跳到正文
aihot(aihot.news)· noreply@aihot.news (Latent Space)·· 4 天前精選品質評分87

OpenAI 發布 GPT-6.2 Astra 和 Sol,Astra 評測名列第二、Sol 每項任務成本較低

OpenAI 釋出 GPT-6.2 Astra 和 Sol:更便宜但口碑分化,Anthropic 仍握最強模型

重點導讀

挑 AI 模型時,測試成績、使用成本和實際感受可能不一致。

  • OpenAI 發布 GPT-6.2 Astra 和 Sol,並開放給部分 ChatGPT Work、Codex 使用者及 API 開發者。第三方測試中,Astra 在 Intelligence Index 得 62 分,排第二。
  • Sol 的單項任務成本約為 9 月 Astra 的 15%。不過,早期測試者對 Astra 的評價分歧,有人抱怨它難以使用,也有人認為部分問題和執行框架有關。這篇整理了基準成績、價格與使用回饋,呈現兩款模型的表現差異。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

推薦理由

第三方基準顯示兩款模型在能力與每項任務成本上各有差異,文中也收錄早期測試者的負面回饋,可用來理解效能資料和實際使用感受的落差。

正文

Latent Space· swyx .ai·2026-11-18 18:19· 2 小時前精選AI 評分83

[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

AI 導讀

Latent Space 彙總 OpenAI 釋出的 GPT-6.2 Astra 和 Sol:Artificial Analysis 測得 Sol 以約 15% 的單任務成本追平 9 月的 Astra,新 Astra 以 62 分位居 Intelligence Index 第二,僅次於 Fable 5.2 的 65 分,兩者均為 1M 上下文、128K 輸出。

推薦理由

彙編了 GPT-6.2 雙模型的第三方基準與價格資料,同時保留早期測試者的負面反饋,讀者可以據此自行權衡價效比與口碑分歧。

OpenAI 今天釋出了 GPT-6.2 Astra 和 Sol,比 Anthropic 預計的首個交易日 早了兩天。在 Artificial Analysis 的測試中,Sol 與 9 月的 Astra 打平,但每任務成本只有約 15%。新版 Astra 在智慧指數上得分 62,僅次於 Fable 5.2 的 65。說到底,Anthropic 仍握有全球最強模型,但論每美元智慧,OpenAI 擁有全球最高效的模型。

這次釋出更不尋常的地方,是網紅們給出了強烈負面的反饋……

這促使官方做出了 防禦性回應……

在 X 上檢視帖子 ↗

我們認為其中有些是反應過度,也是網紅們的慣常操作——要麼什麼都 🤯🤯🤯,要麼就是史上最爛模型。但同時也認為部分批評是合理的,強化學習留下的痕跡很明顯,而且 簡直詭異(更別提 那支糟糕的釋出影片 了)。不過,我們仍然用它來自動化日常工作,說到底這才是最重要的。

釋出很出色,但 Anthropic 的 IPO 不受影響,而這大概會是本週、今年乃至這十年的頭條(直到 OpenAI 也 IPO……)。

今日 AI 新聞由 SerpApi 贊助!

按 URL 抓取公開網頁,輸出可直接餵給 LLM 的 Markdown 或結構化 JSON。用一個 API 就能對映站點、執行有界爬取。搭配 100 多個 SerpApi 搜尋 API,打通從搜尋到內容的完整流程。

去看看他們,支援 LS,反饋請聯絡 business@latent.space!


AI 推特回顧

GPT-6.2 Astra 和 Sol

  • 可用性。今天的模型正陸續向 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise 和 Edu 使用者推送,並通過 API 以 gpt-6.2-astra 和 gpt-6.2-sol 向開發者開放。OpenAI

  • API 每百萬 token 價格。Astra 為輸入 $8、快取輸入 $0.40、輸出 $40。Sol 維持前代定價:$2、$0.10 和 $10。兩者均為 1M 上下文、128K 輸出上限。Vals · 超快定價與推送

  • 面向法律的 Astra。Enterprise 配置新增了法律檢索索引。Artificial Analysis 在 Harvey LAB-AA 上測得 20.8%,基礎版 Astra 為 15.0%。Artificial Analysis

  • 準備度。OpenAI 將 Astra 在 AI 自我改進方面評為 High,這是其對外發布模型中的首次。另一項指標上,Vals 的 RSI-Index 從 27.07% 升至 29.01%,50% 代表人類基準。系統卡 · Vals

