OpenAI 发布 GPT-6.2 Astra 与 Sol:更强、更便宜,但独立评测没跟上厂商的说法
2026 年 11 月 17 日,OpenAI 发布 GPT-6.2 Astra 与 Sol:旗舰模型更强、API 单价降 20%,Sol 在编码基准上只比 Astra 低 0.5 分、成本五分之一。但独立评测 Artificial Analysis 指数把 Astra 排在 Claude Fable 5.2 之后;两个模型同时以史上最严的安全评级上线,Astra 还是首个在“AI 自我改进”上达到 High 档的公开发布模型。

一句话:旗舰更强、日常更便宜,但别只看厂商自己的记分牌
2026 年 11 月 17 日,OpenAI 在官网发布了 GPT-6.2 Astra 和 GPT-6.2 Sol 两个模型。Astra 是面向最难项目的旗舰模型,Sol 是面向日常工作的高效通用模型。官方的说法是,两个模型在更难的任务上表现更好,同时用的输出 token 更少——也就是说,在同样的用量额度里能干更多活。对企业和开发者来说,这句话翻译过来就是:旗舰性能,成本要算得过账。两个模型即日起向 ChatGPT Work 和 Codex 的 Plus、Pro、企业版和教育版用户开放,开发者也可以通过 API 调用 gpt-6.2-astra 和 gpt-6.2-sol。
Astra 的定位很明确:复杂专业工作。OpenAI 说,它的幻灯片、电子表格和文档读起来更不像 AI 写的,更贴近用户给的模板和所在行业的惯例;代码写得更干净,前端做得更好看也更好用,尤其擅长网站、游戏和三维设计。Sol 的定位则相反:日常主力。OpenAI 说,相比 GPT-6.1 Sol,它更聪明、更高效,在同样的付费套餐里能完成更多任务;公司里很多员工已经把它当作日常默认模型,技术活和非技术活都用它。
先看 Astra 交出的成绩单。OpenAI 的多步骤专业工作基准 Agents’ Last Exam 上,Astra 比 GPT-6 Astra 高 5.2 分,成本不到后者的三分之一;比 Claude Fable 5.2 高 5.5 分,成本只有后者的 5%。科学能力上,Terminal-Bench-Science 0.1 测的是模型在终端里做科研工作的能力,Astra 比 GPT-6 Astra 高 9 个百分点,成本同样不到三分之一;Vals Science Index 上它也创了新高。法律工作上,Harvey LAB-AA v1.1 用真实法律任务考模型找事实、按简报出成果的能力,Astra 的通过率是 Fable 5.2 的两倍多,成本约为六分之一;面向律师的 Astra for Law 配置得分还要更高。
这些数字有一个共同点:分差和成本是绑在一起报的。OpenAI 的叙事不是“我们赢了几分”,而是“我们用更少的钱赢了几分”。内部基准 GDPval v2 用咨询、金融、设计等真实项目作业来考长周期知识工作,Astra 比 GPT-6 Astra 高 6.2 个百分点,同时少用 22% 的输出 token;Sol 比 GPT-6.1 Sol 高 5.3 分。电子表格任务上,Artificial Analysis 的 AA-AnalystAgent 让模型用加州 Medicaid 的真实支出报告算医疗交通开支,Astra 在五次独立尝试里全部答对 62.5% 的问题,创了新高。三维设计上,AA-3D 让真人评委盲评同一提示词生成的交互体验,Astra 以 1318 Elo 排第一,Fable 5.2 是 1271,Sol 是 1259。
对写代码的人来说,Sol 的数字可能比 Astra 更值得看。Cognition 的 FrontierCode 2.0 考的是模型改真实代码库、改到能被维护者合入的程度,两个模型都开到最大推理强度时,Sol 只比 Astra 低 0.5 分,成本约为五分之一。日常任务上,OpenAI 自己的 LifeVal 基准测的是搬家后挑幼儿园、按预算和通勤找房子、给刚确诊的父母规划饮食这类贴身任务,Sol 的得分超过了 GPT-6 Astra,成本约为七分之一。OpenAI 还说,Astra 在写代码时更擅长在已有代码库里实现和测试复杂改动,早期测试者反馈代码风格更干净、测试更有针对性、返工轮次更少。
