GPT-6.2 Sol 在一项编程评测里只落后 Astra 不到 0.5 分,任务成本却约为它的五分之一。另一边,Simon Willison 用新 Astra 画图,最高推理档的单次花费反而比上一代更高。便宜和省钱,果然还隔着一整个任务。11 月 18 日这期 AI 热点,我想沿着模型选型、真实账单、交付验收、自动化边界和故障演练五条线聊,帮你判断哪些值得试,哪些先别急着接进业务。
一、GPT-6.2 Sol 接近旗舰,日常写代码该换默认模型吗?

先说结论,我会把 Sol 放进日常任务的候选名单,但不会因为不到半分的差距,直接把团队默认模型换掉。
据 IT之家 转述的 OpenAI 数据,GPT-6.2 Astra 和 Sol 已发布,前者面向复杂专业任务,后者面向日常工作。在 FrontierCode 2.0 上,Sol 与 Astra 相差不到 0.5 分,任务成本约为后者的五分之一。
这个数确实有吸引力。
不过,差半分说的是整套评测的汇总结果。它没有告诉我们,差距究竟落在单文件修复、跨包重构,还是需要连续调用工具的排障任务上。对天天改 React 组件、Node 接口和构建配置的程序员,这些差别会直接改变选型。
Latent Space 汇总的另一组数据,也支持把 Sol 当成候选。Artificial Analysis 智能指数中,Astra 为 62 分,Sol 为 57 分,后者追平上一代旗舰的位置。但报道同时收集到了差异很大的使用评价,有人觉得很难用,也有人用它完成复杂工程。
我更在意这个分裂。
榜单能告诉你模型有多大机会解决某类问题,实际交付还受执行框架、提示、工具权限和验收条件影响。一个模型擅长给出实现方案,不代表它在你的仓库里能持续找到正确文件、处理失败命令,再把剩余问题交代清楚。
微软这边也在做类似的任务分层。IT之家关于 Copilot 的报道 提到,MAI Code 2 面向跨文件修改和复杂排错,Flash 面向解释代码、局部修复等高频工作,Flash 还覆盖 Copilot Free 与 Student 用户。
所以,今天更值得讨论的是默认调用顺序。
范围明确、容易验收的小改动,可以先试成本较低的候选。涉及跨模块行为、权限逻辑,或者失败后不容易发现的问题,我会保留更强模型和人工判断的位置。便宜模型一旦需要反复补提示、换模型救场,前面的价格优势就可能被吃掉。
默认模型应该由常见任务的验收结果决定。
真要判断换不换,我会拿仓库最近 20 个已解决的问题,分成局部修复、补测试和跨文件修改,固定起始提交、工具权限与验收命令,让 Sol、Astra 和现有模型各跑一轮。先看哪些补丁能合并,再看每类任务该由谁接手。
二、模型单价降了,为什么 AI 编程账单还可能更贵?

这里有个坑,发布稿里的 token 单价、榜单里的任务成本、团队实际付出的交付成本,是三笔不同的账。
Simon Willison 给出的标准 API 价格如下,单位都是每百万 token。
| 模型 | 普通输入 | 缓存输入 | 输出 |
|---|---|---|---|
| GPT-6.2 Astra | 8 美元 | 0.40 美元 | 40 美元 |
| GPT-6.2 Sol | 2 美元 | 0.10 美元 | 10 美元 |
Astra 普通输入和输出较上一代下降 20%,缓存输入从 1 美元降到 0.40 美元。Sol 维持此前定价。按相同用量和相同计费条件比较,Sol 三档单价都是 Astra 的四分之一。
注意,四分之一不是前面评测里的五分之一。
五分之一来自特定任务的运行成本,还混合了实际输入量、输出量等因素。不能把它直接乘到团队现有账单上。
Willison 的小测试更直观。他让模型画骑自行车的鹈鹕,Astra 在 high 档的单次费用从上一代的 18.37 美分降到 11.55 美分,但到了 max 档,新版花了 88.71 美分,上一代是 63.21 美分。这只是单次图形生成测试,不能推到所有编码任务,却足以说明单价下降不保证每次调用都便宜。
推理档位也在花钱。
MarkTechPost 还列出了长上下文计价条件。按其报道,输入超过 272K token 时,普通输入与缓存输入按两倍计价,输出按 1.5 倍计价。百万上下文能装下更多内容,但把仓库一股脑塞进去,预算也得跟着变。
回到这块,我会把费用记录到每次尝试,而不是只记最终那次成功调用。下面这段只估算报道中的标准 API token 费用,长上下文倍率由调用方按实际请求条件传入。
const rates = {
astra: { input: 8, cached: 0.4, output: 40 },
sol: { input: 2, cached: 0.1, output: 10 },
};
function estimateCost(attempts) {
return attempts.reduce((total, attempt) => {
const rate = rates[attempt.model];
const { input, cached, output } = attempt;
const multiplier = attempt.multiplier;
// input 记录全部输入,缓存部分不能再按普通输入收费
const uncached = input - cached;
if (uncached < 0) throw new Error("缓存用量超过总输入");
return total + (
uncached * rate.input * multiplier.input +
cached * rate.cached * multiplier.cached +
output * rate.output * multiplier.output
) / 1_000_000;
}, 0);
}
最容易翻车的是 input - cached 这一行,接入前要确认上游字段中的输入量是否已经包含缓存部分;这段估算也没有计入工具、执行环境和人工审查费用。
微软的价格对比同样要带着条件读。关于 MAI Code 2 的报道 指出,其成本比较采用限时五折价格。活动期间便宜,可以成为试用理由,但长期预算不能照搬促销比例。
今天就能做的验证很小。选一个经常执行的任务,保留每轮实际用量、推理档位、重试次数和人工收尾时间,用同一验收条件比较两个候选。跑完再谈节省比例。
三、模型说「做完了」,怎样确认业务真的完成?

