跳到正文
The Decoder· Matthias Bastian·· 4 天前同事件AI 评分88

OpenAI 发布 GPT-6.2 Astra 与 GPT-6.2 Sol,API 价格下调

OpenAI launches GPT-6.2 Astra and Sol with lower API prices and some benchmark gains

AI 导读

OpenAI 发布 GPT-6.2 Astra 和 GPT-6.2 Sol 两款语言模型,分别面向专业工作与日常使用,已向 Plus、Pro、Enterprise、Edu 用户开放,并可通过 API 调用。

同一件事,精选收录的是《OpenAI 发布 GPT-6.2 Astra 与 Sol》

正文 · AI 翻译

OpenAI发布两款新语言模型。GPT-6.2 Astra面向高要求的专业工作,而GPT-6.2 Sol专为日常使用打造。OpenAI表示,这两款模型在基准测试中均优于前代产品,且运行成本更低。

GPT-6.2 Astra和Sol现已在ChatGPT Work和Codex中向Plus、Pro、Enterprise及Edu用户开放。Pro-500订阅者可使用两款模型的Ultrafast模式。Pro-200订阅者首次获得Ultrafast访问权限,从GPT-6.2 Sol开始。

开发者可通过OpenAI API访问这两款模型。OpenAI表示,GPT-6.2 Astra的API定价比其前代产品便宜20%,即每百万输入token为8美元,缓存输入为0.40美元,每百万输出token为40美元。GPT-6.2 Sol保持GPT-6.1 Sol的定价不变,即每百万token输入2美元,缓存输入0.10美元,输出10美元。

OpenAI称Astra是“世界上最好的科学家模型”,并推崇其精美的幻灯片功能

OpenAI训练GPT-6.2 Astra以更可靠地处理法律、金融和会计等领域的专业惯例。该公司表示,演示文稿会从模板中提取布局、颜色和排版,匹配精确的字体大小。幻灯片标题旨在捕捉幻灯片的要点,而正文则专注于关键细节。

OpenAI的公告重点强调其模型的性能价格比。在测试多步专业工作流的基准测试Agents' Last Exam上,据OpenAI称,GPT-6.2 Astra得分比其前代产品GPT-6.2 Astra高出5.2分,而成本不到三分之一。它以仅5%的成本领先Anthropic的Claude Fable 5.2达5.5分。只有Google的Gemini 4 Carbon在该基准测试中与Astra持平。

GPT-6.2 Astra以较低的单任务成本在Agents' Last Exam v1.1上取得最高分。Claude Fable 5.2达到相似分数,但单任务成本高数倍。| 图片来源:OpenAI

在涵盖合同条款分析等任务的法律基准测试Harvey LAB-AA上,据OpenAI称,GPT-6.2 Astra的通过率几乎是Claude Fable 5.2的两倍,而成本仅为约六分之一。在包含咨询、金融和设计任务的内部基准测试GDPval-v2上,OpenAI表示Astra相比前代产品提升了6.2个百分点,同时输出token减少了22%。

OpenAI表示,计算机操作能力(此前已是前代产品的强项)再次得到提升。在测试中,据报道该模型构建了一个3D汽车模型,用Python编写了物理求解器,并在Blender中对结果进行了动画演示。在另一个演示中,它逐步建模了一辆遥控汽车的部件,并生成了动画组装指南。

OpenAI还声称在网络设计方面取得了进展。在3D基准测试AA-3D中,人类评委比较两个盲测的交互体验。GPT-6.2 Astra以1,318个Elo积分位居第一,领先于Claude Fable 5.2的1,271分和GPT-6.2 Sol的1,259分。

在Terminal-Bench-Science这一测试终端中科学工作流的基准测试上,据OpenAI称,该模型得分比GPT-6.2 Astra高出9个百分点,成本同样不到三分之一。OpenAI表示,Astra还在Vals Science Index上创下新高,该指数衡量模型解释生物数据和运行实验的能力。

Sol以极低的成本几乎追平了原版Astra的表现

OpenAI 表示,GPT-6.2 Sol 面向希望在日常任务中获得快速、多功能模型的用户。在 FrontierCode 2.0 编码基准测试中(该测试检查代码更改是否达到真实项目的质量门槛),Sol 的成本仅为 Astra 的五分之一,得分仅落后 0.5 分。OpenAI 表示,该模型也能很好地处理非工作类任务。

在 FrontierCode 2.0 编码基准测试中,GPT-6.2 Sol 的得分几乎与 GPT-6.2 Astra 相当,但成本仅为后者的几分之一。Claude Fable 5.2 取得了最高峰值分数,但每项任务的成本高出数倍。| 图片来源:OpenAI

