OpenAI 发布 GPT-6.2 Astra 与 Sol,Astra 智能指数 62 落后 Fable 5.2
[AINews] GPT-6.2 Astra, the #2 Frontier Model is better and 20%-600% cheaper, but has mixed reviews; 6.2 Sol likely main workhorse
OpenAI 发布 GPT-6.2 Astra 和 Sol,两款模型已上线 ChatGPT Work、Codex 及 API(gpt-6.2-astra、gpt-6.2-sol),均支持 1M 上下文和 128K 输出。
材料同时给出 Astra 与 Sol 的定价、上下文规格和多项第三方基准,便于比较前沿模型在智能与成本之间的取舍。
OpenAI 今天发布了 GPT-6.2 Astra 和 Sol,比 Anthropic 预计的首个交易日 早两天。在 Artificial Analysis 的测试中,Sol 与九月的 Astra 持平,任务成本约为其 15%。新版 Astra 在智能指数上得分为 62,略低于 Fable 5.2 的 65 分。总体而言,Anthropic 仍拥有全球最佳模型,但 OpenAI 拥有全球最具性价比(每美元智能产出最高)的模型。

此次发布更不寻常的是影响者给出的强烈负面反馈……

这促使他们做出 防御性回应…
我们认为其中一些反应是过度反应,符合影响者倾向于要么觉得一切令人震惊 🤯🤯🤯,要么认为这是有史以来最糟糕模型的倾向;但同时也有一些批评是合理的,强化学习产生的伪影明显且 简直怪异(甚至别提 那糟糕的发布视频)。不过,我们仍然用它来自动化我们的工作,而这才是最终重要的事。
发布顺利,但 Anthropic 的 IPO 不受影响,这可能会成为本周/今年/本十年头条新闻(直到 OpenAI IPO……)
今天的 AI 新闻由 SerpApi 赞助!
通过 URL 检索公共网页,转换为 LLM 可用的 Markdown 或结构化 JSON。使用一个 API 映射网站并运行有界爬取。搭配 100 多个 SerpApi 搜索 API,实现从搜索到内容的流程。
支持 LS,如需反馈请联系 business@latent.space!
AI Twitter 回顾
GPT-6.2 Astra 和 Sol
可用性。 今日发布的模型正逐步向 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise 和 Edu 用户开放,并通过 API 向开发者提供
gpt-6.2-astra和gpt-6.2-sol。OpenAIAPI 每百万代币价格。 Astra 输入为 8 美元,缓存输入为 0.40 美元,输出为 40 美元。Sol 保持其前身的定价:2 美元、0.10 美元和 10 美元。两者均支持 1M 上下文和 128K 输出限制。Vals · 超快定价与发布
Astra for Law。 Enterprise 配置增加了法律搜索索引。Artificial Analysis 测得其 Harvey LAB-AA 得分为 20.8%,而基础 Astra 为 15.0%。Artificial Analysis
准备情况。 OpenAI 将 Astra 在 AI 自我改进方面的评级定为“高”,这是其外部发布模型中的首次。在另一项指标上,Vals 的 RSI 指数从 27.07% 上升至 29.01%,其中 50% 代表人类参考水平。系统卡片 · Vals
FrontierMath Erdős。 Epoch 在 68 个问题中验证了 7 个 Lean 解决方案。此前的最佳成绩是 3 个。Epoch
基准测试衡量什么
Agents’ Last Exam 1.1。 OpenAI 报告称,Astra xhigh 相比 GPT-6 Astra max 提升了 5.2 分,且任务成本不到三分之一。在该测试中,它比 Fable 5.2 领先 5.5 分,成本仅为后者的约 5%。在 GDPval v2 上,它表示 Astra 比其前身少使用了 22% 的输出代币。OpenAI 的结果
长期工程运行。 Mercor 的 OpenWorldEngineer 显示 Astra 得分为 67.2%,Fable 5.2 为 54.6%,GPT-6 Astra 为 44.2%。在 Vals 的多轮 Vibe Code Bench 中,Astra 排名第一,Sol 排名第三。Mercor · Vals
3D 与机器人技术。 Astra 在 AA-3D 中以 1,318 分领先,高于 Fable 的 1,271 分和 Sol 的 1,259 分。在 Artificial Analysis 的机器人预览中,Astra 得分为 79,Sol 为 78,高于 Fable 的 75 分。Artificial Analysis
研究智能体。在Perplexity的WANDR上,Astra得分0.783,每项任务约12.54美元。Sol得分0.746,每项任务约2.65美元。Perplexity
早期测试者意见不一
Matt Shumer称这些模型“基本上无法使用”,经过数周测试后表示,他的Opus和Fable智能体拒绝了Astra子智能体的大量工作。评论 · 工作流程详情
Pietro Schirano将许多早期问题归因于测试框架。Arena的Peter Gostev让Astra与Fable进行视觉编码对比,并特别指出Astra生成的SVG孔雀。Schirano · Gostev
演示环节。Gabriel Chua使用超过100个Codex线程构建了一个可交互的新加坡。Simon Willison将同一个three.js机甲提示词输入多个模型,包括Astra、Sol、Carbon和Fable。新加坡构建 · 同提示词对比
Microsoft Ignite大会与Gemini
微软推出自有编码模型。MAI Code 2用于多步编码,Code 2 Flash用于快速编辑。两者均可在GitHub Copilot的模型选择器、Copilot Fusion和Foundry中使用。微软还宣布对其Decision模型进行了多模态升级。微软
