跳到正文
Every (AI & I)(youtube.com)· Dan Shipper·· 5 天前品質評分58

我們實測 OpenAI 的 GPT-6.2 Astra 兩週

我們實測 OpenAI 的 GPT-6.2 Astra 兩週

重點導讀

Dan Shipper 的零日評測認為,OpenAI 的 Astra 6.2 在寫作方面退步,輸出過度壓縮,儘管在程式碼基準測試中展現了新穎的 3D 轉 2D 投影能力。

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:

Podcast 專家音訊節目

收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情

正文

Every 執行長 Dan Shipper 認為,OpenAI 的 Astra 6.2 是一次退步:他旗下 30 人團隊沒有任何成員偏好這個版本,而且退步最明顯的地方正是寫作。這支 11 分鐘的評論影片大部分時間都在談寫作品質、程式與設計基準測試,以及這次發布透露了 OpenAI 的什麼走向;「上線首日實測」這個框架貫穿整集,並非只是其中一段。

Every 能提前取得 OpenAI、Anthropic 與 Google 的前沿模型,在正式發布前用真實工作任務實測,測試期間的 Token 用量免費,Shipper 表示這並不影響團隊的判斷。這支影片的價值在於橫向比較:Astra 6.2 對上 Astra 6、Fable 5.2、Opus 5.5、Sonnet 5.5,以及 Google 的 Gemini Argon 與 Hydrogen,附上分數與並排輸出。

Astra 6.2 因過度壓縮而在寫作上退步

Shipper 說這是最痛的一項發現,因為 OpenAI 的模型一直是他取得乾淨、清楚、不油膩文句的可靠來源。Astra 6.2 把精簡推到極致,句子因此失去意義,開始讀起來像灌水廢文。這個問題同時出現在結構與文案上。

結構方面,模型把回答的順序調換了。請它對一篇文章給編輯意見時,Astra 6 先講主要批評與摘要,再提供替代文案。Astra 6.2 則直接跳到成品——標題、副標、內文——把意見當成附帶補充,儘管提示詞的主要要求是給回饋。

文案方面,它建議的替代版本更弱:

專案Astra 6Astra 6.2
標題「你的 AI 帳單可能太低了」「如果我們用的 Token 太少呢?」
開場句(先給批評的框架)「就算把 Every 的 OpenAI 排行榜上第二名模型的 Token 用量乘以三,還是落後我們執行長」

Shipper 說,Astra 6 的標題是他會想在信件主旨裡點開的那種;6.2 的版本把同一個概念稀釋掉了。他形容 6.2 的開場句「有點讀不下去」——讀者要讀到最後一個字才能拼湊出整句的意思。他的診斷是:這個模型「壓縮得太過頭,太急著精簡,結果失去了對意義的掌握。」

測試輸入是 Laura Entis 撰寫、標題為「Why You Should Burn More Token」的文章,兩個模型收到同樣的提示詞:以 Every 讀者為物件,審閱標題、引言與開頭段落,找出最強的重點,評估框架與用詞,並在適當時給出精簡的編輯意見與建議替代文案。

「它變得極度精簡、極度乾淨,乾淨到開始流失一部分意義。開始瀕臨廢文的邊界。」

依 Shipper 之見,目前的寫作模型排名

Shipper 為前沿模型的寫作能力排出高低,而這個排名正好說明 6.2 的退步為何重要。Google 的 Gemini Argon 與 Hydrogen 是他目前的最愛:細節最好、見解出人意料、擅長說故事,也能橫跨多段鋪陳論證而不讓讀者迷失。Claude 系列也做得到,但「有點在扮演 Gemini 模型」——乍聽很有洞見,細讀就露餡。OpenAI 的強項一直是以最少修飾做到精簡,而 6.2 把這個強項過度擬合了。

他指出,在本文發布前大約一個月(約 2026 年 10 月),他已把自己大部分的寫作工作量轉到 Gemini Argon 與 Hydrogen,日常乾淨、精簡的行文仍仰賴 Astra。