据 OpenAI 称,GPT-6.2 Astra 和 Sol 在网络安全方面也表现得更好。它们能更有效地发现并利用漏洞,编写更安全的代码,并提供更好的错误修复,在多项测试中表现出显著更高的令牌效率。这两款模型均在 OpenAI 的 准备框架 中达到了网络安全的“关键”阈值,此前 GPT-6 Astra 也达到了这一标准。

作为回应,OpenAI 正在为潜在高风险的网络安全请求增加更严格的保障措施。OpenAI 表示,这些措施应使滥用行为更加困难,但也限制了合法的漏洞研究和安全测试。

在内部 ExploitBench 测试中,模型必须将已知的浏览器漏洞转化为可工作的利用程序。GPT-6.2 Astra 实现了 50% 的成功率,远远超过其前身 GPT-6 Astra。结果来自关闭保障措施的测试。| 图片来源:OpenAI

OpenAI 计划通过 OpenAI Daybreak 提供这些新模型,该平台已向经过审核的安全研究人员开放其他模型的访问权限,且限制较少。公布的网络安全基准数据来自关闭保障措施和分类器的内部测试。OpenAI 在其 配套安全报告 中详细说明了其方法论。

Astra 在 Artificial Analysis 智能指数中排名第二

在 Artificial Analysis 智能指数中(该指数汇总了知识工作、编码、科学和一般知识领域的九项评估),GPT-6.2 Astra 排名第二,仅次于 Anthropic 的 Claude Fable 5.2。据 Artificial Analysis 称,Astra 比 GPT-6 Astra 高出五分,超越了 Google 的 Gemini 4 Carbon(60 分)和 Anthropic 的 Claude Opus 5.5(59 分)。GPT-6.2 Sol 增加了两分,达到 57 分,相当于 GPT-6 Astra 的水平,但每项任务的成本仅为约 15%。

据 Artificial Analysis 称,OpenAI 在成本与性能的帕累托前沿上占据主导地位,即没有其他模型既更便宜又更好。只有 Anthropic 和 Meta 的模型也位于该前沿线上。OpenAI 在效率方面(以每项任务的输出令牌数衡量)也占据了大部分顶级位置。Claude Fable 5.2 是唯一出现在该位置的第三方模型。

GPT-6.2 Astra erreicht mit 62 Punkten Platz 2 im Intelligence Index, knapp hinter Claude Fable 5.2 (65). OpenAI-Modelle dominieren die Pareto-Grenze beim Kosten-Leistungs-Verhältnis. | Bild: Artificial Analysis
GPT-6.2 Astra 达到 62 分,在智能指数中排名第二,仅次于 Claude Fable 5.2(65 分)。OpenAI 模型在成本性能帕累托前沿上占据主导地位。| 图片来源:Artificial Analysis

Artificial Analysis 证实了 OpenAI 在科学和事实知识方面的说法。GPT-6.2 Astra 在 Terminal-Bench-Science 0.1 中领先,在物理推理测试 CritPt v2、事实知识基准 AA-Omniscience 以及知识基准 HLE-Diamond 中均排名第二,仅次于 Claude Fable 5.2。Astra 还在 3D 设计(AA-3D)和机器人技术(AA-Robotics v0.1)方面领先,在机器人技术测试中得分为 79 分,而 Sol 为 78 分,Claude Fable 5.2 为 75 分。

不过,编程方面的情况则不同。根据 Artificial Analysis 的数据,两款模型在该领域均已停滞不前。在 Codex 基准测试(以最大算力运行)的 Coding Agent Index 中,GPT-6.2 Astra 的表现与 GPT-6 Astra 持平。而 GPT-6.2 Sol 相比 GPT-6.1 Sol 反而下降了三个百分点。这一下滑主要源于 SWE-Atlas-QnA-AA 指标上 14 个点的跌幅,该模型在此项测试中比其前代更频繁地在回答中遗漏关键事实。

Artificial Analysis 还指出其存在较高的幻觉率。在最大努力模式下,GPT-6.2 Astra 产生幻觉的频率为 59%,Sol 为 55%。该指标为 AA-Omniscience Hallucination Rate(全知幻觉率),用于衡量模型在事实性问题中猜测而非承认“不知道”的频率。这些问题异常困难,因此这些数字并不能反映日常使用中的幻觉率。

Epoch AI 发现 Astra 与 Fable 5.2 持平,但在现实世界任务中表现较弱

研究机构 Epoch AI 在发布前对 GPT-6.2 Astra 进行了自有基准测试。该模型在 Epoch Capabilities Index(ECI,Epoch 能力指数)中获得 174 分,与 Anthropic 的 Fable 5.2 并列。据 Epoch AI 称,在 Astra 出现之前,基于推理模型的先前趋势预测,这两款模型均超越了预期。

