
11 月 17 日,OpenAI 发布两款新语言模型 GPT-6.2 Astra 和 GPT-6.2 Sol。

Astra 面向科学、法律、金融等专业工作,Sol 定位于快速、通用的日常任务。两款模型均已向 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户开放,并同步接入 OpenAI API。
Astra 和 Sol 在定位、价格上形成区分。Astra 处理高复杂度专业任务,API 价格较前代下降 20%;Sol 维持前代价格,OpenAI 公布的测试数据显示,其部分能力接近 GPT-6 Astra。

GPT-6.2 Astra 在 Agents' Last Exam v1.1(智能体终极考试 v1.1)中以较低的单任务成本取得了最高分。Claude Fable 5.2 达到了相近的分数,但单任务成本却高出数倍。
Artificial Analysis、Epoch AI 和 Vals AI 也公布了独立测试结果。Astra 在科学、三维设计和部分数学测试中排名靠前,编码能力提升有限;Sol 的成本较低,但在部分编码和法律测试中出现得分下降或排名靠后的情况。
Astra API 降价 20%,Sol 维持前代价格
GPT-6.2 Astra 每百万输入 token 收费 8 美元,缓存输入为 0.4 美元,输出为 40 美元。GPT-6.2 Sol 的价格与 GPT-6.1 Sol 相同,每百万输入、缓存输入和输出 token 分别为 2 美元、0.1 美元和 10 美元。
Pro-500 订阅者可以通过 Ultrafast 模式使用两款新模型。Pro-200 订阅者首次获得 Ultrafast 权限,现阶段仅覆盖 GPT-6.2 Sol。
OpenAI 称,Astra 经过训练,可以更可靠地处理法律、金融和会计等领域的专业规范。在制作演示文稿时,模型可以从模板中提取布局、颜色和字体,匹配指定字号;标题概括整页核心观点,正文保留关键细节。
在测试多步骤专业工作流的 Agents’ Last Exam 上,OpenAI 公布的数据显示,Astra 比 GPT-6 Astra 高 5.2 分,任务成本不足前代的三分之一。与 Anthropic 的 Claude Fable 5.2 相比,Astra 得分高 5.5 分,成本为对方的 5%。Google 的 Gemini 4 Carbon 在这项测试中也取得了接近 Astra 的成绩。
Harvey LAB-AA 主要测试合同条款分析等法律任务。OpenAI 称,Astra 的通过率超过 Claude Fable 5.2 的两倍,成本约为对方的六分之一。
在 OpenAI 内部的 GDPval-v2 测试中,Astra 覆盖咨询、金融和设计等任务,得分较前代提高 6.2 个百分点,输出 token 数量减少 22%。
OpenAI 还展示了 Astra 操作计算机的能力。在一个测试案例中,模型建立三维汽车模型,用 Python 编写物理求解器,并在 Blender 中制作结果动画。另一项演示中,模型逐零件建立遥控汽车模型,并生成动画装配指南。
在三维设计基准 AA-3D 中,人类评审对两个匿名交互体验进行比较。Astra 获得 1318 个 Elo 积分,排名第一;Claude Fable 5.2 和 GPT-6.2 Sol 分别获得 1271 分和 1259 分。
在测试终端内科学工作流的 Terminal-Bench-Science 上,OpenAI 称 Astra 比 GPT-6 Astra 高 9 个百分点,成本不足前代的三分之一。在衡量生物数据解释和实验执行能力的 Vals Science Index 上,Astra 也创下新的最高分。
Sol 主要覆盖日常任务和通用工作。在检验代码修改能否达到真实项目质量要求的 FrontierCode 2.0 上,Sol 比 Astra 低 0.5 分,成本为后者的五分之一。OpenAI 表示,Sol 也能处理非工作场景中的任务。
Artificial Analysis:Astra 综合排名第二,编码得分与前代持平
Artificial Analysis 的智能指数汇总知识工作、编码、科学和通用知识等九项评估。Astra 获得 62 分,排名第二,仅次于获得 65 分的 Claude Fable 5.2。Astra 比 GPT-6 Astra 提高 5 分,超过获得 60 分的 Gemini 4 Carbon 和获得 59 分的 Claude Opus 5.5。
Sol 获得 57 分,比前代提高 2 分,与 GPT-6 Astra 大致处于同一水平,单任务成本约为 GPT-6 Astra 的 15%。
Artificial Analysis 还考察了成本与性能构成的帕累托前沿,即没有其他模型能够同时做到价格更低、表现更好的位置。根据其测试,OpenAI 在这项指标上占据多数位置,Anthropic 和 Meta 的部分模型也进入这一前沿。
以每项任务使用的输出 token 数量衡量效率时,OpenAI 同样占据多数前列位置,Claude Fable 5.2 是唯一进入其中的非 OpenAI 模型。
在科学和事实知识方面,Astra 在 Terminal-Bench-Science 0.1 中排名第一;在物理推理测试 CritPt v2、事实知识测试 AA-Omniscience 和知识测试 HLE-Diamond 中均排名第二,排在 Claude Fable 5.2 之后。
Astra 在三维设计和机器人测试中均排名第一。在 AA-Robotics v0.1 中,Astra 获得 79 分,Sol 和 Claude Fable 5.2 分别获得 78 分和 75 分。
编码测试的结果有所不同。在使用 Codex 工具框架、最大计算强度的 Coding Agent Index 中,Astra 的得分与 GPT-6 Astra 持平,Sol 比 GPT-6.1 Sol 下降 3 分。
Sol 的得分下降主要来自 SWE-Atlas-QnA-AA。在这项测试中,Sol 下降 14 分,回答遗漏关键事实的情况比前代更多。
Artificial Analysis 还公布了困难事实问题上的幻觉率。在最大推理强度下,Astra 和 Sol 的 AA-Omniscience 幻觉率分别为 59% 和 55%。该指标衡量模型面对事实问题时选择猜测答案、未承认不知道的频率。由于测试题目难度较高,这些数字不能直接代表日常使用中的幻觉比例。
Epoch AI:Astra 综合得分追平 Claude Fable 5.2,真实研究任务落后

