OpenAI 推出 GPT-6.2 Astra 与 Sol 模型:成本大幅下调但早期反馈褒贬不一
[AINews] GPT-6.2 Astra, the #2 Frontier Model is better and 20%-600% cheaper, but has mixed reviews; 6.2 Sol likely main workhorse
OpenAI 正式上线 GPT-6.2 Astra 与 Sol 两款前沿模型,在降低任务调用成本的同时提供 1M 上下文和 128K 输出限制。
原文对比了基准性能与调用成本,并记录了早期评测中的表现分歧,读者可据此评估其实际落地的性价比。
赶在 Anthropic 预计挂牌上市前两天,OpenAI 今天正式推出了 GPT-6.2 Astra 和 Sol。在 Artificial Analysis 的基准测试中,Sol 以单任务仅约 15% 的成本,追平了 9 月版 Astra 的表现。新版 Astra 在智能指数(Intelligence Index)上拿下 62 分,仅次于 Fable 5.2 的 65 分。总的来看,Anthropic 依然拥有全球顶尖的旗舰模型,但若论“每美元获得的智能产出”,OpenAI 则拿下了全球能效最高的模型。

不过这次发布更不寻常的是,网络大 V 们几乎给出了一边倒的强烈差评……

这也引发了官方的防守式回应……
我们认为,其中一部分评价有些反应过度,毕竟博主们向来喜欢把所有东西要么吹成神作 🤯🤯🤯,要么踩成“史上最烂模型”;但不可否认的是,有些批评确实切中要害,强化学习(RL)带来的瑕疵显而易见且怪异至极(更不用提那段糟糕透顶的发布视频了)。然而话虽如此,我们依然在用它来自动化日常工作,归根结底,管用才最重要。
这次发布固然亮眼,但 Anthropic 的 IPO 势头并未受到影响,那大概率会是本周、今年乃至近十年最重磅的新闻(直到 OpenAI 自己上市为止……)。
本期 AI 新闻由 SerpApi 赞助呈现!
只需输入 URL 即可抓取公开网页,直接转换为适配大语言模型的 Markdown 或结构化 JSON。一个 API 即可生成站点地图并执行限定范围的抓取。搭配 100 多款 SerpApi 搜索 API,轻松打造从搜索到内容的全流程流水线。
欢迎体验以支持 LS,如有商务合作请联系 business@latent.space!
AI Twitter 速览
GPT-6.2 Astra 与 Sol
可用性。两款模型今日起逐步推送至 ChatGPT Work 以及面向 Plus、Pro、企业版(Enterprise)和教育版(Edu)用户的 Codex,并通过 API 以
gpt-6.2-astra和gpt-6.2-sol的形式开放给开发者。OpenAI每百万 Token API 定价。Astra 的输入为 $8、缓存输入为 $0.40、输出为 $40。Sol 则延续前代定价,分别为 $2、$0.10 和 $10。两款模型均支持 1M 上下文,输出上限为 128K。Vals · 超快版定价与推送
法律版 Astra。该企业级配置新增了法律搜索索引。在 Harvey LAB-AA 评测中,Artificial Analysis 测得其得分为 20.8%,而基础版 Astra 为 15.0%。Artificial Analysis
安全防范体系。OpenAI 将 Astra 在“AI 自我改进”维度评为“高风险(High)”,这在其公开发布的模型中尚属首次。在另一项评估中,Vals 的 RSI 指数从 27.07% 上升至 29.01%,其中 50% 代表人类基准水平。系统卡 · Vals
FrontierMath Erdős 榜单。Epoch 确认其在 68 道难题中用 Lean 成功形式化验证了 7 道题的解答,此前业内最好成绩仅为 3 道。Epoch
基准测试各项指标解读
