本文来自微信公众号: 数字生命卡兹克 ,作者:数字生命卡兹克,原文标题:《深度实测GPT-6.2 Astra,OpenAI在偏科的道路上越走越远了。》
等了半个多月,GPT-6.2,终于来了。
这次是GPT-6.2 Astra和Sol一起发,一个旗舰,一个日常主力。

这个模型真的拖得太久太久了。
从11月1号前后,就有人说灰测到了GPT-6.2 Sol,我后来也灰测到了升级的版本,结果这一等,就等了将近小20天。
今天,终于发了,ChatGPT、Codex还有API已经全部同步上线了。

官方的一些信息读完了,然后我自己也跑了很多测试。
就怎么说呢,这是一个让我有一点失望的模型,它有它特定的作用而且极其偏科,但是对于我来说,可能确实很难有质的体验的飞跃。
那一个一个说吧。
一.GPT-6.2基本信息
老规矩,开头我们惯例先把基本信息过一下。
这次是两个模型。
GPT-6.2 Astra,官方定位是给你最难的项目用的前沿模型,API里的编号是gpt-6.2-astra。
GPT-6.2 Sol,官方定位是日常工作用的高效模型,API里的编号是gpt-6.2-sol。
知识截止日期这次有更新。
GPT-6.2 Astra是2026年5月18日,GPT-6.2 Sol是2026年6月1日,不过因为后训练的原因,所以实际了解的知识,会比这些日期更往后延一些。
GPT-6 Astra当时是4月30日,这次往后推了半个月到一个月,我们当时测是否被灰度到新模型的时候,其实就是看的知识库日期,就是问“禁止联网,你知道Fable5”吗,就可以看出来是GPT-6.1还是灰度到GPT-6.2了。

因为GPT-6 Astra和GPT-6.1 Sol其实都是不知道Fable5这个模型的。
然后价格上,Astra降价了20%,每百万输入Token 8美元,输出40美元,缓存读取从1美元直接降到0.4美元,缓存这块降了60%。
Sol不变,还是输入2美元,输出10美元,缓存0.1美元。
大家还记得我上周写Fable 5.2的时候说过吗,Fable 5.2降价以后的价格,是输入8美元,输出40美元,这次GPT-6.2 Astra一模一样。
上一次GPT-6 Astra发布的时候,定价是跟Fable 5对齐的,这次Fable 5.2降了,OpenAI又跟着对齐了,但还是有个问题,就是大家都知道,你前面两个定价不重要,最重要的是缓存读取的价格以及完成任务需要的Token数。
价格上,我简单做了一个表。

之前GPT-6 Astra的缓存读取贵到没边了,整整1美刀啊,所以大家为啥说烧的那么快,这次确实大幅降价了,降到了0.4美刀,相比之下,Fable 5.2是0.2美刀,Gemini 4 Carbon现在限时半价只要0.1美刀。
但至少确实是比以前便宜多了,不再是直接爆表了,我还记得GPT-6 Astra刚出的时候,我一天就能用完一个200刀的Pro账号的额度。。。
但除了价格之外,还有个东西就是完成任务的Token数,这也是一个必须要看的衡量指标,所以虽然你会看到GPT-6.2 Astra在定价上好像是要比Claude Fable 5.2要贵,但如果你去真的使用这两个模型的话,你会感觉到Claude Fable 5.2消耗额度消耗的极其恐怖,就是因为,完成任务所需要的Token数差距太大了。
这个我们在第二趴详聊。
二.GPT-6.2的特点
这一次,OpenAI依然延续老传统,因为确实在模型的智力和能力上打不过Claude,所以整个模型的关键词,以及所有官方图表的横轴,都是一个东西。
每个任务花多少钱。
比如这个Agents'Last Exam,这是一个测多步骤专业工作的评测,你可以理解成给Agent的期末考。

GPT-6.2 Astra大概是78%,每个任务约3美元。
Claude Fable 5.2大概是73%,每个任务约60美元。
分数高了5.5分,成本只有对方的5%。
而跟自家的上一代GPT-6 Astra比,分数高了5.2分,成本不到三分之一。
明明Claude Fable 5.2价格不是比GPT-6.2 Astra便宜吗,为啥最终差距能有这么多呢,秘诀就在于消耗的Token量。

从这个每项任务的输出Token量来看,GPT其实是非常恐怖的,Token消耗极少,而Claude为了追求更高的能力上限,会疯狂的投入推理资源,所以在每任务的Token输出上,甚至能差到7倍。
这也解释了,为啥明明纸面价格上,Claude Fable 5.2是要比GPT-6.2 Astra便宜的,但是Claude Fable 5.2却基本上是我们烧不起的程度,而GPT-6.2 Astra,在实际的Token的消耗上,反而就要好一点。
比如我是200刀的Pro会员,跑了大概4个视频和3D的Case,还跑了2个大方案的规划,以及近百个代码的审查,跑之前我的周额度剩余12%,这些跑完我还剩6%,也就是消耗了6%的周额度。

