今天凌晨,OpenAI 发布了 GPT-6.2 Astra 和 GPT-6.2 Sol。

官推开头中写道:
“有些人一直在很礼貌地问,有些人就只是在问。
而这一问,就问了足足两个多月啊!
GPT-6 Astra 是 9 月初发布的,之后 GPT-6.2 的信息便一直在各种泄露。
11 月 10 日,OpenAI 的 API 文档里就出现了「On models 6.2 and later」的相关信息。
两天后,Codex 的开源仓库里又多出了一条把 gpt-6-astra 迁移到 gpt-6.2-astra 的配置。

当时我就以为模型当天就要发布了,但并没有等来……
反倒是 Anthropic 先在一周前发布了 Fable 5.2,正好赶在 IPO 路演的前一天,在 Artificial Analysis 的智能指数上以 65 分登顶。
这次的 GPT-6.2,OpenAI 把重点放在了「效率」上:
在难度高的任务上用更少的输出 token,拿到更好的结果。
四个天体模型
Astra 是新的旗舰,官方定位是「为你最难的项目而打造」;Sol 则是日常主力,不少 OpenAI 员工已经把它当作默认模型,技术和非技术的工作都在用。
再加上 GPT-6.1 Terra 和 GPT-6 Luna,OpenAI 现在的阵容是一个星系、一颗太阳、一颗地球和一个月亮:

Astra 的 API 价格是每百万 token 输入 8 美元、缓存输入 0.4 美元、输出 40 美元。
输入和输出都比 GPT-6 Astra 便宜了 20%,缓存输入则从 1 美元降到 0.4 美元,降了 60%。
巧的是,这个价格和一周前的 Fable 5.2 完全一样,同样是输入 8 美元、输出 40 美元。
Sol 则沿用 GPT-6.1 Sol 的价格,输入 2 美元、缓存输入 0.1 美元、输出 10 美元,能力提升了,价格却没变。
不过单看每 token 的价格意义不大,OpenAI 这次主要比的是每个任务的成本,后面的图基本也都是「分数 - 成本」曲线。
官方跑分
先看 Agents' Last Exam,这是一个测试长程、多步骤专业工作的基准。

GPT-6.2 Astra 比 GPT-6 Astra 高了 5.2 分,成本不到后者的三分之一。
和 Fable 5.2 比,则是高了 5.5 分,成本只有 Fable 5.2 的 5%。图上的 Fable 5.2 孤零零地落在 60 美元附近……(横轴也正是为了它,才一路拉到了 60 美元)
不过 OpenAI 也在图注中说明了,Fable 5.2 的成绩剔除了 9 个使用了备用模型的任务。
科学方面,OpenAI 表示「我们相信 GPT-6.2 Astra 是世界上最适合科学家的模型」。
的确模型训练之类的任务,我都会首选 Codex。一方面 OpenAI 确实在数据上做了很多投入;另外它不像 Anthropic 那样,在模型能力上做了鸡贼的限制……

Terminal-Bench-Science 测试的是模型在终端里完成科研工作流的能力,GPT-6.2 Astra 拿到了约 77%,比 GPT-6 Astra 高 9 个百分点,成本不到三分之一。
图上 Fable 5.2 的分数,用的是 Artificial Analysis 在 mini-swe-agent 里跑出来的成绩。
而 Anthropic 自己在 Claude Code 里报的是 74.6%。
好在就算按 74.6% 算,Astra 也还是领先的。
它在 Vals Science Index 上也创了新高,这个基准要求模型解读真实的生物数据,并通过跑实验来推断一个模拟系统的运作方式。
法律方面,Harvey LAB-AA 用真实的法律任务来测试,只有交付物满足全部评分标准、且没有实质性幻觉才算通过。

GPT-6.2 Astra 的通过率是 Fable 5.2 的两倍多,成本约为后者的六分之一。
专门给律师做的配置 Astra for Law 分数还要更高,Artificial Analysis 测出来是 20.8%,GPT-6.2 Astra(max)是 15.0%。
只是 Astra for Law 目前还没有公开的 API。
另一个是 BenchCAD 2.1 Core,测试的是根据工程图纸构建 3D 零件和装配件,GPT-6.2 Astra 比 GPT-6 Astra 高了 32%。

