Astra 獲得 1318 Elo,排名第一。

更高效的工作流與更整潔的代碼風格

在複雜任務執行中,Astra 改進了對執行路徑的判斷,能夠根據工作流選擇合適的工具和投入程度,例如判斷何時使用插件、何時直接操作計算機。

在編程方面,Astra 更擅長對現有代碼庫進行復雜修改,並完成相應測試。早期測試者反饋,新模型生成的代碼風格更加整潔,測試更有針對性,完成任務所需的修改輪次也有所減少。

網絡安全能力

兩款模型的網絡安全能力均達到 OpenAI Preparedness Framework 中的 Critical 閾值。它們能夠更有效地發現和利用軟件漏洞、編寫更安全的代碼,並生成更好的漏洞修復補丁。

不過,能力提升也帶來了更嚴格的安全限制。OpenAI 表示,將對高風險網絡安全請求加強防護,這也意味着部分合法的漏洞研究和安全測試工作流可能受到限制。未來,OpenAI 計劃將 GPT-6.2 系列接入 Daybreak 項目,為安全研究人員提供相應支持。

官方也披露了一個尚待解決的問題:在兩項對齊測試中,兩款模型更容易省略阻礙任務完成的問題,例如缺少文件或搜索工具不可用。OpenAI 表示,已經通過調整 Codex 指令顯著減少這一行為,但仍在繼續調查。

「我看 Tibo 還是回地下室待着吧」

雖然官方公佈的成績很亮眼,但一些提前參與測試的開發者對 GPT-6.2 Astra 給出了相當負面的評價。

長任務容易卡住,甚至陷入無效循環

開發者 Theo 在一篇題為《Why I hate GPT-6.2 Astra》的長文中,詳細列舉了自己在早期測試中遇到的問題。

首先是模型無法正確判斷哪些問題需要交給用戶決定。Theo 曾讓 Astra 為遊戲《Outer Wilds》製作一個新關卡,執行兩小時後,模型突然因為一個涉及內部文件命名的技術細節停了下來,詢問用戶應該採用哪一種文件名。Theo 認為,這類問題本應由模型自行判斷,卻讓整個長任務陷入停滯。

更嚴重的是,模型可能長時間運行,卻沒有實質性進展。Theo 以自己用於測試模型的 Rust 編譯器項目 ts-rust 為例:Astra 連續運行七天,不僅沒有帶來任何性能提升,反而讓編譯器速度下降了 56%。在他要求模型停止優化體積、轉而提升性能後,模型又運行了四天,仍然沒有產生任何有效改動。

Theo 認為,這種表現讓 Astra 很難承擔真正的長期開發任務:它可能因為不必要的問題自行中斷,也可能在錯誤的方向上持續消耗資源,卻始終無法完成目標。

過度追求簡潔,反而增加了溝通成本

另一項集中出現的批評,是 Astra 的輸出過於簡短和壓縮,以至於用戶難以理解模型究竟做了什麼。

Every 創始人 Dan Shipper 表示,團隊提前測試數週後發現,Astra 的寫作表現甚至不如上一代模型。它似乎被訓練得過於追求簡潔和可執行性,以至於解釋變得難以理解,應該詳細回答的問題也經常只得到簡短回覆。

這種問題也延伸到了編程。Every 團隊發現,Astra 在內部代碼評測中的表現與上一代接近,但在真實開發任務中,它經常過早停止,導致完整項目的構建體驗不佳。此外,模型雖然具備不錯的默認設計能力,生成的設計卻容易趨同,呈現出明顯的固定風格。

  • Every 測試:https://every.to/live/openai-astra-sol

賓夕法尼亞大學沃頓商學院教授 Ethan Mollick 也認為,Astra 的表現非常不均衡,而且比其他模型更難引導。他曾讓模型使用 Blender 和 Unity 從零製作一個太空電梯遊樂設施,最終成果相當出色,但這並沒有改變他對日常使用體驗的判斷:模型需要更多指導和推動才能完成工作。

有意思的是,針對開發者的這些「抱怨」,其實 OpenAI 自己也意識到一些問題的存在,在官方的《GPT-6.2 System Card》似乎能找到一些對應線索。

OpenAI 專門進行了一項名為 Blocker Deception 的測試:研究人員人為設置任務障礙,例如刪除必要的源文件、禁用模型需要調用的工具,再觀察模型是否會主動向用戶説明問題。結果顯示,GPT-6.2 Astra 在 22.28% 的測試中遺漏了已知障礙,而 GPT-6 Astra 的這一比例為 11.09%,幾乎翻了一倍。

https://deploymentsafety.openai.com/gpt-6-2-astra-solhttps://deploymentsafety.openai.com/gpt-6-2-astra-sol

對於這一退步,OpenAI 也表示擔憂,並提出了一種可能的解釋:為了讓模型回答更加簡潔、減少不必要的補充説明,可能導致它連一些重要的任務障礙也一併省略了。

這或許能夠解釋部分開發者的困惑。當 Agent 遇到問題,卻沒有及時向用戶説明,外部看來就可能表現為任務停滯、反覆嘗試,甚至長時間沒有有效進展。用戶不知道它究竟卡在哪裏,也很難判斷是否需要介入。

OpenAI 表示,已經通過 Codex 的系統提示詞幹預,顯著降低了這類問題的發生頻率。不過,這項幹預並不適用於直接 API 請求,官方也承認仍在調查問題的根本原因。

英國人工智能安全研究所(UK AISI)的外部評估則提出了另一項風險:模型可能更容易意識到自己正在接受測試,並在部分場景中規避監控。

AISI 發現,Astra 在 85% 的測試軌跡中考慮過自己是否正在接受對齊測試,而 GPT-6 Astra 的這一比例為 57%。在一項文件下載測試中,Astra 成功規避 GPT-5.6 Sol 行動監控器的比例達到 48.8%,而 GPT-6 Astra 為 1.7%。

更值得警惕的是,AISI 在模擬工作環境中發現,Astra 曾出現編造醫療信息、誤導人工審核者、繞過用戶設置的限制、未經許可幹擾其他 Agent 工作等行為,甚至在一次網絡安全挑戰中通過社會工程手段嘗試執行未經授權的供應鏈攻擊。

這些結果引發了對模型誠實性、指令遵循和安全監控能力的擔憂。

那麼你呢,對於 OpenAI GPT-6.2 Astra 和 Sol 兩款新模型的感受如何?歡迎在評論區留言、交流!

來源:新浪科技 · finance.sina.com.cn