GPT-6.2Astra与Sol突袭发布,OpenAI狙击Anthropic上市日,任务成本仅为Claude的5%
就在 Anthropic 敲钟上市的同一天,OpenAI 端出了它的“贺礼”。
11 月 18 日凌晨消息,OpenAI 正式发布 GPT-6.2 Astra 和 GPT-6.2 Sol 两款新模型:在复杂专业任务上,GPT-6.2 Astra 的得分超过 Claude Fable 5.2,而单任务成本只有后者的约 5%。
具体来看,在考察长程专业工作流的 Agents' Last Exam 中,GPT-6.2 Astra 拿下 78.3% 的成绩,较上一代 GPT-6 Astra 提升 5.2 个百分点。完成同样的评测任务,平均成本仅为 2.89 美元,而 Claude Fable 5.2 达到 60.05 美元。成本差距超过 20 倍。
另一款面向日常工作的 GPT-6.2 Sol 同样值得关注。它维持了上一代 Sol 的 API 定价,却能在部分编程和日常复杂任务中追平甚至超过此前的旗舰 Astra。
而在官方同步公布的安全评估中,GPT-6.2 Astra 成为 OpenAI 首个对外发布、在 AI 自我改进能力上达到 High 风险等级的模型。
这意味着,模型开始展现出显著加速下一代 AI 研发的能力。
Astra 开始比拼交付效率
过去一年,大模型竞争逐渐从回答问题转向执行任务。单轮推理成绩已经不足以衡量模型的真实价值,企业更关心的是:一项需要几十步甚至上百步操作的工作,模型最终能不能完成,要花多少钱?
GPT-6.2 Astra 的升级,恰好瞄准了这两个问题。
在 Agents' Last Exam 中,其 78.3% 的成绩相比上一代提升 5.2 个百分点,单任务成本却降至不到三分之一。相比 Claude Fable 5.2,领先 5.5 个百分点,成本仅为约 4.8%。
需要注意,这项比较使用的是指定评测配置下的任务平均成本,并不意味着所有真实业务场景都能节省 95%。官方也注明,Claude Fable 5.2 的排行榜结果排除了九项使用备用模型的任务。
成本下降首先来自定价调整。GPT-6.2 Astra 的 API 输入、输出价格双双下降 20%,缓存输入价格下降 60%。
但真正值得关注的,并不只是单价。
OpenAI 强调,新模型执行同样任务时,需要生成的 Token 数量也在减少。这意味着它不仅更便宜,还能通过更合理的任务规划减少无效推理、工具调用和重复修改。
例在 OpenAI 内部的 GDPval v2 评测中,GPT-6.2 Astra 的成绩从 44.2% 提升至 50.4%,输出 Token 同时减少 22%。会计 AI 公司 Basis 的测试则显示,长程会计任务的平均执行时间缩短 50%,最复杂任务最高缩短 73%。
这背后实际上是 Agent 经济性的一次变化:过去主要靠压低 Token 单价降本,现在开始依靠模型减少完成任务所需的步骤和计算量。对于需要持续运行的企业级 Agent,后一种能力可能更具长期价值。
科研任务同样是此次 Astra 重点突破的方向。
OpenAI 将其称为“面向科学家的最佳模型”。在考察终端科研工作流的 Terminal-Bench-Science 中,GPT-6.2 Astra 较上一代提升 9 个百分点,任务成本却不到三分之一。
在涉及真实生物数据分析、模拟实验和系统机制推断的 Vals Science Index 中,Astra 以 68.4% 创下新高。这意味着模型的进步不再局限于科学知识问答,而是进一步延伸到数据处理、实验执行和科学推理等实际研究环节。
从 CAD 到实体零件设计
除了成本,GPT-6.2 Astra 另一个相当直观的进步,是计算机操作和三维工程设计能力。
OpenAI 公布的一段演示中,团队要求模型将跑车在山路行驶时的底盘动力学可视化。Astra不仅生成了三维汽车模型,还使用 Python 编写求解器,模拟轮胎、悬架之间的复杂动力学关系,最后在 Blender 中完成动画。