程式能力與 Astra 6 相當,落後 Fable 與 Opus

在 Every 的資深工程師基準測試中,Astra 6.2 得分約 39——與 Astra 6 相同,略遜於 Fable 5.2、Opus 5.5 與 Sonnet 5.5,後三者落在 40 到 41 之間。

基準測試Astra 6.2 結果比較
資深工程師約 39Astra 6 也是約 39;Fable 5.2、Opus 5.5、Sonnet 5.5 為 40–41
初階工程師(從待辦清單端到端完成)任務分類與研究能力強Fable 的程式碼更好合併、更可信

在初階工程師基準測試中——從待辦清單挑出任務並端到端完成——這個模型擅長確認某項任務是否已經做過,也擅長挑選該接哪一項,研究做得相當徹底。但在多次端到端建置中,它會提早收手,合作起來令人挫折。相較之下,Fable 能把一句簡單的提示詞變成一個開發完整、連小細節都想過的應用程式。Shipper 說 Astra 6.2「是有底子的」,但必須用力推才會動,「就是感覺非常保守。」

他推測這份保守源自 OpenAI 在事件之後做的對齊工作。他提到「2026 年 Agent Swarm 大事件」,之後 OpenAI 投入大量心力讓模型更對齊、更謹慎、更聽話,而不是放任它們「在網路上成群結隊去駭別家公司」。他強調這只是推測,並非已確認的原因。

他的實用結論:既有的 Astra 程式使用者會留下;Fable 或 Opus 5.5 的使用者沒有理由跳槽。

設計輸出預設值很強,但變化太少

Every 的設計師 Tyler Nishida 主持一項基準測試,給每個模型的設計任務幾乎不給指示,以看出模型的慣用風格,以及不同世代之間的變化幅度。Fable 5.2 預設就展現大幅變化與創意。Astra 6.2 產出的東西有意思,但「看起來都差不多」。要得到好結果,得把它推到極限。

一個隱藏的 3D 技巧是這次發布唯一的真正驚喜

在 Every 的「千禧鷹號基準測試」中,Astra 6.2 是目前最好的 OpenAI 模型——它捕捉到其他 OpenAI 模型漏掉的細節,但整體仍不是最強模型。它的 3D 能力還延伸到新穎的 2D/3D 組合。

資深編輯 Jack Cheng 用它生成了一個模型小鎮範例,可以放大檢視各元素如何互動。從某個角度看,輸出像一個貼圖完整的 3D 模型;換個角度,細節就消失了。這個模型把 GPT 影像模型生成的細緻 2D 影像投影到 3D 場景上,藉此假造出它原本做不出的細節。Shipper 稱這既富創意又前所未見,也證明能力「藏在這個模型裡面,除非你用力推,否則可能看不見。」

這次發布符合 OpenAI 九個月來重實用、輕前沿的模式

Shipper 說,在這次發布之前大約九個月(約從 2026 年初起),他一直「全力押注」OpenAI——Codex、它的模型、它的工具鏈——因為進步很快,模型好用、聰明又有效率。Astra 6.2 沒有延續這條軌跡。

他的解釋是:公司大部分心力放在對齊與安全,而非推進前沿;而且這個模型是為了精簡、實用的輸出而最佳化,一旦過頭,反而變得不那麼有用。OpenAI 也一直沒能站上 Claude 系列的頂端——Fable 在端到端程式與 3D 圖形上始終最強,Astra 從未達到那個等級。

「如果在這一點上聚焦得太過頭,你做出來的模型就會不夠有創意、不夠多變,沒辦法真正做出有趣的作品。」

值得觀察的重點

Shipper 提出的開放問題是:OpenAI 到底怎麼了。它歷史上的強項——把專業工作辦妥——是真本事,但若只朝這個方向狹隘最佳化,做出來的模型就會既不夠有創意、也不夠多變,無法勝任有趣的工作,而這正是 OpenAI 要重返戰局必須修正的地方。那個 3D 投影技巧則暗示模型有潛在能力,只有在強力提示下才會浮現,這使得提示強度成為未來評測值得追蹤的變數。Every 在 every.to 發布上線首日的模型評測、基準測試、技能與工作流程。

來源: Every (AI & I) (youtube.com)
開啟原文

讀者討論

理性交流 · 即時討論