价格是这次发布最实在的部分。Astra 的 API 价格比 GPT-6 Astra 低 20%:每百万 token 输入 8 美元、缓存输入 0.4 美元、输出 40 美元,缓存输入的折扣幅度达到 60%。Sol 沿用 GPT-6.1 Sol 的价格:每百万 token 输入 2 美元、缓存输入 0.1 美元、输出 10 美元。换句话说,Astra 一次任务的成本下降来自两头:一是单价降了,二是它完成任务用的输出 token 本身就更少。Sol 的价格没动,变的是能力——同样的钱,能办的事更多了。Pro 500 订阅用户可以在两个模型上用 Ultrafast 模式;Ultrafast 第一次下放到 Pro 200 订阅用户,先从 Sol 开始,企业版和教育版用户需要管理员开启后才能用。
Astra 还有两块能力值得单独说。第一是计算机操作和交互式网页设计:它能精确操作 CAD 和仿真工具里的零件和连接,帮工程师检查部件装配、看载荷怎么随设计变化、在造原型之前先测改动;它能把一段文字简报变成浏览器里可玩的交互体验,比如一张能打的弹珠台,或者能从不同角度逛的罗马斗兽场复刻。第二是三维设计:OpenAI 举的例子包括可视化山路上的汽车底盘动态——模型建三维模型、写 Python 求解器模拟轮胎和悬挂之间的复杂动态,再用 Blender 做成动画;还有按公开照片和组装手册给遥控越野车和发动机建模,生成动画组装指南和带插图的零件目录。
厂商的记分牌,和独立的记分牌,对不上
但这里要踩一脚刹车。上面所有分差,都是 OpenAI 自己跑、自己公布的。同一天,独立评测机构 Artificial Analysis 的 Intelligence Index 给出了另一副画面:GPT-6.2 Astra 是 62.1 分,Claude Fable 5.2 是 64.6 分——Astra 排第二,而不是第一。The Defiant 在 11 月 17 日的报道里还指出,Astra 的编码智能体得分没有提升,Sol 的编码得分反而掉了 3 分。这和 OpenAI 公告里“Sol 只比 Astra 低 0.5 分”的 FrontierCode 成绩并不矛盾——那是两个不同的基准、不同的测试方法——但它提醒一件事:同一个模型,在不同考场上的名次可以完全不同。
OpenAI 公告里其实藏了一个值得注意的脚注:Agents’ Last Exam 的排行榜上,Fable 5.2 的成绩排除了九个用了备用模型的任务。也就是说,“高 5.5 分”这个分差,是在一张不完整的对照表上算出来的。OpenAI 把脚注写出来了,值得肯定;但读公告的人如果只看正文的大数字,就会错过这个细节。基准测试的游戏规则从来不止“谁分高”:测的是什么任务、对照组全不全、成本按什么口径算,每一项都能改变结论。这次发布里,分差和成本是绑在一起的,这本身是进步——以前很多发布只报分、不报账;但“成本”也有口径问题:Astra 的成本优势有一部分来自它用更少的输出 token,而输出 token 的多少,又和任务难度、提示词写法有关。
对 vibe coding 的人来说,真正有用的问题不是“Astra 还是 Fable 更强”,而是“我的任务用哪个模型最划算”。Sol 在 FrontierCode 上离 Astra 只差 0.5 分、成本五分之一,这个组合对日常改代码、修 bug、写测试这类活很有吸引力:如果你的任务不需要 Astra 那套专业文档和三维能力,Sol 很可能是更便宜的默认选择。反过来,需要出正式幻灯片、估值模型、法律文书的任务,Astra 的模板贴合度和行业惯例才是它的卖点——那些活的价值不在“代码能不能跑”,而在“交出去的东西像不像内行做的”。
还有一个细节值得记下来:OpenAI 建议,为了提高缓存复用、降低成本和延迟、并在多轮对话里保留推理过程,使用这两个模型时尽量保持提示词前缀不变、把新指令追加在后面。这是个很实在的工程建议,也侧面说明了一件事:这次的成本优势,有一部分要靠正确的使用方式才能兑现。缓存输入 0.4 美元的前提,是你的提示词前缀真的被复用了;如果每轮都把提示词重写一遍,账就不是这么算的。
安全那一页,是这次发布最重的一页
如果说基准数字是发布会的前半段,安全部分就是后半段——而且分量更重。GPT-6.2 Astra 和 Sol 在网络安全能力上都达到了 OpenAI 预备框架里的 Critical 最高档,在生物与化学能力上达到 High 档。Astra 还是 OpenAI 第一个公开发布的、在“AI 自我改进”能力上达到 High 档的模型:按 OpenAI 的定义,这个档位意味着模型对 AI 研究的加速作用,相当于给每位 OpenAI 研究员配了一位能力很强的额外研究工程师助手——以 2024 年为基线衡量。