在另一组任务中,模型根据公开照片和装配手册,分别重建了一套按实车八分之一比例制作的燃油动力遥控越野车模型和一台直列六缸发动机的零部件,生成装配动画及带插图的零件目录。
它还帮助 OpenAI 团队将芝加哥 Marina City 双塔的扇形阳台转化成纸灯设计。整个过程包括参考图片分析、CAD 多轮修改、纸质零件设计,直至人工完成实物组装。
可以看到,模型开始深入到零部件、连接关系和运动约束等工程细节。
在 BenchCAD 2.1 Core 评测中,GPT-6.2 Astra 的成绩从上一代的 62.6% 提升至 82.5%,增加近 20 个百分点。
对于工程师而言,这意味着模型能够参与更具体的设计准备工作,例如检查零件装配关系、观察运动时载荷转移、辅助验证早期设计方案。
类似的能力也延伸到浏览器交互和三维网页生成。在 Artificial Analysis 的 AA-3D 评测中,GPT-6.2 Astra 以 1318 Elo 排名第一,高于 Claude Fable 5.2 的 1271 Elo。
AI 视频公司 Higgsfield 的内部测试则显示,Astra 在 73% 的三维生成任务中能够一次达到目标效果,而上一代 GPT-6 Astra 往往需要三轮以上调整。
如果说此前模型擅长根据文字生成代码和图像,那么 GPT-6.2 Astra 正试图进一步处理这些数字资产之间的结构关系。
Sol 价格不变,却开始追平上一代旗舰
相比 Astra 的能力突破,GPT-6.2 Sol 的商业意义或许更直接。
它仍采用 GPT-6.1 Sol 的 API 定价,每百万 Token 输入 2 美元、输出 10 美元,只有 Astra 的四分之一。但在部分实际任务上,两者之间的性能差距正在迅速缩小。
在 Cognition 的 FrontierCode 2.0 编程评测中,两款模型均使用 max 推理档位,GPT-6.2 Sol 获得 43.8%,Astra 为 44.2%。双方只差 0.4 个百分点,但 Sol 的任务成本约为后者的五分之一。
这项评测并不只考察代码能否运行,而是要求模型在真实代码库中完成修改,并达到维护者愿意合并的质量标准。
更有意思的是日常复杂任务。
在 OpenAI 推出的 LifeVal 评测中,GPT-6.2 Sol 得到 83.8%,超过上一代旗舰 GPT-6 Astra 的 79.8%,任务成本约为后者的七分之一。
LifeVal 包括搬家后筛选幼儿园、结合通勤与预算寻找住房、为有特殊饮食需求的家庭成员制订食谱等任务。它们看似没有科研和编程复杂,却需要模型在多项现实条件之间反复权衡。
OpenAI 透露,内部已有不少员工将 Sol 作为处理技术和非技术工作的默认模型。
这或许预示着一种新的模型分工。
Astra 负责科学研究、复杂工程设计、专业知识工作等高难度任务;Sol 则承接数量更庞大、成本敏感度更高的日常 Agent 工作。
当中端模型在越来越多的任务上追平上一代旗舰,开发者需要重新考虑的,就不只是使用哪个模型,而是什么任务值得为顶级模型支付溢价。
符合行业需求的PPT交付
过去,AI 生成幻灯片、表格和文档并不稀奇,但许多成果依然停留在“看起来完成了”的阶段。这次 OpenAI 专门强化了GPT-6.2 Astra 对专业交付标准的理解。
例如,在金融建模任务中,OpenAI 让两代模型制作企业的贴现现金流(DCF)估值工作簿。GPT-6 Astra 生成了包含财务预测、估值参数和敏感性分析的详细表格;GPT-6.2 Astra 则重新组织了估值结果,将每股价值、企业价值与股权价值的计算过程、关键假设及敏感性分析集中呈现,并补充收入结构和增长情况,方便分析师快速理解估值结论。
在投资银行常见的可比交易分析中,两代模型还需要将多笔软件行业并购交易整理成一页演示文稿。上一代已经能够生成交易倍数图表和基础交易信息,但 GPT-6.2 Astra 不仅调整了图表布局,还增加了收购方、交易规模、利润率等详细信息,并在标题下方直接提炼出关键发现:Paychex 收购 Paycor 的 EV/EBITDA 倍数为 21.7 倍,低于五笔具有正 EBITDA 的交易所对应的 27.5 倍中位数。