图上 Fable 5.2 的最高分和 Astra 差不多,但要花掉将近 10 倍的钱。
OpenAI 内部的 GDPval v2 则来自咨询、金融、设计领域的真实项目,GPT-6.2 Astra 比 GPT-6 Astra 提升了 6.2 个百分点,输出 token 还少了 22%。
Sol 在这上面也比 GPT-6.1 Sol 提升了 5.3 个百分点。
第三方榜单
Artificial Analysis 也在第一时间给出了成绩。

GPT-6.2 Astra 拿到 62 分,排名第二,仅次于 Fable 5.2 的 65 分,比 GPT-6 Astra 提升了 5 分。
它也超过了 Gemini 4 Carbon(60)和 Opus 5.5(59)。
GPT-6.2 Sol 则是 57 分,和 GPT-6 Astra 持平,但每个任务的成本只有后者的 15% 左右。
成本 - 分数的 Pareto 前沿上,大部分位置都是 OpenAI 的模型,其余的只有 Anthropic 和 Meta。
3D 方面,GPT-6.2 Astra 以 1318 分在 AA-3D 上排第一,Fable 5.2 是 1271,GPT-6.2 Sol 是 1259。
这个榜由人类评审在同一个 prompt 做出的两个交互式 3D 作品之间盲选打分。
在测真实世界规划能力的 AA-Robotics 上,Astra 和 Sol 分别是 79 和 78 分,也超过了 Fable 5.2 的 75 分。
那代码呢?
……就有点尴尬了。

在 Coding Agent Index 上(Codex harness、max 档),GPT-6.2 Astra 是 53 分,和 GPT-6 Astra 完全持平;GPT-6.2 Sol 是 49 分,反而比 GPT-6.1 Sol 低了 3 分。
排在前三的,仍然是 Claude Code 搭配 Fable 5.2、Opus 5.5 和 Sonnet 5.5。
Sol 分数下降,主要是因为 SWE-Atlas-QnA-AA 下降了 14 分,Artificial Analysis 给出的原因是,新模型在回答中更容易遗漏关键事实。
还有一个数字是幻觉率。
在 AA-Omniscience 上,GPT-6.2 Astra 和 Sol 的幻觉率分别是 59% 和 55%,衡量的是模型不知道答案时硬猜的比例。

不过同一张图上,Fable 5.2 的幻觉率也是 59%,这算不上 OpenAI 独有的毛病,真正做得好的是 Gemini 4 Hydrogen,只有 8%。
而同一天,OpenAI 的 Sherwin Wu 还说 Astra for Law 的幻觉比 Opus 5.5 少 20 倍、比 Fable 5.2 少 25 倍。
这两边测的其实不是一回事,一个是通用知识问答里不会也硬猜的比例,一个是法律任务里每个任务出现的实质性幻觉数。
ARC Prize 官方也公布了验证结果,GPT-6.2 Astra 是第一个在 ARC-AGI-3 上拿到 100% 的模型。

只是这个满分用的是 provider adapter,花了 4100 美元;标准模式下是 70.3%,花了 2.42 万美元。
而图上 Fable 5.2(XHigh)大约在 80% 出头。
ARC-AGI-2 上它拿到了 95.8%,每个任务 0.5 美元,同样是 SOTA。
GPT-6.2 是一次长板和短板拉得很开的更新。
3D、科研、法律、机器人规划,还有 ARC-AGI-3 的满分,它都排在第一;代码却原地踏步,综合指数也还是差了 Fable 5.2 三分。
但它每个任务的成本,又常常只有对手的零头。
Sol 和代码
说回 Sol。
OpenAI 给的建议是,日常写代码先用 Sol。
在 Cognition 的 FrontierCode 2.0 上(都开 max),Sol 和 Astra 的差距在 0.5 分以内,成本约为 Astra 的五分之一。

