GPT-6.2Astra与Sol发布即引争议,高分低效成用户新痛点
OpenAI于2026年11月17日推出GPT-6.2 Astra与Sol两款模型,宣称在专业任务性能与Token成本上显著优化。但首批实测反馈两极分化:基准测试屡创新高,实际使用中却频现提前终止、逻...
OpenAI于2026年11月17日正式发布GPT-6.2 Astra与GPT-6.2 Sol两款新模型,标志着其在专业级AI工作流领域的又一次迭代。此次升级聚焦三大方向:复杂任务能力强化、推理效率提升及API成本压缩。其中,GPT-6.2 Astra定位旗舰模型,专攻科研、工程设计、法律咨询与高阶办公自动化;GPT-6.2 Sol则延续轻量高效路线,面向日常编程、多步骤Agent协作与通用生产力场景。
从公开数据看,GPT-6.2 Astra在多项权威评估中表现亮眼。在衡量长周期专业工作流的Agents' Last Exam v1.1测试中,其得分达77.8分,较GPT-6 Astra提升5.2分,单任务平均成本降至前代的28%;对比Anthropic的Claude Fable 5.2,Astra领先5.5分,成本仅为对方的5%。在科学计算领域,Terminal-Bench-Science 0.1测试中Astra得分提高9个百分点;3D建模专项AA-3D评测中,以1318 Elo位列第一,领先Claude Fable 5.2(1271 Elo)47分。
价格方面,GPT-6.2 Astra API输入Token单价为8美元/百万,输出为40美元/百万,缓存输入仅0.40美元/百万——较GPT-6 Astra分别下降20%与60%。GPT-6.2 Sol维持原价(输入2美元、输出10美元/百万),但因推理更高效,实际任务成本进一步降低。例如在OpenAI自研LifeVal评估中,Sol完成同等任务的成本约为GPT-6 Astra的1/7;在FrontierCode 2.0编程测试中,Sol得分仅比Astra低0.5分,成本却仅为后者的1/5。
然而,高分背后是用户端的普遍困惑。多位提前数周参与灰度测试的开发者指出,模型在真实工作流中存在系统性缺陷:一是“ premature task completion”(任务过早终止),尤其在需多轮迭代的软件开发中,模型常在未完成全部子任务时主动宣告结束;二是“unproductive loops”(无效循环),反复调用同一工具却无实质进展;三是输出过度精简,关键中间步骤或约束条件被省略,导致结果偏离预期。
一位从事机械设计的工程师AmirMušić反馈,使用Astra配合Blender生成机械手模型时,虽能产出基础结构与动画脚本,但装配干涉检查缺失、运动学参数模糊,仍需人工大幅修正。“它像一个急于交差的实习生,知道要做什么,却不愿把过程写清楚。”另一位开发者eric provencher则展示了一个反例:Astra根据参考图生成的3D演示程序可直接通过WebGPU在浏览器运行,且细节丰富;但该案例依赖高度结构化提示词与多次人工干预,非典型工作流。
OpenAI对此回应称,部分早期评测基于发布前数日的版本,未纳入最后阶段的体验优化。公司承认当前版本在“用户意图理解连贯性”与“任务边界感知”上仍有提升空间,并表示正通过强化内部验证流程与引入更多真实工作流样本进行迭代。值得注意的是,GPT-6.2 Astra是OpenAI首个被第三方评估机构Artificial Analysis认定达到“AI自主改进能力High门槛”的公开模型,意味着其具备初步的自我调试与策略调整能力——但这一能力尚未稳定转化为终端用户的可靠体验。
行业观察认为,此次争议折射出大模型发展进入深水区的关键矛盾:基准测试的“理想环境”与真实工作的“噪声环境”之间存在鸿沟。当AI从回答问题转向执行项目,对上下文一致性、错误恢复机制与人类协作节奏的适应性要求急剧上升。而OpenAI选择以“成本压缩”为突破口,实则是应对企业级客户对ROI(投资回报率)的刚性诉求——ChatGPT Work等产品已开始承接整套交付任务,若每项任务Token消耗过高,即使模型能力强,商业可持续性仍受挑战。
对比竞品,Anthropic的Claude Fable 5.2在编程与逻辑严谨性上持续施压,Google Gemini 4 Carbon则以更低定价提供接近Astra 80%的能力水平。在此背景下,GPT-6.2的“性价比升级”既是技术演进,也是市场防御策略。但用户反馈表明,单纯降低Token价格无法替代工作流可靠性。正如一位资深产品经理所言:“我们不怕多花几美元,怕的是反复返工浪费三小时。”
在具体能力拓展上,GPT-6.2系列确有实质性进步。Astra可基于PPT截图复刻完整演示文稿,保留原布局、字体与配色;接收财务报表后自动生成含收入预测与DCF估值的Excel模型;在Blender中模拟汽车悬架物理运动,甚至依据芝加哥Marina City大楼阳台设计制作实体纸灯结构。这些案例显示模型正从“文本生成”向“跨模态操作”跃迁,但其稳定性仍受限于提示工程质量与任务分解粒度。
值得留意的是,OpenAI首次将“缓存输入”定价大幅下调60%,此举针对的是重复性任务场景(如文档修订、代码审查)。当用户多次提交相似输入时,缓存机制可显著减少重复计算开销——这暗示模型架构可能增强了上下文摘要与增量推理能力,但公开技术细节尚未披露。
总体而言,GPT-6.2的发布延续了OpenAI“能力-效率-成本”三角平衡的演进路径,但在从实验室指标到用户价值的转化环节出现断点。短期看,争议不会动摇其技术领先地位;长期看,如何将高分转化为高满意度,将成为决定企业级AI落地深度的关键变量。后续版本能否解决“汇报狂魔”式输出(即过度总结、省略过程)问题,将是检验其专业工作流成熟度的重要标尺。