顺着上面聊,费用统计还有一个前提。
任务得真的完成。
一篇智能体监控文章 举了很贴近业务的例子。HTTP 返回 200,工具调用顺利结束,智能体也告诉用户退款完成了,但业务系统里的退款仍然待处理。
调用链没有报错,用户的事却没办完。
作者用 17 个合成案例比较异常检查、工具调用启发式判断和显式结果验收。这些案例说明了检查方式的区别,不能拿来推算线上静默故障的发生率。不过,它指出的问题足够具体,接口成功和业务成功需要分别验证。
这也影响 AI 办公提效工具。提交了一份审批、创建了一条发布任务、发起了一次导出,都不等于审批通过、发布完成、文件已经可下载。界面如果把这些状态统一展示成绿色的「完成」,用户就只能靠追问来补监控。
代码交付也一样。关于 GPT-6.2 进入 Codex 的报道 提到,新模型在部分测试里仍会漏报阻塞。回复更短之后,少掉的是重复解释还是关键失败信息,需要看执行记录。
我会把验收写成明确的业务规则。比如退款场景,下面的示例只检查一项承诺,不负责决定整条任务是否成功。
function verifyRefundClaim(claim, receipt) {
if (!receipt) {
return { verdict: "unknown", reason: "缺少业务回执" };
}
if (receipt.refundId !== claim.refundId) {
return { verdict: "unknown", reason: "回执对应其他退款" };
}
// 以业务回执为准,提交成功不能升级成退款完成
if (claim.status === "completed" &&
receipt.status !== "completed") {
return { verdict: "mismatch", reason: "完成声明与状态不符" };
}
return { verdict: "consistent", reason: "当前声明与回执一致" };
}
最容易翻车的是最后一行,声明与回执一致只能证明两者没有冲突,不能证明回执足够新,也不能证明金额、收款方等其他条件正确。
让业务系统证明完成,比让模型解释完成更可靠。
你要是也在做带工具调用的助手,可以当天抽取几条历史记录,把用户目标、最终回答、工具回执和业务状态放到一起。特别看那些用户隔了一会儿又问同一个问题的会话,再用测试桩回放「待处理」「已完成」「回执缺失」三种情况,确认界面不会把它们混成一个状态。
四、让多个 Agent 自动改代码,怎样防止连验收标准也被改掉?

说实话,多 Agent 流水线最吸引我的,不是同时开了几个角色,而是哪里允许它停下来。
从 Jira 到 GitLab MR 的案例 用五个智能体处理 AWS Glue 的 PySpark 需求。它们分别生成规格、先写测试、实现代码、检查工程规范和独立审查,最终创建 MR 交给人审核。
其中一个演示需求只有「改善客户数据质量」。分析智能体追问涉及哪些列、执行什么规则、影响哪些下游,随后停止流程,没有创建分支。
我挺认可这个取舍。
但两个演示故事还不能证明流水线能稳定处理真实需求,也不能证明五个角色优于一个角色。更值得借鉴的是,角色用结构化结果交接,程序负责执行检查、提交和推进流程,模型一句「通过了」不能代替检查记录。
还有一个更隐蔽的问题。同一个智能体既能改实现,又能改测试预期,测试全绿时到底证明了什么?
关于保护行为验收用例的文章 用部分付款发票举例。再次付款后,余额要对,发票要保持 open,invoice.updated 只能触发一次,也不能触发 invoice.paid。
这里的价值在于把业务承诺写完整。只测余额,可能漏掉错误状态;只测状态,又可能漏掉重复事件,下游照样会收到错误通知。
作者建议把少量由人工掌管的行为验收用例放到智能体常规编辑范围之外,用 CODEOWNERS 指定评审者,高风险流程还可以让独立 CI 读取只读用例包。
不过,CODEOWNERS 能不能形成约束,取决于合并规则。用例受保护,但 Agent 还能改执行用例的 CI 任务,保护就可能绕过去。只检查是否附了一份变更记录,也不等于记录已经获得批准。
所以我不会把所有测试都锁死。新需求当然需要新增和修改测试,真正需要独立看管的,是少量下游依赖强、改错代价高的业务约定。
当天可以选一个现成流程,比如优惠券叠加、部分退款或权限继承,提炼几条确定行为,放进独立验收任务。再故意提交一个只修改预期、没有改对实现的补丁,看看现有合并规则到底能不能拦住。
五、编程 Agent 怎么安全跑故障测试,又能证明修复有效?