  • FrontierMath Erdős。Epoch 在 68 道題中驗證了 7 個 Lean 解答,此前最好成績是 3 個。Epoch

基準測試測的是什麼

  • Agents’ Last Exam 1.1。OpenAI 報告稱,Astra 在 xhigh 檔比 GPT-6 Astra 在 max 檔高出 5.2 分,每任務成本不到三分之一。在該測試上,它比 Fable 5.2 領先 5.5 分,成本約為後者的 5%。在 GDPval v2 上,Astra 的輸出 token 比前代少 22%。OpenAI 的結果

  • 長程工程任務。Mercor 的 OpenWorldEngineer 上,Astra 為 67.2%,Fable 5.2 為 54.6%,GPT-6 Astra 為 44.2%。在 Vals 的多輪 Vibe Code Bench 上,Astra 第一,Sol 第三。Mercor · Vals

  • 3D 與機器人。Astra 以 1,318 分領跑 AA-3D,Fable 為 1,271,Sol 為 1,259。在 Artificial Analysis 的機器人預覽中,Astra 得 79 分、Sol 得 78 分,領先 Fable 的 75 分。Artificial Analysis

  • 研究AI 助理。在 Perplexity 的 WANDR 上,Astra 得分 0.783,每項任務成本約 12.54 美元;Sol 得分 0.746,成本約 2.65 美元。Perplexity

早期測試者並不買賬

  • Matt Shumer 經過數週測試後稱這些模型“基本沒法用”,並表示他的 Opus 和 Fable AI 助理拒絕了 Astra 的不少子AI 助理產出。評測 · 工作流細節

  • Pietro Schirano 把自己早期的許多問題歸因於執行框架(harness)。Arena 的 Peter Gostev 在視覺程式設計任務上讓 Astra 與 Fable 對比,並特別提到了 Astra 畫的 SVG 孔雀。Schirano · Gostev

  • 演示案例。Gabriel Chua 用 100 多個 Codex 執行緒搭建了一個可漫遊的新加坡。Simon Willison 把同一個 three.js 機甲提示詞分別交給多個模型執行,包括 Astra、Sol、Carbon 和 Fable。新加坡搭建 · 同提示詞對比

微軟 Ignite 與 Gemini

  • 微軟推出自家程式設計模型。MAI Code 2 面向多步程式設計,Code 2 Flash 用於更快的編輯。兩者都已上架 GitHub Copilot 的模型選擇器、Copilot Fusion 和 Foundry。微軟還宣佈其 Decision 模型迎來多模態升級。微軟

  • Copilot Fusion。微軟稱其多模型框架在 Terminal-Bench 4.1 上取得 71.2% 的成績,在該對比中成本比 Claude Fable 5.2 低 88%。Jay Parikh

  • 影像編輯。Artificial Analysis 的編輯基準將 MAI Image 2.7 排在首位,每 1,000 張影像收費 34.82 美元。Artificial Analysis

  • Gemini Tasks。Hydrogen 現已在六個國家為免費版 Tasks 提供支援,包括需要打電話或發簡訊的任務。谷歌還展示了一款新的 Antigravity 機器人外掛,帶 MuJoCo 模擬。Sundar Pichai · Google DeepMind

AI 助理框架與推理

Hugging Face 的 Pi 介面卡。一個在 pi 內部訓練的小型介面卡,把 Qwen3.8-27B 在 51 道最難的 SWE-bench Pro 任務上的解出數從 15 提升到 32。在這一子集上,每項任務的工具呼叫次數減少了 55%。模型卡與配對結果

  • 不同框架的成本差異懸殊。Baseten 對 22 個框架和五個開源模型做了基準測試,發現每項通過任務的成本最高相差 4.4 倍。Baseten

  • 框架可能會針對其模型專門化。谷歌的 SIM 會保留此前框架修改的理由和結果。它在 Opus 上進化出的框架在 Gemini 上得分 68.41,而初始框架為 73.89。研究摘要

  • 更多多AI 助理產品。Cognition 推出可持久執行的 Devin Bots。Perplexity 報告稱,其混合模型團隊在 Terminal-Bench 和 WANDR 上擊敗了四個主模型實例。Replit 報告稱,在 NumPy 任務上,AI 助理從 16 個增加到 32 個後收益遞減。Cognition · Perplexity · Replit