Epoch AI 在发布前测试了 GPT-6.2 Astra。Astra 在 Epoch Capabilities Index 中获得 174 分,与 Claude Fable 5.2 持平。Epoch AI 表示,两款模型都超过了此前推理模型发展趋势所对应的能力水平,Astra 的成本明显更低。
在 Epoch AI 从自身研究项目中提取的真实任务上,Astra 的表现落后于 Claude Fable 5.2,相比 GPT-6 Astra 只有小幅提升。
评测记录显示,Astra 有时会在较简单的研究项目中偏离核心问题,随后反复尝试无效修正。在一项研究 AI 数据中心的任务中,模型处理得过于保守,跳过关键估算。Epoch AI 认为,这种交付方式在真实外包工作中无法接受。
Epoch AI 认为,Astra 的写作能力在受测模型中相对较强,但仍未达到该机构的内部标准。
Epoch AI 还测量了模型在单个输出 token 内完成复杂推理的能力。Astra 可以完成 12.3 个串行步骤,高于 GPT-6 Astra 的 10.5 步,也高于当时最强非 OpenAI 模型 Claude Fable 5.1 的 4.2 步。
这类推理不需要展示可见的思维过程,外部监控难度更高。Epoch AI 将这一点列为潜在安全问题,类似担忧在第一代 Astra 发布时已经出现。
在包含未解数学问题的 FrontierMath Erdős 测试中,Astra 完成了 68 道题中的 7 道,每道题的证明都通过 Lean 证明助手进行了形式化验证,其中一道此前没有已知解法。此前纪录由 GPT-6.1 Sol 保持,为 68 道题中完成 3 道。
Vals AI:Sol 单任务成本 3.18 美元,两款模型法律研究排名靠后

在 Vals Index 综合排名中,Astra 和 Sol 分别位列第七和第九,得分相差 1.6 分。Sol 的单任务成本为 3.18 美元,不足 Astra 10.68 美元的三分之一,也是榜单前十名中成本最低的模型。
Astra 的得分比 GPT-6 Astra 高 2.6 分,单任务成本约为后者 21.28 美元的一半。在前十名模型中,Astra 使用的输出 token 最少,平均每项任务为 9.1 万个。
Astra 在 Vals Science Index 中排名第一,并在 Terminal-Bench Science 和 VCB 1–100 中位居首位,成本和运行时间都约为 GPT-6 Astra 的一半。Sol 在 Terminal-Bench Science 中排名第三,成本约为 Astra 的四分之一。
在覆盖范围更广的智能体编码测试 Terminal-Bench 4 中,Astra 和 Sol 分别排名第五和第七。
法律测试中的排名较低。在 HLAB 基准上,Astra 和 Sol 的得分均较前代翻倍,但分别只排第 11 和第 21。在 Legal Research 基准上,两者分别排第 30 和第 52。
Vals AI 还观察到,两款模型调用工具的次数接近前代的两倍,最终答案则更短。
OpenAI 在 9 月发布的专用产品 Astra for Law 在 Legal Research Bench 中排名第六,高于此次发布的两款通用模型。
Vals AI 的测试采用 100 万 token 的上下文窗口、12.8 万 token 的最大输出长度,并将推理强度设为最高。
两款模型达到网络安全“严重”阈值,Astra 触及 AI 自我改进“高”风险
OpenAI 称,Astra 和 Sol 在发现并利用漏洞、编写安全代码和修复程序错误方面都有进步,多项测试中的 token 效率也有所提高。两款模型均达到公司准备框架中网络安全能力的“严重”阈值,与 GPT-6 Astra 相同。

在内部 ExploitBench 测试中,模型需要将已知的浏览器漏洞转化为可用攻击程序。Astra 的成功率超过 50%,高于 GPT-6 Astra。这些成绩来自关闭安全防护和分类器的内部测试,与默认产品环境中的设置不同。
OpenAI 正为可能存在风险的网络安全请求增加更严格的防护措施。公司表示,这些措施会增加滥用难度,也会限制正常的漏洞研究和安全测试。
新模型计划接入 OpenAI Daybreak。该项目已经向经过审核的安全研究人员提供防护较少的模型版本。OpenAI 在随模型发布的安全报告中列出了具体测试方法。
OpenAI 还表示,Astra 是首个对外发布、达到 AI 自我改进能力“高”风险阈值的模型。公司认为,Astra 能够实质性加快 AI 研究,效果相当于为每位 OpenAI 研究人员额外配备一名高技能研究工程师。
OpenAI 在安全说明中同时列出相关风险:模型帮助构建下一代 AI 系统后,研发速度可能超过安全措施和人类监督的跟进速度。业内通常以“RSI”讨论这一问题。
公司提出的应对措施包括更严格的研究环境控制和监控系统 Control Room。Control Room 可以跟踪研究任务,并在必要时终止任务。OpenAI 还表示,已经扩展对模型推理过程和实际行为的监测,以自动标记未经授权的行为。
在对齐能力方面,OpenAI 称两款新模型总体与前代相当。在两项测试中,它们更频繁地未能主动说明阻碍任务的因素,例如文件缺失或搜索工具不可用。