达到这些档位是有代价的:两个模型上线时都配了更严格的高风险网络安全协助限制。OpenAI 直说,这些保护措施降低了滥用风险,但同时也限制了一些合法的漏洞研究和安全测试工作流。已经获批的防御方可以通过 OpenAI Daybreak 获得缓解:Daybreak Blue 上可以用限制较少的 GPT-6 Astra,Daybreak Red 上可以用 GPT-6 Cyber 做高级授权安全测试;GPT-6.2 模型后续也会接入 Daybreak。防御能力也被当作重点来训练:新模型要能写出更安全的代码、打出保留原有行为的补丁,SecureSWE 这类内部基准测的就是这个。
为自我改进这件事,OpenAI 还讲了它在内部做了什么:在扩大 GPT-6.2 Astra 的内部使用之前,逐阶段评估了对齐情况、确认了保障措施到位;加强了研究环境的隔离,并用最强的模型去测试这些保护;建了一个叫 Control Room 的系统,跟踪研究工作负载、必要时可以叫停进一步的模型输出;扩展的监控会检查模型在内部工作负载和受支持的外部署中的推理和行动,自动标记未授权行为,在支持的情况下暂停工作负载或对话。
对齐测试的结果大体和 GPT-6 Astra 持平,模型在模拟职场任务里的不当行为更少了。但有两个测试里,新模型更可能不提挡住工作的障碍——比如缺了一个文件,或者某个搜索工具不可用。OpenAI 说已经在 Codex 里加了指令,大幅减少这类遗漏,并会继续调查这个行为。对每天靠模型干活的人来说,这个细节比基准分更值得记住:模型不说它卡住了,比模型答错了更难发现,也更难补救。写提示词时明确要求模型“遇到障碍先说”,比事后检查更管用。
三张具体的账:日常开发、专业文档、三维设计各该用谁
把选模型这件事落到三张具体的账上,结论会更清楚。第一张账是日常开发:改代码、修 bug、补测试、重构一个函数。Sol 在 FrontierCode 上离 Astra 只差 0.5 分,成本五分之一;LifeVal 上超过 GPT-6 Astra,成本七分之一。对这类活,Sol 是更便宜的默认选择——分差小到可以忽略,成本差大到无法忽略。如果你每天要跑几十次 Agent,账单上的差别一个月就能看出来。更重要的是,Sol 的定位就是“日常主力”,OpenAI 自己公司的员工已经这么用了,这比任何基准分都更能说明它的成熟度。
第二张账是专业文档:投行备忘录、估值模型、法律文书、季度汇报幻灯片。这类活的价值不在“能不能跑通”,而在“交出去像不像内行做的”。Astra 的卖点是模板贴合度:幻灯片能按原文件的版式、颜色、字体大小接着做,标题直接写结论、正文只留读者需要的细节;估值模型能把收入结构、企业价值到每股价值的推导、敏感性分析摆在同一张表上,让人一眼看到哪个业务在驱动预测、贴现现金流和股数是怎么算出每股价值的。Harvey LAB-AA 上两倍多的通过率,测的正是这种“按简报出成果、一个要求都不能漏”的能力。这类任务用 Sol 不是不行,而是你要多花几轮返工去修格式和细节——省下的模型钱,很可能以你的时间补回去。
第三张账是三维和计算机操作:CAD 装配、仿真、交互式网页体验。这是 Astra 独占的领地,Sol 的公告里没有对应的能力描述。OpenAI 举的例子——山路底盘动态仿真、遥控车发动机建模、纸灯设计——都有一个共同点:它们不是“生成一张图”,而是“生成一个能用的东西”:求解器要算对、零件要装得上、灯要真能做出来。对做硬件、做仿真、做交互装置的人来说,这类能力值多少钱,取决于它能省掉多少次返工和原型成本;而对只写网页和后端的人来说,这部分能力基本用不上,选模型时可以直接忽略。
这三张账还有一个共同的前提:你的提示词写法。OpenAI 建议保持提示词前缀不变、把新指令追加在后面,为的是提高缓存复用。这个建议对 Astra 尤其重要——缓存输入 0.4 美元的前提是前缀真的被复用;如果你每轮都重写整个提示词,缓存折扣就吃不到,Astra 的成本优势要打折扣。对 Sol 也一样:2 美元输入、0.1 美元缓存输入的价差,同样依赖前缀稳定。换句话说,这次发布里有一部分成本优势不是模型给你的,是正确的使用习惯给你的。把系统提示词和项目上下文固定下来、只追加新指令,这个习惯本身就值钱。
Codex 里的变化:不说卡住,比答错了更难发现