当天另一条有意思的信号,是 Agent 开始参与持续的故障演练。
Claude Docs 的上线前测试案例 描述了两周预发演练。团队每天生成超过百万份合成文档,让关键组件失效,再通过监控定位问题、修改代码、重复测试。
报道里,一份大文档的内存峰值从约 3 GB 降到约 180 MB。第一次缩小服务缓存没有解决问题,后续追踪到依赖内部缓存和数据复制,才通过写时复制改善。
这个过程比最终数字更有参考价值。第一次猜错了,要有同一场景的下一轮测试把它推翻。
报道还称,到 9 月 22 日,服务处理了约 20 亿次请求,出现 60 次服务端错误。这是该案例报告的请求统计,不能因此认定没有数据丢失、延迟问题或其他用户体验故障,更不能把上线表现全部归功于 Agent。
回到前端,协同编辑断线后能重连,只证明连接恢复。断线前已经确认保存的编辑还在不在,才是更接近用户目标的验收。测试加载、重连和保存时,都应该把最终内容一起核对。
让 Agent 主动制造故障,也得明确执行范围。Simon Willison 的外置沙箱方案 把代理留在沙箱外,通过统一 localhost API 将代码执行交给独立环境,提供 v86、Apple Containers 和 Quicksand 三种实现,并支持可选的 HTTP/HTTPS 白名单代理。
这给测试环境的替换留了空间,但不能把执行沙箱理解成整个 Agent 都被隔离了。文件读写、插件和其他工具是否经过相同边界,仍取决于接入方式。原文也没有给出三种后端的安全性或性能对照。
故障注入要和业务验收放在同一轮里。
不用一上来复制百万文档压测。当天就可以在隔离测试环境里,让一个保存请求超时、一次连接中断或一个依赖返回错误,记录界面提示、重试次数和最终业务数据。修复之后重跑相同故障,再跑一次正常流程,确认没有为了处理失败把正常路径改坏。
总结
11 月 18 日这批消息里,发布、定价和入口是相对明确的报道信息。GPT-6.2 分成 Astra 与 Sol,微软把 MAI Code 2 系列带进 Copilot,多款模型都在争取日常编码任务。文中的价格和成绩按这些报道转述,没有把它们当成自己的实测。
我的取舍是先评估日常任务,再决定默认模型。相比单项最高分,我更看重补丁能否通过独立验收、业务状态是否对应承诺,以及失败后还要多少人工收尾。
至于 Sol 能否替换你正在用的旗舰、MAI 的促销优势能否延续、外置沙箱能覆盖多少工具能力,现在都不能替你的项目下结论。
这期 AI 编程消息最值得带回工位的,是把比较单位缩小到一次能验收的交付。拿一个真实问题,保留账单和执行证据,结果通常比再读一张榜单更有用。
参考
- GPT-6.2 双模型发布,Sol 降低编程任务成本|IT之家
- GPT-6.2 两款模型降低基准测试成本|Latent Space
- GitHub Copilot 上线两款微软自研编程模型|IT之家
- GPT-6.2 Astra and Sol|Simon Willison
- GPT-6.2 双模型发布与计价条件|MarkTechPost
- 微软 MAI Code 2 的成本主张与促销口径|dev.to
- 智能体返回 200,任务未必成功|dev.to
- Codex 上线 GPT-6.2 Astra 与 Sol|dev.to
- 从 Jira 需求到 GitLab 合并请求的多智能体流水线|dev.to
- 把验收标准放到编程智能体够不到的地方|dev.to
- Claude Docs 上线前的混沌测试|dev.to
- External sandboxes for coding agents|Simon Willison
- 前端进阶之旅