Newshot

GPT-6.2 Astra 刚发布即遭大量差评,实测后我觉得它有点冤

Summary

OpenAI 可能没想到,自己精心准备的新模型,刚刚发布就迎来了一场颇为热闹的舆论风波。 今天凌晨,OpenAI 正式发布 GPT-6.2 Astra 和 GPT-6.2 Sol,主打更强的专业工作能力、更高的 Token 效率,以及进一步降低的使用成本。 按照官方公布的成绩,新模型在编程、科研、专业办公、3D 设计等领域表现出色,部分任务的完成成本甚至降至上一代的三分之一以下。 而在首批开发者实测中,GPT-6.2 的评价却出现了明显分化。 有人惊叹于它的 3D 生成能力和成本优势,也有人认为模型在复杂任务中表现糟糕,甚至专门写了一封长信向 OpenAI 投诉。 我们也那么 GPT-6.2 究竟表现如何? GPT-6.2 登场,跑分更聪明、更便宜 此次发布的两款模型有着不同定位,其中 GPT-6.2 Astra 面向复杂专业任务,GPT-6.2 Sol 则更加注重效率与成本,覆盖日常办公、编程及多步骤 Agent 工作。 在衡量长周期、多步骤专业任务的 Agents’ Last Exam 测试中,GPT-6.2 Astra 比上一代高出 5.2 分,完成任务的成本却不到后者的三分之一;与 Claude Fable 5.2 相比,它领先 5.5 分, 任务成本仅为对方的 5%。 科研能力同样获得提升。在 Terminal-Bench-Science 0.1 测试中,Astra 的成绩比上一代提高 9 个百分点, OpenAI 甚至宣称,这是目前最适合科学家的模型。 第三方评测机构 Artificial Analysis 的结果也提供了一个参照,GPT-6.2 Astra 在综合智能指数中排名第二,仅次于 Claude Fable 5.2,但在 Coding Agent 指数中与上一代持平,GPT-6.2 Sol 反而下降了 3 分。 相比单纯刷新 Benchmark,此次发布更值得关注的变化,是 OpenAI 开始重点展示模型如何完成真实工作。 比如给 Astra 一张 PPT 截图,它就能模仿原有的布局、字体和配色制作新页面;交给它财务报表,它还能生成包含收入预测、估值分析的 Excel 工作簿。 在 OpenAI 内部 GDPval v2 评测中,Astra 比上一代提高了 6.2 个百分点,输出 Token 减少 22%;在 Harvey LAB-AA 法律工…

Original text(via 爱范儿)

GPT-6.2 Astra 刚发布即遭大量差评,实测后我觉得它有点冤

2026-11-18 10:39

OpenAI 可能没想到,自己精心准备的新模型,刚刚发布就迎来了一场颇为热闹的舆论风波。

今天凌晨,OpenAI 正式发布 GPT-6.2 Astra 和 GPT-6.2 Sol,主打更强的专业工作能力、更高的 Token 效率,以及进一步降低的使用成本。

Image
Image

按照官方公布的成绩,新模型在编程、科研、专业办公、3D 设计等领域表现出色,部分任务的完成成本甚至降至上一代的三分之一以下。

而在首批开发者实测中,GPT-6.2 的评价却出现了明显分化。有人惊叹于它的 3D 生成能力和成本优势,也有人认为模型在复杂任务中表现糟糕,甚至专门写了一封长信向 OpenAI 投诉。

我们也那么 GPT-6.2 究竟表现如何?

GPT-6.2 登场,跑分更聪明、更便宜

此次发布的两款模型有着不同定位,其中 GPT-6.2 Astra 面向复杂专业任务,GPT-6.2 Sol 则更加注重效率与成本,覆盖日常办公、编程及多步骤 Agent 工作。

在衡量长周期、多步骤专业任务的 Agents’ Last Exam 测试中,GPT-6.2 Astra 比上一代高出 5.2 分,完成任务的成本却不到后者的三分之一;与 Claude Fable 5.2 相比,它领先 5.5 分,任务成本仅为对方的 5%。

Image
Image

科研能力同样获得提升。在 Terminal-Bench-Science 0.1 测试中,Astra 的成绩比上一代提高 9 个百分点,OpenAI 甚至宣称,这是目前最适合科学家的模型。

Image
Image

第三方评测机构 Artificial Analysis 的结果也提供了一个参照,GPT-6.2 Astra 在综合智能指数中排名第二,仅次于 Claude Fable 5.2,但在 Coding Agent 指数中与上一代持平,GPT-6.2 Sol 反而下降了 3 分。