而上次Claude Fable 5.2,10个Case,烧完了我近30%的周额度,虽然效果远超GPT,但是也能看出来这个经济差异。
在官方blog里,其他的任务也是类似的,比如Terminal-Bench-Science,测的是模型在终端里做科研任务的能力,这个就是GPT的拿手好戏了,我绝大多数的做科研的朋友给我的反馈都是,GPT几乎就是他们的科研主力模型,在做科研层面,GPT是一骑绝尘的。

而在这个任务里,GPT-6.2 Astra大概是77%,每个任务约7美元,上一代GPT-6 Astra是68%,却要花24美元左右。
OpenAI也因此把Astra称为世界上最适合科学家的模型,第三方的Vals科学指数,它也确实是第一。

第三个是OpenAI内部的GDPval v2,测的是咨询、金融、设计这些真实行业里的长程知识工作,结论也差不多。

主打的就是一个省钱。
AA的智能指数上,这一次进步还是明显的,GPT-6.2 Astra相比之前,涨了6分,拿到了62分,回到了第二的位置,GPT-6.2 Sol涨的不多,只涨了2分。

过大概1天,AIHOT的模型榜也应该就会对GPT-6.2系列的两个模型开分了,到时候大家也可以看看排名情况,然后这里也可以简单说一下,很多时候第一天没分是因为给模型评测的机构不够,他们没开分,所以已出分的数据源还不到一半,放在了最下面暂不参与评分里,因为我们整体是ELO的策略,数据太少的话不是很准,变动会比较大。

三.GPT-6.2实测
接下来,我也做了一些的详细的测试。
首先,我自己最关心的,模型的沟通能力和方案规划能力,这个在过去一直是GPT模型系列的短板,GPT模型我自己的定位一直是一个极其严谨、干活细致、绝不出错的模型,在后端、科研、审查层面其实能力是极强的,但是在传统的项目方案规划(非科研)和可读性上,其实是比较差劲的。
那正好就有这么一个任务,最近其实很多朋友都希望我在AIHOT的每一条新闻下面,加一个留言区,他们希望可以交流。


这个事情其实远远不是加个留言功能这事这么简单,如果只是可以回帖评论啥的,那就太简单了,麻烦的是,国内的合规问题和审查。
比如如果要加交流功能,那就必须加实名制,也就是必须要有手机号登录功能,而手机号登录的验证码是很贵的,并且最麻烦的是,你要有审查,必须要先审后发,那还需要加审查机制等等等等。
因为AIHOT就是我日常自己闲暇时间维护的一个纯个人项目,所以这个功能,大家提了2个月了,我其实都一直在纠结,他对于我的成本还有风险,都会大幅上升。
但是它不影响测试,那现在假设我们现在就要做这个事了,到底应该怎么做比较好,我让模型来给我建议,这时候就能看出模型的规划和方案可读性的问题了。
我的Prompt特别简单,甚至都不能称为是一个Prompt。
“最近已经收到很多用户的反馈,希望我们能在AIHOT中间加一个简单的留言区,方便大家来简单的交流。那基于这个背景,你可以帮我评估一下,如何在保证合规且安全的情况下,来以最小的成本去设计整个的留言与交流功能。”

在给大家看GPT-6.2 Astra的方案之前,我先给大家看一下,Gemini 4 Carbon给我的方案规划(我最近很喜欢用这个模型+Claude一起出方案然后合并,Gemini 4 Carbon这个模型真的很特别)。
这个方案,大概花了5分钟。
第一句话,其实就非常理解我的需求。

然后,给我列出了必须要遵守的合规项,这个跟我了解到的其实是完全一致的。

然后给了我一份最小成本的设计方案,非常的棒,而且细节很多,比如不开放自定义昵称,不做多层盖楼,不开全量只开精选等等,然后在先审后发这块,复用我们如今已经做好的Agent全自动的新闻审查机制。

最后,给我对比,以及问我选择。

干干净净,极其清晰,并且有很多启发,中间可能会有部分幻觉,还需要Claude再审一道,但是整体已经非常不错了,主要是可读性也极强,我能看的下去,有极强的实操性。
好,看完了Gemini 4 Carbon的,我们再回来看GPT-6.2 Astra的。
一共跑了24分钟,是Gemini 4 Carbon的近5倍,然后这是回复,上面还有几行基础的公司信息我就不放了,也没有很大的意义,核心就是这一屏。

坦率的讲,我不知道大家读这个回复的感受怎么样,明明很短,但是我就是读的云里雾里,看完了以后的感觉也是如看,可读性极差,并且里面居然说前期建议是人工审核,我是疯了吗我,我每天无时无刻蹲在屏幕前来审大家的评论?这是人能给出来的建议?
排行榜的方案规划也是。

