Newshot

OpenAI 发布 GPT-6.2 Astra 和 Sol:API 价格更低,部分基准测试成绩提升

AI summary

OpenAI 发布 GPT-6.2 Astra 和 Sol 两款新模型,能力更强且价格低于前代。在独立的 Artificial Analysis Intelligence Index 中,Astra 排名第二,仅次于 Claude Fable 5.2;它也是首个在 OpenAI 自有的评估尺度上达到 AI 自我改进“High”阈值的已发布模型。OpenAI 自身将这一情况归类为风险。

Translation(model translation, not the source's own text)

OpenAI 发布 GPT-6.2 Astra 与 Sol:API 价格更低,部分基准测试成绩提升

图片说明
图片说明

要点

  • OpenAI 发布了两款新模型:GPT-6.2 Astra 和 GPT-6.2 Sol。它们与 Anthropic 最强的模型不相上下,但价格便宜得多。
  • Astra 面向科学、法律和金融领域的高要求专业工作,而 Sol 则针对快速的日常任务。两者现已向 Plus、Pro、Enterprise 和 Edu 用户开放。Astra 的 API 价格比其前代低 20%。
  • 在 Artificial Analysis 智能指数中,GPT-6.2 Astra 排名第二,仅次于 Anthropic 的 Claude Fable 5.2,但据 Artificial Analysis 称,它在性价比方面占据了帕累托前沿的主导地位。

OpenAI 发布了两款新的语言模型。GPT-6.2 Astra 面向高要求的专业工作,而 GPT-6.2 Sol 则为日常使用打造。OpenAI 表示,两者在基准测试中均优于前代,且运行成本更低。

GPT-6.2 Astra 和 Sol 现已向 ChatGPT Work 和 Codex 中的 Plus、Pro、Enterprise 和 Edu 用户开放。Pro-500 订阅用户可以在两款模型上使用 Ultrafast 模式。Pro-200 订阅用户也首次获得 Ultrafast 访问权限,先从 GPT-6.2 Sol 开始。

开发者可以通过 OpenAI API 访问这两款模型。OpenAI 表示,GPT-6.2 Astra 的 API 价格比其前代便宜 20%,为每百万输入 token 8 美元、缓存输入 0.40 美元、每百万输出 token 40 美元。GPT-6.2 Sol 保持 GPT-6.1 Sol 的定价:每百万 token 输入 2 美元、缓存输入 0.10 美元、输出 10 美元。

OpenAI 称 Astra 是“全球最适合科学家的模型”,并强调精美的幻灯片

OpenAI 训练 GPT-6.2 Astra 以更可靠地处理法律、金融和会计等领域的专业惯例。该公司表示,演示文稿会从模板中提取布局、颜色和排版,并匹配精确的字体大小。幻灯片标题旨在抓住幻灯片的核心要点,而正文则专注于关键细节。

OpenAI 的公告大力强调其模型的性价比。据 OpenAI 称,在测试多步骤专业工作流的基准 Agents' Last Exam 上,GPT-6.2 Astra 的得分比其前代 GPT-6 Astra 高 5.2 分,成本却不到三分之一。它以仅 5% 的成本领先 Anthropic 的 Claude Fable 5.2 达 5.5 分。在该基准上,只有 Google 的 Gemini 4 Carbon 能与 Astra 匹敌。

据 OpenAI 称,在涵盖合同条款分析等任务的法律基准 Harvey LAB-AA 上,GPT-6.2 Astra 的通过率是 Claude Fable 5.2 的两倍多,成本约为其六分之一。在包含咨询、金融和设计任务的内部基准 GDPval-v2 上,OpenAI 表示 Astra 比其前代提升 6.2 个百分点,同时输出 token 用量减少 22%。

OpenAI 表示,计算机使用能力——本已是前代的强项——再次得到提升。在测试中,该模型据称构建了一个 3D 汽车模型,用 Python 编写了一个物理求解器,并在 Blender 中为结果制作了动画。在另一个演示中,它逐个部件地为一个遥控车零件建模,并生成了动画装配指南。

OpenAI 还声称在网页设计方面取得了进展。在 3D 基准 AA-3D 上,由人类评审比较两个盲测的交互体验。GPT-6.2 Astra 以 1,318 Elo 分位居第一,领先于 Claude Fable 5.2 的 1,271 分和 GPT-6.2 Sol 的 1,259 分。

据 OpenAI 称,在测试终端中科学工作流的基准 Terminal-Bench-Science 上,该模型的得分比 GPT-6 Astra 高 9 个百分点,成本同样不到三分之一。OpenAI 表示,Astra 还在 Vals Science Index 上创下新高,该指数衡量模型解读生物数据和运行实验的能力。

