GPT-6.2 Astra 与 Sol 更快切入正题,但透明度得分低于 Claude
要点
- Artificial Analysis 的一项评估显示,OpenAI 的新模型 GPT-6.2 Astra 和 Sol 生成的回答比前代短 34% 到 40%,更直接地回答问题,使用的标题和破折号也少得多。
- 与此同时,这些模型承认不确定性的频率大幅下降。Astra 在该特质上的得分从 96 降至 24,Sol 则从 98 降至 51。
- 与 Anthropic 的 Claude Fable 5.2 和 Opus 5.5 相比,Astra 和 Sol 在结构与透明度上的得分更低。Opus 5.5 在四款模型中信息量得分最高,并在该基准的信息密度排名中位居前列。
Artificial Analysis 的一项评估显示,OpenAI 的沟通风格发生了多大变化。与 Anthropic 的对比揭示了鲜明差异。
OpenAI 的 GPT-6.2 Astra 和 Sol 给出的回答短得多,更快切入正题,对回答施加的结构也比前代更少。与此同时,Artificial Analysis 对它们承认不确定性倾向的评分低得多。
Astra 的平均回答长度从 352 词降至 210 词,降幅 40%。Sol 从 337 词降至 223 词,降幅 34%。两款模型使用的标题和破折号也少得多。Astra 每条回答的平均标题数从 1.99 降至 0.11,Sol 从 1.85 降至 0.25。
组织指数也大幅下降。Astra 从 70 降至 11,Sol 从 86 降至 27。该指数综合了由 AI 评审评定的四项特质,包括回答结构、清晰度,以及衡量模型是否立即回应实际问题的 Answer First。在最后一项特质上,Astra 从 49 跃升至 89,Sol 从 64 升至 87。自然流畅语言的得分也有所上升,Astra 从 58 升至 100,Sol 从 54 升至 79。

最大的变化体现在“承认不确定性”特质上。Astra 的得分从 96 降至 24,Sol 从 98 降至 51。与原始词数不同,这些人格得分是 1 到 100 量表上的相对排名。它们显示某一特质在某个模型身上相对于所有其他被测模型表现得有多强。24 分并不意味着 Astra 只在 24% 的回答中承认不确定性。Artificial Analysis 在 LinkedIn 和 X 上发布了这项评估。
Anthropic 的模型在透明度和结构上领先
我们对全部八项人格指数的对比显示,OpenAI 的最新模型与 Anthropic 的 Claude Fable 5.2 和 Opus 5.5 之间存在明显差距。这些指数汇总了 30 项人格特质,每项均由 AI 评审基于模型回答评定。所有比较均使用 Artificial Analysis 列出的“max”模型变体。
| 人格指数 | Astra 6.2 | Sol 6.2 | Fable 5.2 | Opus 5.5 |
|---|---|---|---|---|
| 表现力 | 66 | 41 | 81 | 90 |
| 组织性 | 11 | 27 | 54 | 79 |
| 信息量 | 31 | 38 | 47 | 90 |
| 透明度 | 41 | 57 | 81 | 90 |
| 亲和力 | 68 | 47 | 83 | 85 |
| 信念感 | 55 | 49 | 75 | 70 |
| 想象力 | 63 | 60 | 68 | 94 |
| 斜率 | 7 | 11 | 7 | 20 |
Anthropic 的模型在透明度指数上得分为 81 和 90,远高于 Astra(41)和 Sol(57)。该指数涵盖五项特质:承认不确定性、真实、声明假设、标记细微差别,以及谄媚。最后一项为反向计分,因为谄媚越少视为越正面。Anthropic 的模型在组织性上也领先。
Opus 5.5 在信息量指数上以 90 分脱颖而出,明显领先其他三款模型。其最强的单项特质包括信息密集和基于证据的推理。
人格得分反映风格,而非准确性
文章标题:GPT-6.2 Astra 和 Sol 更直奔主题,但在透明度上得分低于 Claude
正文: AA-PersonalityBench 使用 900 个英语测试问题,每个模型在没有系统提示的情况下作答。由三个 AI 模型组成的评审团对匿名化的答案对进行评估。对于每一组比较,一名 AI 评委选出哪个答案更强烈地体现了被测人格特质,或判定为平局。
基于这些评估,Artificial Analysis 计算出 30 项单项人格特质的得分,这些得分进而汇入八个更高层级的指数。指数值从 1 到 100,反映每个模型在所有被测模型中的相对位置。
另外,Artificial Analysis 还测量了 21 项沟通特质,这些特质是直接计数的,而非由 AI 评委评分。其中包括平均答案长度,以及每个答案中标题和破折号的数量。
人格得分描述的是沟通风格上的差异,而非整体答案质量。透明度指数较低并不一定意味着模型更频繁地给出错误答案。
THE DECODER+
没有炒作的 AI 新闻——由人工精选
- 每篇 Plus 文章及完整存档
- 无广告横幅
- Frontier Radar:每年 6 篇深度解析
已是订阅用户?登录