Agents’ Last Exam 1.1。OpenAI 报告称,Astra(xhigh 档)的得分比满血版 GPT-6 Astra(max 档)高出 5.2 分,且单任务成本不足后者的三分之一;在相同测试中领先 Fable 5.2 达 5.5 分,成本仅为其约 5%。在 GDPval v2 上,OpenAI 表示 Astra 产生的输出 token 数量比前代减少了 22%。OpenAI 评测结果
长程工程任务。Mercor 的 OpenWorldEngineer 榜单显示,Astra 得分为 67.2%,Fable 5.2 为 54.6%,GPT-6 Astra 为 44.2%。在 Vals 的多轮 Vibe Code Bench 测试中,Astra 夺得第一,Sol 位列第三。Mercor · Vals
3D 与机器人。Astra 在 AA-3D 榜单上以 1318 分领跑,领先于 Fable(1271 分)和 Sol(1259 分)。在 Artificial Analysis 的机器人预览评测中,Astra 斩获 79 分,Sol 斩获 78 分,双双超过 Fable 的 75 分。Artificial Analysis
研究型智能体。在 Perplexity 的 WANDR 基准测试中,Astra 得分为 0.783,单任务成本约 12.54 美元;Sol 则达到 0.746,单任务成本约 2.65 美元。Perplexity
早期测试者看法各异
经过数周测试,Matt Shumer 直言这些模型“基本没法用”,并表示他的 Opus 和 Fable 智能体驳回了 Astra 子智能体的大部分工作成果。评测 · 工作流细节
Pietro Schirano 则将早期遇到的诸多问题归咎于运行框架。Arena 的 Peter Gostev 在可视化编程上对 Astra 和 Fable 展开对比测试,并特别指出了 Astra 绘制的 SVG 孔雀。Schirano · Gostev
Demo 演示。Gabriel Chua 利用 100 多个 Codex 线程构建出了一个可漫步探索的虚拟新加坡。Simon Willison 则用同一套 three.js 机甲提示词测试了 Astra、Sol、Carbon 和 Fable 等多个模型。新加坡项目 · 同提示词对比
微软 Ignite 大会与 Gemini
微软推出自研编程模型。其中 MAI Code 2 专用于多步骤编程,Code 2 Flash 则主打更快速的代码编辑。两款模型均已上线 GitHub Copilot 的模型选择器、Copilot Fusion 以及 Foundry。此外,微软还宣布对其 Decision 模型进行多模态升级。微软
Copilot Fusion。微软公布其多模型运行框架在 Terminal-Bench 4.1 上取得了 71.2% 的成绩;在此次对比中,成本比 Claude Fable 5.2 低了 88%。Jay Parikh
图像编辑。在 Artificial Analysis 的编辑基准测试中,MAI Image 2.7 排名第一,每千张图片的处理成本为 34.82 美元。Artificial Analysis
Gemini Tasks。Hydrogen 目前在 6 个国家为免费版 Tasks 提供支持,可处理需要拨打电话或发送短信的任务。谷歌还展示了一款结合 MuJoCo 仿真环境的全新 Antigravity 机器人插件。Sundar Pichai · Google DeepMind
智能体运行框架与推理
Hugging Face 的 Pi 适配器。在 pi 内部训练的一个小型适配器,让 Qwen3.8-27B 在 SWE-bench Pro 最难的 51 项任务中,解题数从 15 个提升至 32 个;在该子集上,单任务工具调用次数减少了 55%。模型卡及对比结果
运行框架成本差异悬殊。Baseten 在涵盖 22 个运行框架和 5 个开源模型的基准测试中发现,每个成功通过的任务之间,成本差距最高可达 4.4 倍。Baseten
运行框架可能与特定模型高度绑定。谷歌的 SIM 会记录以往框架修改的逻辑与结果。其中一个在 Opus 上迭代演化的框架,迁移到 Gemini 上的得分仅为 68.41,还不如初始框架的 73.89。研究概述