FrontierCode 测试的是对真实代码库的修改能否达到维护者愿意合并的标准。
Sol 也适合处理工作以外的事。在 OpenAI 新出的 LifeVal 上,Sol 比 GPT-6 Astra 分数更高,成本约为后者的七分之一。
LifeVal 的题目都是生活里的事,比如搬家后筛选幼儿园、按预算和通勤找房子,或者给刚确诊的父母规划饮食。
代码风格方面,官方表示 GPT-6.2 Astra 在已有代码库里实现和测试复杂改动的能力更强了,早期测试者反馈代码更干净、测试更聚焦,返工轮次也更少。
它也更会判断一个任务该用什么工具、花多大力气,比如什么时候该调用插件、什么时候该直接操作电脑。
Jump Trading 的一位工程师则在测试中让它做复杂的优化,它把硬件推到了极限,打破了一项保持了三年多的基准纪录,不到一天就达到了他原本以为不可能的目标。
3D 与工程
这次官方的演示,大多集中在 3D 和工程上。
GPT-6.2 Astra 的 computer use 更精确了,可以在 CAD 和仿真工具里精确操作到单个零件和连接处。
比如,OpenAI 让它把一辆车在山路上的底盘动态可视化。Astra 建好了 3D 模型,写了一个 Python 求解器来模拟轮胎和悬架之间的复杂动力学,再在 Blender 里做成动画,配上悬架、轮胎接地面压力、牵引圆和驾驶输入等一整套遥测面板:

OpenAI 还只给了一辆遥控越野车的公开照片和组装手册,就让 Astra 为每个零件建模,再做出带动画的装配指南和图解零件目录。
先是避震器的装配过程。

然后是前差速器,以及车壳的安装。

最后是组装好的整车。

而 OpenAI 的团队还用它把芝加哥 Marina City 双塔那一圈扇形阳台,从参考照片出发,一步步迭代 CAD 模型,最后做成了一盏手工拼装的纸灯,配套的纸灯生成网站也是 GPT-6.2 Astra 写的。
OpenAI 的发布推文里还有一个更生活化的例子,用户给它一张自家后院的照片,然后说「帮我规划一个适合我家院子的菜园」。

它会先估算后院尺寸、查地理位置数据,再搭建一个日照模拟器。同一个任务,GPT-6 Astra(左)和 GPT-6.2 Astra(右)做出来的效果是这样的:

最后是一个可以拖动时间看光影变化的菜园规划,四个种植床各种什么、每天能晒几个小时,都标了出来:

OpenAI 开发者账号也发了一段演示视频。
视频里,主持人只给了 Codex 两帧视频截图,让 GPT-6.2 Astra 在 Blender 里把整个房间重建出来,要求去掉人、还原相机虚化和专业灯光。

Astra 便一轮轮地迭代,直到两边像素级一致……而视频里主持人身后的那个房间,其实是一块绿幕。

之后,他又让 Codex 换掉墙上的画、把房间改大、调整灯光,甚至把它做成了一个能像游戏一样走来走去的场景,还有一个能实时匹配摄像头光线的虚拟背景应用。
发布后也有网友让两代 Astra 用同一句「build a beautiful scene」各生成了一个场景,上面是 GPT-6.2 Astra,下面是 GPT-6 Astra:


在 Higgsfield AI 内部的 3D 生成评测中,GPT-6.2 Astra 有 73% 的情况一次就做出了目标效果,而 GPT-6 Astra 需要三轮甚至更多。
幻灯片和表格
办公文档也是这次重点优化的方向。
OpenAI 专门训练了 GPT-6.2 Astra 去做更清晰、设计更好的幻灯片、表格和文档,更贴合法律、销售、金融、会计这些行业的惯例,写出来的东西更直接具体,少了些空泛的总结和废话。
做幻灯片时,不管给的是原始文件还是一张截图,它都能对齐版式、配色和字体,精确到字号,还会把模板的文风带到新页面里。
官方给的一个示例,是让它根据附上的图片,做一页 Alder Street 项目最新进展的幻灯片。