Copilot Fusion。微软报告称,其多模型测试框架在Terminal-Bench 4.1上得分为71.2%,成本比Claude Fable 5.2低88%。Jay Parikh
图像编辑。Artificial Analysis在其编辑基准测试中将MAI Image 2.7排在首位,每千张图片价格为34.82美元。Artificial Analysis
Gemini任务。Hydrogen现在在六个国家提供免费Tasks服务,包括需要打电话或发短信的任务。Google还展示了一个带有MuJoCo模拟功能的新Antigravity机器人插件。Sundar Pichai · Google DeepMind
智能体测试框架与推理
Hugging Face的Pi适配器。在pi内部训练的小型适配器使Qwen3.8-27B在51道最难的SWE-bench Pro任务上的解题数从15提升到32。在该子集上,每项任务的工具调用次数减少了55%。模型卡片与配对结果
测试框架成本差异显著。Baseten在其包含22个测试框架和五个开源模型的基准测试中,发现通过任务的单任务成本最高相差4.4倍。Baseten
测试框架可能针对特定模型优化。Google的SIM保留了先前测试框架修改的理由和结果。一个在Opus上进化而来的测试框架在Gemini上得分为68.41,而初始测试框架得分为73.89。研究摘要
更多多智能体产品。Cognition推出了持久化Devin Bots。Perplexity报告称,其混合模型团队在Terminal-Bench和WANDR上击败了主模型的四个实例。Replit报告称,在NumPy任务中,智能体数量从16增加到32时收益递减。Cognition · Perplexity · Replit
协调过程主导了1,000个智能体的运行。Hugging Face表示,任意时刻只有40–60个智能体在调用模型。它们每写入1个token就读取约130个token,合并和测试导致了瓶颈。Thomas Wolf
少量缓存未命中即可主导账单。SemiAnalysis报告称,1.8%的未缓存请求占其样本中约15%的支出。SemiAnalysis
Marin 和 K2 Horizon 公开了训练运行结果。 Marin 发布了其 535B-A23B 运行中的 57 个中间 Mochi 检查点。K2 报告比较了在相同 22T token 上训练的四种模型规模,并描述了一种解码适配器,据称可实现 2.2 倍加速。Marin · K2 Horizon
Zyphra 的长上下文注意力机制。 该团队报告称,在将多个模型转换为其亚二次方注意力机制后,在 10M token 处实现了 9–60 倍的加速,Qwen 在 1M token 的 RULER 测试中损失不到两个百分点。Zyphra
投机性解码。 vLLM 报告称,针对 Kimi K3.1 Pro 使用滑动窗口草稿可将接受长度提高多达 30%。NVIDIA 也为 Qwen3.8-27B 提供了 4B 草稿模型。vLLM · Draft-model research
行业与政策
NVIDIA 在 CEO 交接后的首次财报。 在临时 CEO Colette Kress 的带领下,NVIDIA 季度营收达 1158 亿美元,同比增长 103%,并表示 Vera Rubin NVL72 已发货。董事会表示无意恢复 Jensen Huang 的职位。NVIDIA · AP
Isomorphic Labs 融资 50 亿美元。 Greenoaks 和 Sequoia 联合领投 C 轮融资。该公司表示将扩大其药物设计平台并开发治疗管线。Isomorphic Labs
Genesis AI 融资 5 亿美元。 A 轮融资后公司估值为 35 亿美元。计划利用资金部署 Eno 机器人并扩展训练和数据收集。Zhou Xian
AI Reddit 回顾
本地模型与硬件
拥有双层运行的 9B 模型。 SenseNova-Loop-9B 将其 32 层中的 24 层运行两次。作者报告称 GAIA 得分从预览版的 37.86 提升至发布版的 69.90。本地用户询问在长上下文情况下 KV 缓存还剩多少内存。Weights · Discussion
Maxwell V1 Flash。 该 35B/3B-active MoE 声称在 256K 上下文下相比密集 GQA 实现了 6.7 倍的注意力加速。其稀疏注意力仍保留完整历史 KV 缓存,这是本地用户在投入硬件前希望衡量的指标。Model card · Discussion
Olala mini 7A1B。 OVHcloud 预览了一款小型 MoE,具有 1B 活跃参数和 32K 上下文窗口。帖子正在等待权重和可复现的基准测试结果。OVHcloud · Discussion
Intel Crescent Island 的数据表现。 早期简报中引人注目的吞吐量对比使用了 FP64 密集型负载。Intel 单独的 LLM 比较声称相比 RTX PRO 6000 Blackwell Server Edition,吞吐量提升 1.12 倍且延迟降低 29%。Hardware discussion
打印机上的 Gemma。 一位开发者报告通过 PostScript 打印任务运行 Gemma 3 270M。Demo
实际应用中的智能体
专为实时输入构建的游戏智能体。 miHoYo 的 Gamer 以 5 Hz 频率采样屏幕,并以 30 Hz 频率输出键盘和鼠标操作。其强化学习版本在作者的评估中解决了约一半的预留崩坏谜题任务。Project · Discussion
虚构联赛进行夜间直播。 开发者表示 Fock Ball 在物理引擎中模拟比赛,并使用 Claude 处理评论和新闻编辑室等外围工作。Builder’s post
ICLR 审稿与 AI 检测器。审稿人报告称,程序主席标记了疑似由 AI 生成的审稿意见。该讨论串询问检测器如何区分编辑辅助与整篇审稿的生成。同行评审讨论
来源:Latent Space · latent.space