GPT‑6.2 Astra 与 Sol 的性能成本对比
文章汇总外部评测与价格数据。两款模型在 FrontierCode 2.0 上的通过率均为 48.2%,所列单次成本分别为 Astra 5.97 美元和 Sol 1.29 美元,而 Astra 在标准 ARC‑AGI‑3 测试中领先 15.4 个百分点。
AI 深度解读
GPT-6.2 Astra 和 Sol 在同一套 Codex 环境里都通过了 48.2% 的真实仓库改动任务,平均每次运行却分别花了 $5.97 和 $1.29。到了要求模型多轮探索的 ARC-AGI-3 标准测试,Astra 又领先 15.4 个百分点。选哪个,取决于你让模型做什么,以及结果怎么验收。
原文汇总了多家机构的评测和两套 API 价格。对写代码、接 API 的团队,最实用的是两个判断:什么任务值得升级到 Astra,以及怎样把缓存、重跑和人工审查算进同一笔账。
同样通过 48.2%,为什么还要分开测写代码和读代码?
OpenAI 于 2026 年 11 月 17 日发布 GPT-6.2 Astra 和 GPT-6.2 Sol。Cognition 的 FrontierCode 2.0 要求模型改动真实仓库,同时记录按评分规则加权的分数、通过率和单次运行的平均 API 成本。在同一套 Codex 环境下,Sol 6.2 比 Sol 6.1 多通过了 4.2 个百分点,单次成本从 $1.03 涨到 $1.29,约为 Astra 6.2 的 22%。两代 Sol 的对应单价相同,账单仍会随输入、缓存和输出用量变化。榜单里的 Claude 条目同时换了模型和运行框架,跨框架的结果要另测。
读仓库时,结果有些反直觉。Artificial Analysis 的 Intelligence Index 给 Astra 和 Sol 分别打了 62 和 57 分,较各自前代提高 5 分和 2 分。但在 Codex 开到 max 的 Coding Agent Index 里,Astra 持平,Sol 比 6.1 低 3 分,主要受 SWE-Atlas-QnA-AA 下滑 14 分拖累。评测方发现,新版 Sol 更容易漏掉仓库问答里的关键事实。给现有报表加一个口径明确的指标,可以用测试判断补丁能否合并。要迁移整个报表口径,就得先检查模型有没有找全依赖旧指标的入口和调用方。
多轮任务里,模型能带着什么进入下一轮?
ARC-AGI-2 让模型从样例里归纳规则,ARC-AGI-3 则要它在交互环境里边试边学。Standard 框架会带上模型主动留下的笔记,Provider Adapter 还会保留不对外公开的推理状态,并压缩较长的对话。Astra 领先 15.4 个百分点用的是 Standard,而 100% 来自 Provider Adapter 下的 xhigh 配置。ARC Prize 也说明,部分 Sol 运行没有覆盖全部任务或游戏,公布分数仍以完整数据集为分母。把榜单结果用到自己的工具型 agent 上,要一起看客户端能否重放工具结果、中断后恢复,以及压缩上下文后能否继续完成任务。
开放式交付还要看评测怎么判。在 OpenAI 公布的结果里,Astra 相比初代 GPT-6 Astra,在 Agents’ Last Exam 高 5.2 个百分点,在 Terminal-Bench-Science 0.1 高约 9 个百分点,两项成本均低于前代的三分之一。内部 GDPval v2 上,Astra 提高 6.2 个百分点,输出 token 少 22%,Sol 则比 6.1 高 5.3 个百分点。AA-3D 让评审实际体验同一提示词生成的两个匿名作品再投票,Astra、Claude Fable 5.2、Sol 分别得到 1,318、1,271 和 1,259 Elo。
另一组结果体现了评分标准的影响。Epoch AI 给 Astra 6.2 和 Claude Fable 5.2 的能力指数估计都是 174,区间分别为 170–179 和 170–177。换成 Epoch 自己的小样本真实工作,由人工评研究问题、证据和迭代质量,Astra 平均只拿到 65%,落后 17 个百分点。用模型生成财务工作簿时,也可以把验收拆开,分别检查答案是否正确、公式是否引用了正确的单元格。
多一个 token,为什么整单价格几乎翻倍?