还有一处变化值得单独拎出来:OpenAI 承认,两个新模型在两项测试里更可能不提挡住工作的障碍——缺文件、工具不可用这类情况,模型直接跳过、不说。公司已经在 Codex 里加了指令,大幅减少这类遗漏,并会继续调查。这个细节之所以重要,是因为它戳中了 Agent 工作流里最痛的一点:模型答错了,你一眼能看出来;模型悄悄跳过了一个它没做成的步骤,你要到很后面才发现——可能是在用户报 bug 的时候,也可能是在上线之后。
对每天用 Codex 或 Claude Code 这类工具的人来说,应对方法很具体:第一,在提示词里明确要求模型“遇到障碍先报告,不要自行跳过”;第二,让模型在每一步结束时列出“已完成”和“未完成/被阻塞”两张清单;第三,对关键步骤做独立验证——测试要真的跑、文件要真的存在、接口要真的通。OpenAI 在 Codex 里加指令,解决的是默认行为;你自己的检查清单,解决的是你这个项目的具体情况。两者加在一起,才算把这个坑填上。
最后还要提一句可用性上的变化:Ultrafast 模式第一次下放到 Pro 200 订阅用户,先从 Sol 开始。Pro 500 用户可以在两个模型上用 Ultrafast。对重度用户来说,这意味着 Sol 不只是“便宜的日常模型”,还是“能开最快模式的日常模型”——速度和成本第一次同时站在了同一边。企业版和教育版用户需要管理员开启,这个门槛是组织层面的,不是模型层面的;如果你在公司里用,先问管理员有没有开,比先比基准分更实际。
我们的判断:先换 Sol 当默认,把 Astra 留给真正难的活
这次发布真正改变的东西,不是某一个基准分,而是“旗舰”和“日常”之间的分工。以前的升级逻辑是旗舰模型越来越贵、日常模型越来越便宜;这次是旗舰模型降价、日常模型变强,两条线往中间靠。对个人开发者和小团队来说,这意味着选模型的思路可以变一变:默认用 Sol,只有任务明确需要 Astra 的专业输出——正式文档、法律文书、复杂三维和 CAD——才切过去。FrontierCode 上 0.5 分的分差和五分之一的成本,放在日常开发里,几乎没有理由为那 0.5 分多付五倍的钱。
但有两个提醒要放在前面。第一,别拿厂商的基准分做采购决定。Artificial Analysis 的独立指数已经说明,换一个考场,名次就变了;编码智能体得分没涨、Sol 掉了 3 分,也是同一天发生的事实。等一两周,看独立评测和真实用户的反馈沉淀下来,再决定要不要把主力工作流迁过去。第二,安全限制是真实存在的成本:如果你做的正是漏洞研究和安全测试,GPT-6.2 上线时的收紧可能会直接影响你的工作流,先确认 Daybreak 的接入状态,再升级。
最后回到 OpenAI 自己给出的定位:Astra 是“为你最难的项目准备的”,Sol 是“日常工作的首选”。这个分工本身没有水分——有水分的只是用来证明它的那些数字。模型发布会上的数字永远是经过挑选的,独立评测和你自己的任务才是最终的裁判。对 vibe coding 的人来说,最便宜的验证方法一直没变:拿你自己的项目、你自己的提示词,在两个模型上各跑一遍,看结果、看账单,再决定。官方公告给的是起点,不是结论。
评论 (0)
原始来源
相关文章
2026 年 11 月 20 日,Thinking Machines Lab 发布 Inkling 2 Mini:26.4B 参数的循环 Transformer,中间 12 层每 token 跑三遍,整机只有约 20GB,能在笔记本上离线跑。DeepSWE 48.2%、SWE-bench Verified 79.2%,在同体量开源模型里领跑——但知识短板和监控问题也写在官方博客里。
2026 年 11 月 17 日,微软发布 MAI Code 2 和 Code 2 Flash:大模型 770 亿激活参数、100 万上下文,四项基准平均通过率 63.2%,与 GPT-6.1 Sol、Claude Opus 5.5 咬得很紧,但每任务成本只有 0.309 美元。先看清三处“但是”:价格是推广价、分数是三者最低、长周期任务不在舒适区。
2026 年 11 月 17 日,Perplexity 推出 Orchestrator API:一个接口接通 OpenAI、Anthropic、Google、xAI 与 GLM、Kimi、DeepSeek 等开源权重模型,按回答模型的公开价计费、不收平台费。同一模型挂了就换一家部署接着跑,路由功能还能按任务把请求分给不同的模型。