Image
Image

相比单纯刷新 Benchmark,此次发布更值得关注的变化,是 OpenAI 开始重点展示模型如何完成真实工作。

比如给 Astra 一张 PPT 截图,它就能模仿原有的布局、字体和配色制作新页面;交给它财务报表,它还能生成包含收入预测、估值分析的 Excel 工作簿。

在 OpenAI 内部 GDPval v2 评测中,Astra 比上一代提高了 6.2 个百分点,输出 Token 减少 22%;在 Harvey LAB-AA 法律工作评测中,其任务通过率超过 Claude Fable 5.2 的两倍,成本约为后者的六分之一。

Image
Image

更令人意外的,是 GPT-6.2 在 3D 设计和机械工程领域的进步。

OpenAI 展示了 Astra 在 Blender 中模拟汽车悬架运动、制作遥控赛车装配动画,以及根据芝加哥 Marina City 大楼的阳台设计实体纸灯等案例。

在 Artificial Analysis 的 AA-3D 评测中,Astra 以 1318 Elo 排名第一,较上一代提高了 150 Elo 分,领先 Claude Fable 5.2 的 1271 Elo。

社交平台上的首批实测,也让这种进步变得更加直观。

LuminaBench 在相同提示词测试中发现,GPT-6.2 Sol 生成的 3D 水上飞机场景相比 6.1 Sol 明显进步。

Image
Image

开发者 eric provencher 展示了 Astra 根据参考图制作的精细 3D 演示程序,还能直接通过 WebGPU 在浏览器中运行;

Image
Image
Image
Image

Synopsis 则用它搭建了接近真实、可步行的迪士尼灰姑娘城堡,连烟花、水面纹理和船只场景都颇为逼真。

Image
Image

不过,AmirMušić 在测试 Astra 配合 Blender 制作机械手模型和动画后认为,实际效果尚可,但距离惊艳还有不小差距。

Image
Image
Image
Image

至于主打效率的 GPT-6.2 Sol,在 FrontierCode 2.0 编程测试中,与 Astra 的成绩仅相差 0.5 分,成本却只有约五分之一。

Image
Image

价格方面,GPT-6.2 Astra 的 API 输入和输出价格比上一代下降 20%,缓存输入下降 60%,每百万 Token 的输入、缓存输入及输出价格分别为 8 美元、0.4 美元和 40 美元。

GPT-6.2 Sol 则保持上一代价格,每百万 Token 输入 2 美元、缓存输入 0.1 美元、输出 10 美元。

Image
Image

目前,两款模型已向 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户开放,同时上线 API,Ultrafast 模式也首次向 Pro 200 用户开放。

Image
Image

实际测试中的成本差异同样明显。

开发者 Tony 在相同高山水上飞机提示词下,使用 GPT-6.2 Sol 耗时约 31 分钟、花费 2.07 美元,而 Claude Opus 5.5 耗时约 2 小时 46 分钟、花费 31.85 美元。

Image
Image

在另一组冰川渔船场景中,Astra 以 8.20 美元、约 41 分钟完成任务,Claude Fable 5.2 则花费 81.10 美元和近两小时。

Image
Image

从专业工作到 3D 设计,再到价格,OpenAI 交出了一份相当漂亮的成绩单,但开发者的实际使用体验,却远比跑分呈现得复杂。

最聪明的 AI,未必是你最想用的 AI

GPT-6.2 上线后,几位提前获得体验资格的知名开发者,接连表达了失望。

AI 开发者 Matt Shumer 在 X 平台直言,自己不会对 GPT-6.2 Astra 和 Sol 进行完整评测,因为此前的测试体验实在太糟糕,两款模型基本无法使用。

Image
Image

Every 联合创始人 Dan Shipper 的团队也提前测试了数周,认为 GPT-6.2 的整体表现令人失望。

按照他的观察,Astra 在写作方面甚至不如上一代,过分追求简洁,导致需要详细解释的问题经常得到过短的回答;编程表现与上一代接近,却经常在真实项目中提前停止工作;设计方面虽然有不错的审美,却容易生成高度相似的作品。

批评最激烈的,还得是知名开发者 Theo。

他透露,自己因为 GPT-6.2 Astra 的表现过于糟糕,专门花了一整天给 OpenAI 写投诉信。模型经常在长期任务中突然暂停,询问用户内部文件该如何命名等无关紧要的问题,还曾在一个 TypeScript 转 Rust 项目中连续运行 11 天,没有取得有效改进,反而一度让编译器运行速度下降了 56%。

