跑分封神却差评刷屏:GPT-6.2 Astra到底强不强?褒贬两面的实测

一个模型可以同时在3D生成上断层领先,又在长期编程任务里反复兜圈子;既能帮开发者设计出每月省2.5万美元的方案,也被同一个人称为”OpenAI史上最糟糕的模型”。GPT-6.2系列上线后引发的剧烈分歧,恰恰是大模型竞争转向的一个缩影。

双模型齐发:一个啃硬骨头,一个拼性价比

OpenAI此次发布了两款定位不同的模型:GPT-6.2 Astra面向复杂专业任务,GPT-6.2 Sol更注重效率与成本,覆盖日常办公、编程及多步骤智能体工作。

官方成绩单相当亮眼。在衡量长周期、多步骤专业任务的 Agents’ Last Exam 测试中,Astra比上一代高出5.2分,完成任务成本却不到后者三分之一;与Claude Fable 5.2相比领先5.5分,任务成本仅为对方的5%。科研能力方面,Terminal-Bench-Science 0.1测试成绩比上一代提高9个百分点,OpenAI称其为”目前最适合科学家的模型”。

3D设计是这次最大的惊喜。在Artificial Analysis的AA-3D评测中,Astra以1318 Elo排名第一,较上一代提高150 Elo,领先Claude Fable 5.2的1271 Elo。开发者展示了它根据参考图制作、可直接通过WebGPU在浏览器运行的精细3D演示程序,还有团队用它搭出接近真实、可自由行走的迪士尼灰姑娘城堡。

价格上,Astra的API输入和输出价格比上一代下降20%,缓存输入下降60%,每百万Token的输入、缓存输入及输出价格分别为8美元、0.4美元和40美元;Sol保持上一代价格,分别为2美元、0.1美元和10美元。第三方机构Artificial Analysis的综合智能指数中,Astra排名第二,仅次于Claude Fable 5.2。

差评从何而来:聪明模型不好用

然而上线不到12小时,社交平台就出现大量差评,批评集中在几个方面。

AI开发者Matt Shumer表示不会对两款模型做完整评测,理由是此前测试体验”基本无法使用”。Every联合创始人Dan Shipper的团队提前测试数周后认为,Astra写作不如上一代,过分追求简洁导致需要详细解释的问题经常得到过短回答;编程表现接近上一代,却常在真实项目中提前停止工作。

批评最激烈的开发者Theo透露,自己专门花了一整天给OpenAI写投诉信:模型常在长期任务中突然暂停,询问内部文件该如何命名这类无关问题;还曾在一个TypeScript转Rust项目中连续运行11天没有有效改进,反而让编译器运行速度下降了56%。另一个细节更耐人寻味——他询问某台电脑为何运行缓慢,Astra给出四段复杂技术分析,而Claude Opus 5.5直接指出是固态硬盘太慢。

不过颇具讽刺意味的是,Theo也承认Astra在代码审查、3D、游戏开发和计算机操作上表现出色,甚至帮他设计出一套预计每月节省2.5万美元的反向代理方案。开发者Flavio Adamo同样认为其3D能力优秀,但前端开发中常擅自采用自己的设计风格,无法延续项目原有视觉规范。

评价方主要观点
Matt Shumer体验糟糕,两款模型”基本无法使用”
Dan Shipper团队写作倒退、回答过短、真实项目中提前停工
Theo长任务中断、11天转码无进展、编译器慢56%
Pietro Schirano问题多来自外围框架,移除后明显改善
OpenAI官方承认两项对齐测试中更易遗漏关键信息,已调整指令

反转:差评声音被放大了?

也有提前体验者提出不同看法。Pietro Schirano认为,不少问题来自外围的智能体执行框架Harness,移除后Astra表现明显改善。OpenAI官方博客也承认,在两项对齐测试中,新模型更容易遗漏妨碍任务完成的重要信息,例如文件缺失、搜索工具无法使用等,目前已通过调整Codex指令改善。

爱范儿用三组测试——第三人称水下探索游戏、动画风乡村骑行体验、基础WebGL交互场景——考察模型对复杂需求、3D场景和交互逻辑的处理能力,结论是表现”远没有网上所说的那么糟糕”,首发舆论更像是差评被集中放大。

分歧背后的行业逻辑

为什么同一款模型评价如此分裂?关键在于如今的AI不再是”问一句答一句”,而是能自主干上几小时甚至几天的活。越是自主执行,一次误判的代价越大:普通人眼里无关紧要的提问,对已运行两小时的智能体来说就是任务中断;模型持续消耗Token改善程序体积却忽略用户想要的性能,也说明自主能力越强,错误决策代价越高。

成本同样不能只看单价。单次推理价格虽降了20%,但若模型反复试错、跑偏返工,整个项目总花费反而可能更高——真正省钱靠的是”一次做对”。开发者Tony的对比很直观:同一高山水上飞机提示词下,GPT-6.2 Sol耗时约31分钟、花费2.07美元,Claude Opus 5.5则耗时约2小时46分钟、花费31.85美元。

GPT-6.2的争议,反映出大模型竞争正从”比谁更聪明”转向”比谁能以怎样的效率、成本和可靠性完成任务”。对普通用户而言,与其被社交平台上最激烈的评价左右,不如把模型放进自己的工作场景实测。最聪明的模型未必最好用,最好用的模型也未必需要证明自己最聪明。

信息来源:爱范儿、腾讯新闻、OpenAI官方博客、Artificial Analysis。评测结果因任务、框架、设置而异,本文为基于原文的整理与实测转述,仅供选型参考。


说说

全部说说