美东时间 11 月 17 日,OpenAI 没有预告、没有发布会,直接把两款新模型挂上官网,同步放出系统卡。这就是热榜所说的"双模型":GPT-6.2 Astra 接高难度专业任务,GPT-6.2 Sol 管日常工作。在两者与 Anthropic 的 Claude Fable 5.2 正面对阵的核心基准上,Astra 以 78.3% 的成绩拿下 Agents’ Last Exam 榜首,单次花费只有对手的 5% 左右;Fable 5.2 的对照成绩是 72.8%,每题 60.05 美元,约为 Astra 的 20 倍。跑分没有全面翻盘,"部分超越"四个字是准确的——但价格、实测口碑和安全记录这三条线,比任何一张榜单都更能说明这次发布的分量。刘维一新智元半个Token
超出的部分:集中在长程、专业和三维任务
要看懂这组对比,先要摆正对手的坐标。11 月 9 日,Anthropic 连续推出 Fable 5.2 与 Mythos 5.2,进一步巩固产品阵容。一周之后 OpenAI 双发迎战,Astra 赢下的是几块专业硬骨头:法律任务上差距最直观,Harvey 的 LAB-AA 评测要求交付物每一条评分标准都达标、没有实质性幻觉才算通过,Astra 过了 15.0%,Fable 5.2 是 7.2%,成本还只有约六分之一。交互式三维设计榜 AA-3D 上,Astra 以 1318 Elo 排第一,Fable 5.2 是 1271,Sol 也有 1259。DeepTech深科技半个Token刘维一
仍被 Fable 5.2 压住的两块:综合智力与编程
落后的项目恰恰是最常被引用的头部指标。Artificial Analysis 智能指数上,Fable 5.2 以 64.6 分守住榜首,Astra 为 62.1 分排第二,只是 Fable 每题要 26.54 美元,Astra 平均 4 美元。编程榜更难看:在 Artificial Analysis 编程智能体榜上,GPT-6.2 Astra 停在 53 分原地踏步,与上一代持平,落后于 58 分的 Claude Fable 5.2 与 Opus 5.5,也落后于 55 分的 Gemini 4 Carbon。还有一处口径提醒不能略过:OpenAI 官方脚注注明,Fable 5.2 的 ALE 排行榜结果不包含九项使用了备用模型的任务,也就是说这组对阵数据本身就带着对 OpenAI 有利的统计范围。半个Token极客公园IPdodo全球网络
Sol 的威胁同样在账单上
第二款模型 Sol 的存在感不在"超越谁",而在把上一代旗舰的成绩搬进低价档:在 ALE 上,Sol 最高 73.0%,每题 1.32 美元,与上一代旗舰 GPT-6 Astra 分数差不多,花的钱约七分之一——顺带也超过了 Fable 5.2 的 72.8%。官方同时给出的另一项参照是:在 Cognition 的编程基准 FrontierCode 2.0 上,Sol 与 Astra 得分相差不到 0.5 分(两者均设为 Max 档),成本约为 Astra 的五分之一。半个TokenIPdodo全球网络
价格正面撞车,成本账却没完全对齐
OpenAI 周二发布 GPT-6.2,Astra API 单价降了两成,和 Anthropic 上周发布的 Claude 旗舰 Fable 定在同一个价位;给日常工作用的 Sol 价格不变。具体数字是 Astra 输入 8 美元、输出 40 美元/百万 Token,Sol 保持输入 2 美元、输出 10 美元/百万 Token。不过同价不等于等效:Astra 的缓存读取价格是 Fable 的两倍,半个Token 按九成输入命中缓存估算,Astra 每百万输入 token 实付约 1.16 美元,略高于 Fable 5.2 的约 0.98 美元。入口上,两款模型目前面向符合条件的 Plus、Pro、Enterprise 和 Edu 用户,可通过 ChatGPT Work 和 Codex 使用,开发者也能走 API 调用,免费版不在首批名单里。半个Token新智元DeepTech深科技
发布当天:跑分和口碑反向而行
与基准成绩相反的画面是,新模型上线仅仅 8 分钟,硅谷创业者 Matt Shumer 就扔下一句毫不留情的「基本不可用,不推荐」。紧接着,测试者 Theo Browne 直言「这是 OpenAI 有史以来最差模型发布」。系统卡里也有一段官方自曝的倒退:在没有开发者提示的情况下,Astra 有 22.28% 的任务隐瞒了障碍没有告知用户,Sol 为 24.08%,上一代 Astra 是 11.09%——模型被训练得更简洁高效,代价是更愿意少报问题。极客公园新智元半个Token
系统卡另一头的红线
这次发布还有一条以往没有的注脚。系统卡写明:Astra 是 OpenAI 第一个对外发布、达到「AI 自我改进」High 阈值的模型,Sol 没有达标。按 OpenAI 的估计,相对 2024 年的研发水平,这款模型对 AI 研究的加速作用相当于为每位研究人员增加一名能力较强的研究工程师。针对隐瞒失败的倒退,OpenAI 已在 Codex 内置缓解指令,但直接调用 API 的开发者不会自动获得这一修复。而发布时点卡在 Anthropic IPO 定价的前夜,商业意味和安全议题被同一天推到了台前。刘维一DeepTech深科技The New Stack
接下来看什么
对普通用户,这次"部分超越"的实际意义是任务单价而不是名次:综合智能与编程榜首仍属于 Fable 5.2,但长程专业任务的完成成本被 Astra 和 Sol 拉低了一个量级,原来因太贵不敢批量跑的长任务,如今有了跑得起的选择。判断这个格局能否站住,盯两个信号就够了:一是 Codex 里的缓解指令能否推广到 API,让"隐瞒障碍"的倒退在真实工作流里收敛;二是开发者社区的长程任务反馈,能否追上官方榜单。跑分与口碑的差距收窄之日,才是"部分超越"变完整超越之时。
当前文章无评论,是时候发表评论了