Sol 以一小部分成本几乎追平原版 Astra

OpenAI 表示,GPT-6.2 Sol 面向希望获得快速、通用模型来处理日常任务的用户。在编程基准 FrontierCode 2.0 上——该基准检查代码变更是否达到真实项目的质量标准——Sol 仅落后 Astra 0.5 分,而成本只有五分之一。OpenAI 表示,该模型也能很好地处理非工作类任务。

据 OpenAI 称,GPT-6.2 Astra 和 Sol 在网络安全方面也有所提升。它们能更有效地发现和利用漏洞,编写更安全的代码,并提供更好的缺陷修复,在多项测试中 token 效率明显更高。两款模型都达到了 OpenAI 的 Preparedness Framework 中网络安全的“Critical”阈值,正如之前的 GPT-6 Astra 一样。

作为回应,OpenAI 正在针对可能高风险的网络安全请求增加更严格的防护措施。OpenAI 表示,这些防护措施应会让滥用更难,但也会限制合法的漏洞研究和安全测试。

OpenAI 计划通过 OpenAI Daybreak 提供这些新模型;该渠道已经让经过审查的安全研究人员访问其他防护限制更少的模型。已公布的网络安全基准数据来自关闭防护措施和分类器的内部测试。OpenAI 在随附的安全报告中阐述了其方法。

Astra 在 Artificial Analysis Intelligence Index 中排名第二

在 Artificial Analysis Intelligence Index 中——该指数汇总了知识工作、编程、科学和常识领域的九项评估——GPT-6.2 Astra 排名第二,仅次于 Anthropic 的 Claude Fable 5.2。据 Artificial Analysis,Astra 比 GPT-6 Astra 提升 5 分,超过 Google 的 Gemini 4 Carbon(60 分)和 Anthropic 的 Claude Opus 5.5(59 分)。GPT-6.2 Sol 提升 2 分达到 57 分,在每任务成本仅约 15% 的情况下追平 GPT-6 Astra 的水平。

据 Artificial Analysis,OpenAI 占据了成本与性能的帕累托前沿,即没有其他模型能同时更便宜且更好的那条线。只有 Anthropic 和 Meta 的模型也位于该前沿上。按每任务输出 token 数衡量,OpenAI 也占据了效率榜的大多数前列位置。Claude Fable 5.2 是唯一出现在那里的外部模型。

GPT-6.2 Astra 在 Intelligence Index 中以 62 分排名第 2,仅次于 Claude Fable 5.2(65)。OpenAI 模型在成本与性能的帕累托前沿上占据主导。| 图片:Artificial Analysis
GPT-6.2 Astra 在 Intelligence Index 中以 62 分排名第 2,仅次于 Claude Fable 5.2(65)。OpenAI 模型在成本与性能的帕累托前沿上占据主导。| 图片:Artificial Analysis

Artificial Analysis 支持了 OpenAI 在科学和事实知识方面的说法。GPT-6.2 Astra 在 Terminal-Bench-Science 0.1 上领先,并在物理推理测试 CritPt v2、事实知识基准 AA-Omniscience 和知识基准 HLE-Diamond 上排名第二,落后于 Claude Fable 5.2。Astra 在 3D 设计(AA-3D)和机器人(AA-Robotics v0.1)方面也领先,在机器人方面得分为 79,而 Sol 为 78,Claude Fable 5.2 为 75。

不过,编程是另一回事。据 Artificial Analysis,两款模型在该领域都已停滞不前。在 Coding Agent Index 中,使用 Codex harness 在最大算力下测量,GPT-6.2 Astra 仍停留在 GPT-6 Astra 的位置。GPT-6.2 Sol 实际上比 GPT-6.1 Sol 下降了 3 分。这一下降来自 SWE-Atlas-QnA-AA 上 14 分的下滑;在该基准中,该模型比其前代更频繁地在回答中遗漏关键事实。

Artificial Analysis 也指出幻觉率偏高。在最大努力设置下,GPT-6.2 Astra 有 59% 的情况会产生幻觉,Sol 为 55%。该指标是 AA-Omniscience Hallucination Rate,衡量的是模型在事实性问题上有多频繁地靠猜测作答、而不是直接说“不知道”。这些都是异常困难的问题,因此这些数字并不反映日常的幻觉率。

Epoch AI 认为 Astra 与 Fable 5.2 持平,但在真实世界任务上更弱

研究机构 Epoch AI 在发布前用自己的基准测试了 GPT-6.2 Astra。该模型在 Epoch Capabilities Index(ECI)上获得 174 分,与 Anthropic 的 Fable 5.2 并列。据 Epoch AI 称,这两款模型都超过了在 Astra 之前推理模型既有趋势所预测的水平。

