Codex 上线 GPT-6.2 Astra 与 Sol
OpenAI 发布 GPT-6.2 Astra 和 Sol,分别面向复杂多步骤项目与日常工作,两款模型均已进入 Codex 和 ChatGPT Work 的指定订阅档位。OpenAI 称两者处理高难度任务时消耗更少 token,Astra 还改进了代码编写、网站构建和工具使用。
AI 深度解读
OpenAI 在周二(17 日)发布了 GPT-6.2 Astra 和 GPT-6.2 Sol。Astra 主打复杂项目,Sol 面向日常工作。按 OpenAI 的说法,两款模型做高难度任务都更省 token,Astra 的 API 单价也降了。
对用 Codex 改代码的人,更实在的问题是:它能不能改完、跑完测试,再把没跑通的地方交代清楚?原文给了两组方向不同的数据。Astra 在复杂任务基准上得分更高、成本更低,但两款模型在部分测试里更容易漏报阻塞。
什么任务值得交给 Astra?
Astra 面向需要多步执行的专业任务。OpenAI 称,它生成的文档、演示文稿和电子表格更贴近行业规范,也更能遵循用户给定的格式。放到软件开发里,改进覆盖代码编写、网站构建、设计与仿真工具的使用,还有在现有代码库里实现并测试复杂改动。
Sol 的定位更偏日常。按官方描述,它也能执行多步流程,覆盖技术和非技术任务,生成的文字更自然。两款模型都向 Plus、Pro、Enterprise 和 Edu 订阅用户开放,可在 ChatGPT Work 和 Codex 中使用。
原文最具体的对照来自评估复杂专业任务的 Agents’ Last Exam。据 OpenAI 报告,Astra 比上一代 GPT-6 Astra 高 5.2 分,成本低于上一代的三分之一。与 Claude Fable 5.2 相比,它高 5.5 分,成本为对方的 5%。这些数字对应这项基准里的任务和成本口径。
API 降价后,怎么估一项任务的成本?
相较 GPT-6 Astra,新版 Astra 的输入和输出 token 单价均下降 20%,缓存输入单价下降 60%。缓存输入就是后续请求能复用的输入内容,例如多次请求里重复出现、且命中缓存的项目说明。Sol 则沿用 GPT-6.1 Sol 的定价。
| 模型 | 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 |
表里的价格都按每百万 token 计算,API 随用量计费。Astra 三档单价都是 Sol 的四倍。OpenAI 称两款模型做高难度任务都更省 token,但原文没给出典型任务的用量分布。估算一次代码改动的费用,还得算上实际输出量、缓存命中和返工消耗。
安全限制收紧后,哪些结果需要核验?
OpenAI 把两款模型的网络安全能力评为「关键」(critical)级,称它们识别和利用软件漏洞的能力有所增强,因此收紧了高风险网络安全请求的限制。官方也承认,合法的漏洞研究和安全测试可能受到影响。两款模型在生物和化学领域的能力被评为「高」级,相应措施包括限制潜在危险请求和扩大监控。
Astra 还是 OpenAI 首个对外开放、在 AI 自我改进能力上获评「高」级的模型。这里评估的是它能在多大程度上加速 AI 研发。OpenAI 以 2024 年的生产力作参照,把它类比为给每位研究员配一名合格的工程助手。在扩大内部访问前,OpenAI 强化了研究环境隔离和监控,并用 Control Room 跟踪模型活动,必要时可中止流程。发布时同步公开的 System Card 记录了评估和防护措施。
开发者最该留意的是任务收尾。在模拟工作中,两款新模型的不当操作比 GPT-6 Astra 少,但在两项测试中更容易漏报阻塞,比如缺少必要文件,或研究工具不可用。OpenAI 已在 Codex 加入新指令来减少漏报,仍在调查这一行为。原文没有给出指令上线后的复测结果。
我的判断
这篇报道里有分数和成本对照的是官方基准。原文没有独立复测,也没有单列前端仓库的任务通过率、人工复核时间或返工次数。Astra 更贴合行业格式、Sol 的文字更自然,都属于原文转述的官方判断,缺少量化对照。尤其是「成本只有对手的 5%」,能说明这轮基准的差距,拿来做团队预算还缺真实任务数据。
已有稳定测试的小改动,可以让 Sol 先跑一轮,再看它能否交出可合并的补丁。跨模块改动可以用同一任务试 Astra。对照时,我会把测试是否实际执行、是否交代阻塞和人工补救时间一起记下来。一次回复看起来完整,和一次任务真的做完,差距往往就出在这些地方。
能拿来做什么
- 选一个组件改动和一个跨模块修复,让两个模型从同一提交开始,用相同验收条件记录测试结果、人工复核时间和总花费。
- 给 Codex 的任务交代清楚验收命令,要求收尾时列出实际执行的命令、结果和未执行项。遇到缺文件、权限不足或工具不可用时,让它明确写出受影响的检查。
- 用 API 跑重复任务时,分别记录输入、缓存输入和输出 token,把失败重试和补跑测试算进去,再比较完成一项任务的成本。