  • 協調開銷主導了一次 1,000 AI 助理執行。Hugging Face 表示,任一時刻只有 40–60 個AI 助理在呼叫模型。它們每寫一個 token 大約要讀 130 個 token,合併和測試也加劇了瓶頸。Thomas Wolf

  • 一小部分快取未命中就可能主導賬單。SemiAnalysis 報告稱,在其樣本中,1.8% 的未快取請求約佔總支出的 15%。SemiAnalysis

  • Marin 和 K2 Horizon 公開了各自的訓練過程。Marin 釋出了 535B-A23B 訓練中的 57 個 Mochi 中間檢查點。K2 的報告對比了在相同 22T token 上訓練的四種模型規模,並介紹了一種解碼介面卡,團隊稱其速度提升達 2.2 倍。Marin · K2 Horizon

  • Zyphra 的長上下文注意力。團隊稱,將多個模型轉換為亞二次注意力後,在 10M token 下實現了 9–60 倍加速;Qwen 在 1M 上下文下 RULER 分數下降不到兩分。Zyphra

  • 投機解碼。vLLM 報告稱,針對 Kimi K3.1 Pro 使用滑動視窗草稿模型,可將接受長度提升最高 30%。NVIDIA 也為 Qwen3.8-27B 準備了一個 4B 草稿模型。vLLM · 草稿模型研究

產業與政策

  • NVIDIA 在 CEO 交接後的首份財報。在臨時 CEO Colette Kress 任內,NVIDIA 公佈季度營收 1158 億美元,同比增長 103%,並稱 Vera Rubin NVL72 已開始出貨。董事會表示無意讓黃仁勳復職。NVIDIA · AP

  • Isomorphic Labs 融資 50 億美元。Greenoaks 和 Sequoia 聯合領投 C 輪。公司表示將擴大其藥物設計平臺規模,並推進治療管線。Isomorphic Labs

  • Genesis AI 融資 5 億美元。這輪 A 輪融資對這家機器人公司的投後估值為 35 億美元。公司計劃用這筆資金部署 Eno 機器人,並擴大訓練和資料收集。Zhou Xian


AI Reddit 摘要

本地模型與硬體

  • 一個部分層跑兩遍的 9B 模型。SenseNova-Loop-9B 將其 32 層中的 24 層再執行一次。模型作者報告稱,GAIA 從預覽版的 37.86 提升到正式版的 69.90。本地使用者詢問在長上下文下還剩多少記憶體可用於 KV 快取。權重 · 討論

  • Maxwell V1 Flash。這款 35B/3B 啟用的 MoE 聲稱在 256K 上下文下,注意力速度比稠密 GQA 快 6.7 倍。其稀疏注意力仍保留完整歷史的 KV 快取,這正是本地使用者希望在投入硬體前實測的地方。模型卡 · 討論

  • Olala mini 7A1B。OVHcloud 預覽了一款小型 MoE,啟用引數 1B,上下文視窗 32K。討論帖正在等待權重和可復現的基準測試。OVHcloud · 討論

  • Intel Crescent Island 的資料。早期簡報中那個引人注目的吞吐量對比使用的是偏重 FP64 的工作負載。Intel 另一項 LLM 對比則聲稱,相比 RTX PRO 6000 Blackwell Server Edition,吞吐量為 1.12 倍,延遲低 29%。硬體討論

  • 在印表機上跑 Gemma。一位開發者報告稱,通過 PostScript 列印任務運行了 Gemma 3 270M。演示

AI 助理實踐

  • 為即時輸入打造的遊戲AI 助理。miHoYo 的 Gamer 以 5 Hz 取樣螢幕,並以 30 Hz 輸出鍵盤和滑鼠操作。在作者的評估中,其強化學習版本解決了約一半的留出崩壞謎題任務。專案 · 討論

  • 一個虛構聯賽每晚播出節目。開發者稱,Fock Ball 在物理引擎中模擬比賽,並用 Claude 處理解說和新聞編輯室等周邊工作。開發者帖子

  • ICLR 審稿與 AI 檢測工具。審稿人反映,程式主席標記了疑似由 AI 生成的審稿意見。討論帖追問:檢測工具如何區分“編輯輔助”和“整篇審稿由 AI 生成”?同行評審討論

來源:Latent Space · latent.space

來源: aihot (aihot.news)
開啟原文

讀者討論

理性交流 · 即時討論