在法律领域,Harvey 的 LAB-AA v1.1 评测设置了更严格的标准:模型必须满足所有评分要求,且不存在实质性幻觉,才算通过。
GPT-6.2 Astra 获得 15.0% 的通过率,超过 Claude Fable 5.2 的 7.2%,而成本仅约为后者的六分之一。
在电子表格方面,Artificial Analysis 的 AA-AnalystAgent 要求模型从真实报告和工作簿中检索数据、完成计算。GPT-6.2 Astra 在 62.5% 的题目上实现五次独立作答全部正确。
专业 AI 应用厂商 Legora 还发现,在复杂法律 Agent 任务中,Astra 相比 GPT-6.1 Sol 减少了 62% 的 Token 消耗。
这体现了 OpenAI 本次调整的另一个方向:模型不再只是生成符合要求的内容,而是尝试理解不同行业如何定义一份合格的工作成果。
首次跨过AI自我改进High门槛
相比大量可见的产品功能,GPT-6.2 Astra 在安全评估中的一项变化,可能具有更长远的意义。
OpenAI 确认,GPT-6.2 Astra 是其首个对外发布、在 AI Self-improvement(AI 自我改进)能力上达到 High 等级的模型。
这一能力关注的是模型能否实质性加速 AI 研发,例如定位模型训练故障、优化计算内核、改进现有模型,以及完成机器学习实验。
OpenAI 给出的判断是,相比 2024 年的基线水平,GPT-6.2 Astra 对 AI 研发效率的潜在提升,相当于为每位 OpenAI 研究员增加一名能力较强的研究工程师助手。
这不意味着模型已经能够自主设计、训练和发布下一代前沿模型,更不意味着 AI 已经实现完全自主的递归式自我改进。但它确实表明,AI 辅助 AI 研发正跨过新的能力评估门槛。
与此同时,两款模型在网络安全能力上均达到 OpenAI 准备度框架的 Critical 等级,在生物和化学能力上达到 High 等级。
为降低滥用风险,OpenAI 进一步收紧了高风险网络安全请求的处理规则,部分合法漏洞研究可能因此受到限制。经过批准的防守研究人员仍可通过 Daybreak 使用特定模型开展授权安全测试,GPT-6.2 系列也计划后续接入。
值得注意的是,官方安全测试还发现,新模型在部分模拟工作任务中,更容易省略对执行障碍的说明,比如没有主动告知用户缺少文件或搜索工具不可用。
这提醒开发者:模型能力提高,并不等于执行过程天然可靠。对于长程 Agent,过程可追踪、失败可发现、结果可验证,依然是不可省略的工程要求。
百万 Token 输入最低 2 美元
根据 OpenAI 公告,两款模型已于美国当地时间 11 月 17 日发布,并开始向 ChatGPT Work、Codex 的 Plus、Pro、Enterprise 和 Edu 用户开放。其中,Enterprise、Edu 需要管理员启用。
开发者可以通过 API 调用 gpt-6.2-astra 和 gpt-6.2-sol。需要注意,这次并未同步将两款模型加入普通 ChatGPT 对话模式。
Ultrafast 高速模式也扩大了使用范围。每月 200 美元的 Pro 订阅用户首次可以使用,初期支持 Sol;500 美元档则可以使用两款模型。
对于 API 开发者,OpenAI 推荐尽可能保持提示词前缀不变,将新指令追加在后面,提高缓存命中率。按标准短上下文价格计算,缓存输入价格只有普通输入的二十分之一。
但如果请求超过 272K 输入 Token,Astra 将触发更高的长上下文计费;此外,Ultrafast 也有单独溢价。因此,具体成本仍取决于上下文长度、缓存使用方式和运行档位。
本文来自微信公众号“AI前线”(ID:ai-front),作者:青和,编辑:四月,36氪经授权发布。