两款模型的上下文窗口都是 105 万 token,输入上限是 922,000 token,都支持流式输出、结构化输出和图片输入。官方 API 的工具调用走 Responses,生成图片也由单独的 Responses 工具提供。OpenAI 建议新接入从 medium 起步,从 none 或 minimal 迁移时可以先试 low。输出预算要给最终文本和推理 token 都留空间。
官方 Standard 价按每百万 token 计,Astra 在同一上下文档内是 Sol 的 4 倍。相比初代 Astra,新版的未缓存输入、30 分钟缓存写入和输出均降价 20%,缓存读取从 $1 降到 $0.40。决定长上下文账单的是 272,000 这个门槛。从 272,001 个输入 token 起,整单输入和缓存费率翻倍,输出费率变为 1.5 倍。 假设 Astra 没有缓存、计费输出为 8,000 token,输入多这一个 token,费用就从 $2.496 升到约 $4.832。每轮都追加完整工具日志的 agent,很容易提前跨档。
同样是 100,000 输入和 8,000 计费输出,无缓存时 Astra 和 Sol 分别花 $1.12 和 $0.28。若其中 80,000 个输入 token 命中缓存,两者降到 $0.512 和 $0.128。若首轮要把这 80,000 token 写入 30 分钟缓存,当轮则花 $1.28 和 $0.32。迁移时还有个位置变化,GPT-6.2 的 Responses API 把顶层 instructions 放在 input 之后。OpenAI 建议把固定指令作为 developer 消息放在 input 开头,使其进入可复用前缀,顶层字段留给当次请求的指令。
作者所在的 Modelflare 团队还列出了 2026 年 11 月 18 日的网关价格快照。80,000 token 命中的同一个例子,按 Stable 组算,Astra 和 Sol 的模型 token 费用分别是 $0.04096 和 $0.01024。组别比例基于平台目录价,充值组还有资格条件和 10 RPM 限制。核对实际用量时,服务档、后台完成窗口和工具费用要单独看。
我的判断
有自动验收的仓库改动,拿 Sol 做第一轮基线有依据。至于「复杂任务就交给 Astra」,仍是经验判断。Modelflare 团队没有独立跑这两款模型,文章引用的公开结果也来自不同任务和配置。比如 OpenAI 在 Terminal-Bench-Science 的脚注里,给 Claude Fable 5.2 标了不同的运行框架。团队最该补测的是同一批失败题:Sol 没过的补丁,Astra 到底能救回多少?
全量上 Astra 省去了分流,先跑 Sol 再升级则多一次执行和等待。原文用假设演示了成本差异:100 次 Sol 每次 $0.10,通过 80 次,剩下 20 次交给 Astra,每次 $0.40,再通过 16 次,算下来是 $18 ÷ 96 = $0.1875。若 100 次都交给 Astra 并通过 95 次,就是 $40 ÷ 95 ≈ $0.421。两组通过率都是示意。真实账单还要加上审查、修正和工具费用,两款模型也可能卡在同一批题上。
能拿来做什么
- 从现有前端或 Node 仓库各挑一批实现题和读库题,固定输入版本、工具权限和停止规则。以 Sol 6.2
medium为基线,再测 Solhigh、Astramedium或当前 Sol 版本,分别记录补丁通过率和关键事实遗漏。 - 把 Sol 未通过的任务单独留样,让 Astra 跑同一批题。用总成本除以最终通过验收的任务数,把失败轮次、工具费用和人工修正时间都算进去。
- 迁移 Responses 时,把稳定指令前置为
developer消息,核对旧的采样和logprobs字段、输出预算以及未完成响应的处理。用实际usage检查缓存命中和超过 272,000 输入 token 的请求比例。 - 为多轮工具调用保留首个可见 token、首次工具动作和最终交付三个时间点,另测一次中断恢复。长文档任务可以放入互相冲突的版本,验收模型是否引对原始出处,并识别生效日期和例外条款。