官方让两代模型拿一家零售商公开的 Q1 财报演示稿,结合 Q2 财报和 10-Q 文件更新一版。
两代模型都找到了关税退款是盈利增长的主要原因,而 GPT-6.2 Astra 把 5.3% 的销售增长写进了标题,分开列出线上和门店的增长,还给管理层列出了具体的下一步。
表格方面,Artificial Analysis 的 AA-AnalystAgent 用真实的表格和报告来测试,比如用加州 Medicaid 的支出报告算出医疗交通花了多少钱,GPT-6.2 Astra 在五次独立尝试中全部答对的比例是 62.5%,创了新高。
Harvey 的测试里,GPT-6.2 Astra 完成的 Legal Agent Benchmark 任务是 GPT-6 Astra 的 3 倍多,输出 token 少了 34.5%。
而在 Basis 的测试中,长程会计任务的平均耗时缩短了 50%,最复杂的任务缩短了 73%。
网络安全
和 GPT-6 Astra 一样,GPT-6.2 Astra 和 Sol 在 OpenAI 的准备度框架下都达到了网络安全的 Critical 级别。
GPT-6.2 Astra 是 OpenAI 迄今为止网络安全能力最强的模型,在 ExploitBench Internal Port 上比 GPT-6 Astra 高了 22 分。

也正因为能力更强,这次上线时 OpenAI 收紧了高风险网络安全请求的防护,官方也承认这会限制一部分正当的漏洞研究和安全测试。
经过审批的防御方目前可以通过 OpenAI Daybreak 使用拒答更少的 GPT-6 Astra 和 GPT-6 Cyber,GPT-6.2 也会陆续接入。
另一边,OpenAI 这次把防御能力作为训练重点,加入了新的训练信号,让模型从一开始就写出安全的代码,修补漏洞时也能保留原本的功能。
首个自我改进模型
GPT-6.2 Astra 是 OpenAI 第一个达到「AI 自我改进」High 级别的对外发布模型。
这个指标衡量的是模型加速 AI 研究的能力,按 OpenAI 的解释,High 级别相当于以 2024 年为基准,给每一位 OpenAI 研究员都配了一个能力很强的研究工程师当助手。
为此,OpenAI 做了一个叫 Control Room 的系统,用来追踪研究任务,在需要干预时可以停止模型继续输出。
监控系统也会检查模型在内部任务中的推理和行为,发现越权行为可以自动标记,甚至暂停任务。
对齐评测上,两个模型在大部分测试中和 GPT-6 Astra 表现接近,在模拟职场任务中做出的不当行为也更少。
但有两项测试里,它们更倾向于不告诉用户自己的工作被卡住了,比如要编辑的文件不见了、搜索工具不能用了。
OpenAI 在 Codex 里加了指令,大幅减少了这种情况,还在继续调查原因。
这和前面 Artificial Analysis 说的「更容易遗漏关键事实」,多少有点对得上……
系统卡里还提到,GPT-6.2 Astra 比 GPT-6 Astra 更常怀疑自己正在被测试,不过只出现在不到 3% 的对话轮次里。
在要求它偷偷完成隐藏任务的对抗测试中,它也更会规避思维链监控,尤其是在低推理强度下。
全量上线
从今天起,ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户都可以用上 GPT-6.2 Astra 和 Sol,企业和教育版需要管理员先开启。
Pro 500 用户两个模型都能用 Ultrafast,Pro 200 用户也第一次用上了 Ultrafast,先从 GPT-6.2 Sol 开始。
开发者可以在 API 里直接调用 gpt-6.2-astra 和 gpt-6.2-sol,Ultrafast 也同步开放。

OpenAI 还特别建议,用这两个模型时尽量保持 prompt 的前缀不变,把新的指令追加到对话后面。
这样缓存更容易命中,成本和延迟都能降下来,多轮之间的推理也能保留。
这次的 GPT-6.2,OpenAI 虽然没能拿回第一,但在 Anthropic 的 IPO 之际选了个好日子,交出了一个便宜得多的第二名
好了,我已经蹬起来了!

◇ ◆ ◇