在取自 Epoch AI 自身研究的真实世界任务上,Astra 落后于 Fable 5.2,相比 GPT-6 Astra 也几乎没有提升。据 Epoch AI 称,该模型在较简单的研究项目中没抓住核心问题,还在试图修补问题时原地打转。在一项关于调研 AI 数据中心的任务中,Astra 过于求稳,跳过了关键估算——Epoch AI 表示,没有哪个承包商敢这么做。Epoch AI 评价 Astra 的写作水平在受测模型中相对较强,但仍低于其自身设定的标准。

有一点很突出:Astra 能在单个输出 token 内完成复杂推理,且没有可见的思维链。Epoch AI 测出 Astra 的串行步数为 12.3,高于 GPT-6 Astra 的 10.5,以及当时最强的非 OpenAI 模型 Claude Fable 5.1 的 4.2。能以这种方式推理却不展示过程,会使模型更难被监控——这一安全担忧在 Astra 首个模型上就已出现。

在 FrontierMath Erdős——一个由未解数学问题构成的基准——上,GPT-6.2 Astra 解出了 68 道题中的 7 道,每道都在证明助手 Lean 中完成了形式化验证。此前的纪录是 68 道中 3 道,由 GPT-6.1 Sol 创造。这七道题中有一道此前没有已知解。

Vals AI 将 Astra 和 Sol 排进前十,但发现法律领域的短板

GPT-6.2 Astra 在 Vals Index 中排名第 7,GPT-6.2 Sol 排名第 9,两者仅相差 1.6 分。但价格差距很大。据 Vals AI 称,Sol 每任务成本为 3.18 美元,不到 Astra 的 10.68 美元的三分之一,是前十名中最便宜的模型。Astra 也比前代更便宜,得分比 GPT-6 Astra 高 2.6 分,而每任务成本约为其 21.28 美元的一半。Vals AI 称,Astra 在前十名中使用的输出 token 最少,平均每任务 91,000 个。

Vals AI 支持了 OpenAI 关于在 Vals Science Index 上排名第一的说法。Astra 在该榜单中领先,并在 Terminal-Bench Science 和 VCB 1–100 上位列第一,成本与运行时间均约为 GPT-6 Astra 的一半。Sol 在 Terminal-Bench Science 上位列第三,成本约为 Astra 的四分之一。在更广泛的智能体编程基准 Terminal-Bench 4 上,Astra 位列第 5,Sol 位列第 7。

据 Vals AI 称,法律类测试是这些模型的短板。在 HLAB 基准上,Astra 和 Sol 的得分是前代的两倍,但仅排名第 11 和第 21。在法律研究基准上,下滑更为明显,Astra 排第 30,Sol 排第 52。Vals AI 称,这两款模型的工具调用次数几乎是前代的两倍,但给出的答案更短。

今年 9 月,OpenAI 发布了一款名为“Astra for Law”的专门产品。它在 Legal Research Bench 上明显优于基础模型,达到第 6 名。Vals AI 在 100 万 token 上下文窗口、最大输出 128,000 token、完整推理努力设置下测试了这两款模型。

GPT-6.2 Astra 是首个达到 OpenAI AI 自我改进“High”阈值的已发布模型

OpenAI 发布 GPT-6.2 Astra 和 Sol,API 价格更低,部分基准测试成绩提升

据 OpenAI 称,GPT-6.2 Astra 是首个在 AI 自我改进方面达到“High”阈值的外部发布模型。OpenAI 表示,该模型能显著加速 AI 研究,效果相当于为每位 OpenAI 研究员额外配备一名高技能研究工程师。

OpenAI 明确将此列为一个风险。能帮助构建未来 AI 系统的模型,可能使该领域的发展速度超过安全措施和人类监督所能跟上的速度。业界目前正围绕“RSI”这一标签艰难应对这一问题。

作为应对措施,OpenAI 指出研究环境中更严格的管控,以及其监控系统 Control Room,该系统可追踪研究任务,并在需要时将其叫停。该公司还表示,已扩大监控范围,用于检查模型如何推理和行动,并自动标记未经授权的行为。

在 alignment(即模型遵循用户指令和坦诚沟通的程度)方面,OpenAI 称新模型与前代模型相当。但在两项测试中,它们更常未能标记阻碍其工作的障碍,例如文件缺失或搜索工具不可用。

不带炒作的 AI 新闻——由人类策划

订阅 THE DECODER,即可享受无广告阅读、每周 AI 新闻简报、每年六期独家“AI Radar”前沿报告、完整档案访问权限,以及评论区访问权限。

The translation is machine-generated and individual terms may be off. Nothing is rewritten or cut; the original is authoritative.

Published by The Decoder
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