在从 Epoch AI 自身研究中提取的现实世界任务中,Astra 落后于 Fable 5.2,且仅比 GPT-6 Astra 略有提升。据 Epoch AI 称,在较简单的研究项目中,该模型未能抓住核心问题,并试图通过无效尝试来修正错误。在一项关于研究 AI 数据中心的任务中,Astra 过于保守,跳过了关键估算,Epoch AI 表示没有任何承包商能以此蒙混过关。尽管 Epoch AI 认为 Astra 的写作能力在已测试模型中相对较强,但仍未达到其自身的标准。

GPT-6.2 Astra 在 Epoch Capabilities Index 中获得 174 分,与 Anthropic 的 Fable 5.2 并列。两者均位于此前推理模型的趋势线之上。Astra 的成本显著更低。| 图片来源:Epoch AI

一个引人注目的是 Astra 能够在单个输出 token 内执行复杂推理,且无需可见的思维链。Epoch AI 测得 Astra 需要 12.3 个串行步骤,高于 GPT-6 Astra 的 10.5 步,也高于当时最强的非 OpenAI 模型 Claude Fable 5.1 的 4.2 步。能够以这种方式推理而不展示工作过程的模型 更难监控,这是一个安全隐患,在第一版 Astra 模型中就已出现过。

在 FrontierMath Erdős 基准测试(针对未解决的数学问题)中,GPT-6.2 Astra 解决了 68 个任务中的 7 个,每个答案均在 Lean 证明助手中得到形式化验证。此前的纪录是 GPT-6.1 Sol 创造的 3/68。其中有一个任务在此之前没有已知解。

Vals AI 将 Astra 和 Sol 排在前十,但发现其在法律方面存在弱点

GPT-6.2 Astra 排名第七,GPT-6.2 Sol 排名第九,两者在 Vals Index 中仅相差 1.6 分。然而价格差距巨大。Sol 每任务成本为 3.18 美元,不到 Astra 10.68 美元的三分之一,使其成为前十名中最便宜的模型,据 Vals AI 称。Astra 也比其前代更便宜,得分比 GPT-6 Astra 高出 2.6 分,而每任务成本约为后者的一半,即 21.28 美元。Vals AI 表示,Astra 在前十名中使用的输出 token 最少,平均每任务 91,000 个。

GPT-6.2 Astra 和 Sol 在 Vals Index 中分别排名第七和第九。Sol 每任务成本为 3.18 美元,不到 Astra 10.68 美元的三分之一,是前十名中最便宜的模型。Claude Fable 5.2 位居榜首。| 图片来源:Vals AI

Vals AI 支持 OpenAI 关于其在 Vals 科学指数中占据榜首的说法。Astra 在该排名中领先,并在 Terminal-Bench Science 和 VCB 1–100 上排名第一,其成本约为 GPT-6 Astra 的一半,运行时间也减半。Sol 在 Terminal-Bench Science 上排名第三,成本约为 Astra 的四分之一。在更广泛的 Terminal-Bench 4(用于代理式编码)中,Astra 排名第 5,Sol 排名第 7。

根据 Vals AI 的说法,模型在法律测试方面表现不足。在 HLAB 基准测试中,Astra 和 Sol 的得分是其前代模型的两倍,但仅分别排名第 11 和第 21。在法律研究基准测试中,下滑更为明显,Astra 排名第 30,Sol 排名第 52。Vals AI 表示,这些模型的工具调用次数几乎是前代模型的两倍,但生成的答案更短。

今年九月,OpenAI 宣布推出一款名为 "Astra for Law" 的专业产品。它在法律研究基准测试中的表现显著优于基础模型,达到第 6 名。Vals AI 使用一百万 token 的上下文窗口和 128,000 个最大输出 token,并以全推理力度对这两款模型进行了测试。

GPT-6.2 Astra 是首个达到 OpenAI “高”级别人工智能自我改进阈值的已发布模型

据 OpenAI 称,GPT-6.2 Astra 是首个对外发布并达到“高”级别人工智能自我改进阈值的模型。OpenAI 表示,该模型能够显著加速人工智能研究,相当于为每位 OpenAI 研究人员配备一名额外的高技能研究工程师。

OpenAI 明确指出这是一项风险。能够帮助构建未来人工智能系统的模型可能会推动该领域的发展速度超过安全措施和人类监督所能跟上的步伐。目前,行业正 在“RSI”这一标签下应对这一问题。

作为应对措施,OpenAI 提到了研究环境中更严格的控制措施及其监控系统 Control Room,该系统可以跟踪研究任务并在必要时将其关闭。该公司还表示,它已扩大监控范围,以检查模型的推理和行为方式,并自动标记未经授权的行为。

在对齐方面,即模型遵循用户指令和公开沟通的能力,据 OpenAI 称,新模型与其前代模型相当。然而,在两项测试中,它们未能标记阻碍其工作的障碍(如缺少文件或搜索工具不可用)的情况更为频繁。

来源:The Decoder · the-decoder.com