基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
9.0
重磅
AI SCORE
模型发布2026-11-18 20:00

GPT-6.2 双模型开放 API,Astra 降价

dev.to · AI#OpenAI#模型定价#智能体
Editor brief · 编辑速览

OpenAI 推出面向高难任务的 GPT-6.2 Astra 和面向日常任务的 Sol,两者均已开放 API。Astra 每百万输入和输出 token 分别为 8 美元和 40 美元,缓存输入为 0.40 美元,Sol 延续 GPT-6.1 的定价。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

GPT-6.2 Astra 和 Sol 这次更新,最值得关注的是完成任务的成本:原文称,新模型能用更少的输出 token 处理复杂工作,Sol 在部分测试里还能以更低成本接近 Astra。但官方成绩与独立体验并不完全一致,尤其是沟通方式和动画生成表现。

对程序员来说,这篇资讯的价值是提供选型线索:日常任务是否可以交给 Sol,复杂任务是否值得升级 Astra,长时间运行的 agent 又能省下多少。下面的发布信息和成绩均按所给原文转述,未另行核验。

价格降了,但要分清省的是哪笔钱

据原文,OpenAI 于 2026 年 11 月 17 日发布两款模型:GPT-6.2 Astra 面向最困难的任务,GPT-6.2 Sol 面向日常工作。API 标识分别是 gpt-6.2-astra 和 gpt-6.2-sol,Simon Willison 发布的 LLM 0.38 已支持它们。

Astra 的输入、输出价格分别为每百万 token $8/$40,比 GPT-6 Astra 低 20%;缓存输入为每百万 token $0.40,原文称缓存价格降幅为 60%。Sol 则维持 GPT-6.1 的 $2/$10 定价。

这里有两条省钱路径。一条是单价降低,另一条是完成同样的工作需要更少的输出 token。OpenAI 还据此宣称,用户可以在相同订阅额度内完成更多任务,但原文没有提供具体的额度消耗对照。

对 agent 开发者,缓存输入可能更有吸引力。多轮任务常常反复携带相同上下文,命中缓存后,这部分输入可以按更低价格计费。不过,原文没有交代缓存命中条件、有效期,以及 60% 降幅的具体比较基准,不能直接拿它估算自己的账单。

应该比较的是完成一次合格任务的总成本,token 单价只是其中一项。

原文列出的模型关键数据

官方跑分很强,为什么实际评价仍然分裂

OpenAI 给 Astra 的主要证据来自复杂任务测试。在 Agents' Last Exam 上,它比 GPT-6 Astra 高 5.2 分,成本不到后者的三分之一;比 Claude Fable 5.2 高 5.5 分,成本为后者的 5%。在 Terminal-Bench-Science 0.1 和 Vals Science Index 上,OpenAI 也称其刷新成绩,并将它定位为面向科学家的最强模型。

这些属于官方测试结论,原文没有展开任务配置和成本计算方法。这里的「成本」也不能直接等同于 API 单价。

Sol 的数据更贴近日常选型。在 Cognition FrontierCode 2.0 上,它只落后 Astra 0.5 分,成本约为五分之一;在 LifeVal 上,它超过 GPT-6 Astra,成本约为七分之一。OpenAI 还称,许多员工已经把 Sol 作为技术与非技术任务的默认模型,但这只能说明内部使用偏好,不能替代外部评测。

独立反馈给出了另一面。按原文转述,Willison 指出 Astra 在不同基准上并非总能超过 Claude Fable 5.2;他的动画提示词测试中,两款 6.2 模型都落后于 Fable 5.2 和 Gemini 4 Carbon。用户还反馈沟通风格令人困惑,Theo Browne 提到,模型使用子代理时会询问一些古怪的内部实现问题。

这对前端开发尤其有参考意义。科学任务成绩高,并不能保证动画效果、视觉表达或协作过程同样出色。

还有一处比较口径需要保留:Willison 指出,Fable 5.2 的榜单成绩排除了九个使用备用模型的任务。这个脚注说明比较条件存在差异,但原文没有给出统一口径后的结果,无法据此重新判定胜负。

我的判断

我更认可把 Sol 纳入日常任务候选,再验证哪些工作确实需要 Astra。原文提供的成本差距足够支持试用,却不足以支持全面迁移。

Astra 的优势证据集中在特定基准;Sol 接近 Astra 的结论,也只在列出的测试中成立。它们能否稳定修改现有项目、减少返工、顺畅执行子代理任务,原文都没有充分回答。

相比「直接选旗舰」,按任务选择模型更符合这些数据。但这仍是选型推断,原文没有提供团队长期使用的对照数据。动画测试也只能作为一个具体反例,不能扩展成对全部前端能力的排名。

能拿来做什么

  • 为现有 AI 编程流程准备一组真实任务,让 Sol 和 Astra 分别处理同类修改,记录验收结果、重试次数、耗时和总费用,再决定默认模型。
  • 如果正在开发多轮 agent,先检查重复上下文是否实际命中缓存,再估算每百万缓存输入 token $0.40 能节省多少费用。
  • 涉及动画或视觉交互时,用项目自己的提示词和验收标准比较模型;原文的动画测试已经提示,通用榜单不能代替这类验证。
  • 使用 LLM 工具的开发者可以关注 0.38 的支持,并在调用配置中区分 gpt-6.2-astra 与 gpt-6.2-sol,方便比较同一任务的结果。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
多智能体攻击压缩安全补丁部署窗口
下一篇
Cloudflare 按用途放行或拦截 AI 爬虫

资讯速览

dev.to · AI · 2026-11-18 20:00

AI 评分 9.0 / 10

相关标签

#OpenAI#模型定价#智能体

继续阅读

  • 把大模型线上故障变成 CI 回归用例
  • 多智能体攻击压缩安全补丁部署窗口
  • Cloudflare 按用途放行或拦截 AI 爬虫
  • 百万 token 文档翻成俄语为何花了近 17 美元
  • 按用户意图排查 AI 对话流失