Image
Image

更让 Theo 头疼的是,Astra 经常能写出不错的代码,却无法清楚解释自己做了什么。

有一次,他询问某台电脑为什么运行缓慢,Astra 给出四段复杂的技术分析,而 Claude Opus 5.5 直接指出原因是 SSD 太慢,如今他甚至习惯让 Claude 帮忙解释 Astra 的工作结果。

颇具讽刺意味的是,Theo 也承认 Astra 在代码审查、3D、游戏开发和计算机操作方面表现出色,甚至曾帮他设计出一套预计每月节省 2.5 万美元的反向代理方案,但这些优势依然不足以让他将其作为日常开发工具。

开发者 Flavio Adamo 也认为,Astra 的 3D 能力非常优秀,但在前端开发中经常擅自采用自己的设计风格,无法自然延续现有项目的视觉规范。

Image
Image

类似问题也出现在更多实测中。aipulsedaily 在曼哈顿 3D 场景测试后表示,Astra 虽然能够完成场景,但速度极慢,镜头移动迟缓,其他任务中也经常不够配合,因此正式工作仍会优先使用 Opus 和 Fable。

Image
Image

几位开发者的批评集中在相似的问题上,包括长期任务异常中断、执行偏离目标、沟通解释困难,以及对用户要求的遵循不足。

不过,提前体验者 Pietro Schirano 提出了不同看法,认为不少问题来自外围 Agent 执行框架 Harness,移除相关框架后,Astra 的表现明显改善。

OpenAI 自己也在官方博客中承认,在两项对齐测试中,新模型更容易遗漏妨碍任务完成的重要信息,例如文件缺失、搜索工具无法使用等,目前已通过调整 Codex 指令改善相关行为。

看完这些褒贬不一的评价,我也拿 GPT-6.2 做了三组测试,依旧分别是第三人称水下探索游戏、动画风乡村骑行体验,以及基础 WebGL 交互场景,重点考察模型对复杂需求、3D 场景搭建和交互逻辑的处理能力。

三个项目覆盖了从基础图形开发到复杂交互场景的不同需求,但从我的体验来看,GPT-6.2 的表现远没有网上所说的那么糟糕,首发后的舆论更像是差评的声音被集中放大了。

究其原因,随着 Agent 开始参与软件开发、专业设计和科研工作,一次任务可能持续数小时甚至数天,模型需要自行规划、调用工具并处理障碍,任何一次错误判断,都可能让用户付出额外时间和 Token 成本。

Theo 遇到的文件命名问题,对于普通聊天来说只是无关紧要的提问,但对于已经运行两个小时的 Agent,却意味着任务被迫中断。

同样,模型持续消耗 Token 改善程序体积,却忽略用户希望提升的性能,也说明自主执行能力越强,错误决策的代价可能越高。

Image
Image

尤其值得注意的是,OpenAI 此次反复强调 GPT-6.2 的成本优势,但真实项目的花费,还取决于模型能否准确理解目标、减少重复操作,并交付符合要求的结果。

单次推理价格降低,整个项目却可能因为反复试错变得更加昂贵。

另一方面,随着模型能力逐渐多元化,单一场景的表现也越来越难以代表一个模型的整体水平。

同样是 GPT-6.2 Astra,它可以在 3D 生成中取得令人惊艳的成绩,也可能在长期编程任务中反复兜圈子;有人觉得它的交互体验令人抓狂,也有人认为它的成本效率足以改变自己的工作流程。

Image
Image

不同任务对模型能力的要求本就不同,用户对模型好坏的判断,自然也会出现分歧。

GPT-6.2 的争议,恰好反映出大模型竞争正在发生的变化。

过去几年,模型厂商不断尝试证明自己的 AI 比竞争对手更聪明,如今随着 Agent 进入真实工作流程,用户开始更加关注它能以怎样的效率、成本和可靠性完成任务。

对于普通用户而言,与其被社交平台上最激烈的评价左右,不如把模型放进自己的工作场景中,看看它究竟能完成多少事情。最聪明的模型,未必是最好用的模型;最好用的模型,也未必需要证明自己最聪明。

推荐文章

The text above was extracted automatically from the source page and may miss images, tables or code blocks. The original is authoritative.

Published by 爱范儿
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 ↗