我甚至会觉得,GPT-6.2 Astra的内容可读性和偏主动性的规划能力,好像比初期GPT-6 Astra的感觉还要差一些,在我手上有Claude和Gemini的情况下,我是绝对不会愿意去直接跟GPT沟通任务的,读它的反馈太累了。
然后就是代码审查,这个是我现在用GPT模型用的最多的地方,Claude写完的代码,我都会有一个流程和脚本,是自动的去让GPT审查最多3轮的,因为GPT严谨的性格,所以会挑出来很多的问题和BUG,防患于未然,这个是非常棒的。
我以前的主力审查模型是GPT-6.1 Sol Xhigh,然后这次GPT-6.2更新了以后,我用我真实的几个项目来测试了一下,也都是xhigh的推理强度,我觉得这块确实是有大进步。
在我自己构建的非常简易的评测集中,GPT-6.1 Sol只能找出来65%的问题,但是GPT-6.2 Sol达到了84%,GPT-6.2 Astra史无前例的快直接干满了,直接干到了96%。

而在价格和时间上,GPT-6.2 Astra相比GPT-6.2 Sol慢了大概一倍,贵了4倍,换来的是多找出了十几个BUG。

所以未来GPT-6.2 Sol xhigh应该就是我的默认审查模型了,目前确实性价比最强,没有之一。
然后就是大家关心的...审美问题了。
实测的结论就是,除了3D视觉,其他的跟Claude相比...就是一坨屎,哎。
比如说视频,我的老Case,“做一支40秒到1分钟的ChatGPT四周年致敬动效视频(2022.11.30–2026.11.30),16:9横版,无旁白,配原创音乐。内容自己联网查证,讲这四年的关键版本、里程碑和数字,不得杜撰。动手前先去OpenAI官网、博客和近期发布视频里观察他们的视觉风格,提炼后作为这支片子的视觉基调。节奏要快,动效密、画面饱满,随音乐卡点。片子定位是第三方致敬,不要做成OpenAI官方出品的样子。”
这是Claude Fable 5.2的。
这是Gemini 4 Carbon的。
而这...是GPT-6.2 Astra的。。。讲道理,看完我都沉默了。。。你信我,谁看谁沉默,我感觉是来跟我搞笑的...
这么多年了,OpenAI至今依然不懂,到底什么叫,审美。
而在3D层面上,因为GPT一直在空间视觉上发力,为具身打基础,所以反而强化的比较猛,还是让我比较欣喜的,确实比之前强不少。
比如我们小伙伴搓的一个神庙逃亡,提示词也非常的质朴:
“给我做一个第一人称的「神庙逃亡」游戏。极度详细的游戏画面质量,视觉上看起来要能跟AAA级游戏匹敌。让它规模小一点,但其他方面要有令人印象深刻的照片级真实图形。”
说实话过程中当我看到GPT给我呈现的是这样一张游戏封面,我就已经知道这玩意儿肯定差不了。

最终跑出来的第一版我发现在玩法的理解上出现了一点问题,于是我简单调了一轮后就得到了下面这样的效果,还是很酷的。
这个质感说实话其实是完全超乎我对GPT在游戏方面的预期的。
还有这个Three.js做的秋日黄昏乡村小火车站,我也很喜欢。
然后还有一个古希腊世界,同样的,非常简单的Prompt:
“运用Three.js,采用极繁艺术风格尽全力还原出最真实、宏伟壮观且复杂的古希腊世界,要求真实细腻,最后交付一个可交互的HTML文件。”
对此GPT-6.2 Astra第一版跑出来的效果是这样的。

其实已经非常不错了,但我其实并不是特别满意,于是我随便截了一张之前X上很火的一个用Claude跑了很久的案例的画面给GPT让它照着建。
其实我是真不抱什么太大的希望的,但最终耗时一个多小时,GPT给我交出来下面的答卷,告诉我它可以。。。
这个效果,说实话,我觉得已经非常牛逼了。
写在最后
坦率的讲,GPT系列的模型,已经逐渐开始离普通人越来越远了。
很多人都觉得,Claude是做ToB的,GPT才是ToC的。
但是其实反了。
Claude的模型,是真正意义上更适合普通人使用的,包括现在的Gemini 4 Carbon模型也是这个趋势,他们会更易于沟通,更加主动的思考,去拓展你过去无法拓展的边界。
而GPT模型,是真正意义上To精英的,因为极其的严谨、听话,工业属性极重,对于我认识的科研和算法大佬来说,他们的反馈都是GPT模型使唤起来非常顺手,信息密度很高,做的实验非常严谨,可这样的模型,恰恰是不太适合普通人用的。
对于我自己来说,我依然觉得GPT的能力很强,特别是在一些严肃任务上,但是确实我太菜了,我的能力不足以让我指挥GPT。
所以想用好它,我自己的解法就是,承认自己的菜逼,让Claude或者Gemini大人,帮我去指挥GPT,这样的体验反而极佳。
这可能,就是我目前认为的最优解吧。