更多多智能体产品亮相。Cognition 推出了常驻型的 Devin Bots。Perplexity 称其混合模型团队在 Terminal-Bench 和 WANDR 上击败了 4 个顶级模型实例组成的团队。Replit 则表示,在处理 NumPy 任务时,智能体数量从 16 个增加到 32 个出现了收益递减。Cognition · Perplexity · Replit
千智能体运行测试中,协同占据主导。Hugging Face 表示,在任一时刻仅有 40 到 60 个智能体在调用模型;智能体每生成 1 个 token,大约需要读取 130 个 token,代码合并与测试构成了主要瓶颈。Thomas Wolf
极少数缓存未命中就能拉高大笔账单。SemiAnalysis 报告称,在其样本中,仅 1.8% 未命中缓存的请求就占用了约 15% 的支出。SemiAnalysis
Marin 和 K2 Horizon 公开训练过程。Marin 开源了其 535B-A23B 训练过程中的 57 个 Mochi 中间检查点。K2 的报告则对比了基于相同 22T token 训练的四种不同尺寸模型,并介绍了一款解码适配器,据团队称可实现最高 2.2 倍的加速。Marin · K2 Horizon
Zyphra 的长上下文注意力机制。团队报告称,将多个模型转换为其亚二次方复杂度注意力机制后,在 10M token 下实现了 9 到 60 倍的加速,且 Qwen 在 1M 上下文下的 RULER 基准测试中得分损失不足 2 分。Zyphra
投机解码新进展。vLLM 报告称,采用滑动窗口草稿模型后,Kimi K3.1 Pro 的接受长度最多提升了 30%。NVIDIA 也为 Qwen3.8-27B 打造了一款 4B 的草稿模型。vLLM · 草稿模型研究
行业与政策
NVIDIA 换帅后的首份财报。在临时 CEO Colette Kress 的掌舵下,NVIDIA 季度营收达 1158 亿美元,同比增长 103%,并宣布 Vera Rubin NVL72 已经出货。董事会表示无意恢复黄仁勋的职位。NVIDIA · AP
Isomorphic Labs 融资 50 亿美元。本轮 C 轮融资由 Greenoaks 和红杉联合领投。该公司表示,将借此扩大其药物设计平台规模并推进疗法研发管线。Isomorphic Labs
Genesis AI 融资 5 亿美元。本轮 A 轮融资后,这家机器人公司的估值达到 35 亿美元。公司计划利用新资金部署其 Eno 机器人,并进一步扩大训练与数据收集规模。Zhou Xian
AI Reddit 要闻回顾
本地模型与硬件
部分层运行两次的 9B 模型。SenseNova-Loop-9B 会将其 32 层中的 24 层重复运行一次。模型作者称其 GAIA 成绩从预览版的 37.86 飙升至正式版的 69.90。本地部署用户则普遍关心在长上下文下还能给 KV cache 留出多少显存空间。权重 · 讨论
Maxwell V1 Flash。这款总参数 35B、激活参数 3B 的 MoE 模型声称,在 256K 长度下其注意力计算速度比稠密 GQA 快 6.7 倍。不过其稀疏注意力依然会保留全量历史的 KV cache,本地部署用户希望在采购或配置硬件前先看到这方面的实测数据。模型卡片 · 讨论
Olala mini 7A1B。OVHcloud 预热了一款激活参数仅 1B、上下文窗口达 32K 的小型 MoE 模型。社区讨论区正在等待其开源权重和可复现的基准测试。OVHcloud · 讨论
Intel Crescent Island 跑分曝光。早期简报中那些亮眼的吞吐量对比主要基于高负载 FP64 任务。而 Intel 另行公布的大模型对比数据显示,相比 RTX PRO 6000 Blackwell Server Edition,其吞吐量提升了 1.12 倍,延迟降低了 29%。硬件讨论
在打印机上跑 Gemma。一位开发者分享了通过 PostScript 打印任务成功运行 Gemma 3 270M 的案例。演示
智能体落地应用
来源:Latent Space · latent.space