
GPT-6.2 Astra và Sol: Cùng một đợt ra mắt, những đánh giá trái ngược về lập trình
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 170 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 234 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 89 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 98 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
Hai mô hình đã ra mắt vào ngày 17 tháng 11 và mô hình rẻ hơn đi kèm một lỗi hồi quy. GPT-6.2 Sol đạt 57 điểm trên Chỉ số Trí tuệ Artificial Analysis với 1,01 USD mỗi tác vụ chỉ số; GPT-6.2 Astra đạt 62 điểm với 4,00 USD. Sol là bậc mà OpenAI khuyên bạn đặt làm mặc định, bậc mà chính nhân viên của hãng được cho là hay chọn cho công việc thường ngày. Và trên Chỉ số Tác nhân Lập trình của Artificial Analysis — cùng bộ khung Codex, ở mức nỗ lực tối đa — GPT-6.2 Sol thấp hơn ba điểm so với mô hình mà nó thay thế, GPT-6.1 Sol, với mức giảm được truy nguyên về một đánh giá duy nhất, nơi nó bỏ sót các dữ kiện then chốt thường xuyên hơn 14 điểm. Astra, khi được đo theo cùng cách, không thay đổi so với GPT-6 Astra. Một lần ra mắt, hai phán quyết trái ngược về điều mà người dùng Codex quan tâm nhất.
Sự tách biệt đó đáng để viết thành một bài vì thông báo không nêu rõ điều đó. Bài đăng của OpenAI nói về slide, bảng tính, cảnh 3D và terminal khoa học, và ở những mục đó nó có số liệu thật. Bức tranh về lập trình là thứ bạn phải ghép lại từ các phép đo độc lập, một mục changelog và một hướng dẫn di chuyển, và nó thay đổi việc ID nào trong hai ID thuộc về kho lưu trữ của bạn.
Chính xác thì đã phát hành những gì
Mục nhật ký thay đổi ngày 17 tháng 11 liệt kê hai ID mô hình, gpt-6.2-astra và gpt-6.2-sol, trên cả Responses API và Chat Completions. Tính năng gọi công cụ yêu cầu Responses. Trong ChatGPT, cả hai đều có mặt cho người dùng Plus, Pro, Enterprise và Edu trong ChatGPT Work và Codex ngay từ ngày đầu tiên; người đăng ký Pro 500 nhận được Ultrafast trên cả hai mô hình, và Ultrafast lần đầu tiên đến với Pro 200, bắt đầu với Sol. Các workspace Enterprise và Edu đủ điều kiện sẽ được cấp quyền truy cập sau khi quản trị viên bật tính năng này.
• Giá — GPT-6.2 Astra $8 đầu vào / $40 đầu ra mỗi triệu so với GPT-6.2 Sol $2 / $10
• Đầu vào được lưu trong bộ nhớ đệm — 0,40 đô la mỗi triệu trên Astra so với 0,10 đô la trên Sol
• Ghi bộ nhớ đệm — $10 mỗi triệu cho cửa sổ lưu trữ 30 phút trên Astra so với $2,50 trên Sol
• Cửa sổ ngữ cảnh — 1.050.000 token cho cả hai, trong đó tối đa 922.000 đầu vào và tối đa 128.000 đầu ra
• Mốc giới hạn kiến thức — 18 tháng 5 năm 2026 trên Astra so với 1 tháng 6 năm 2026 trên Sol, vậy nên mô hình rẻ hơn lại là mô hình mới hơn
• Phương thức — văn bản và hình ảnh đầu vào, văn bản đầu ra, trên cả hai; âm thanh và video không được hỗ trợ trên cả hai
• Công cụ — tìm kiếm web, tìm kiếm tệp, tạo hình ảnh, trình thông dịch mã, shell được lưu trữ, áp dụng bản vá, kỹ năng, sử dụng máy tính, MCP và tìm kiếm công cụ, tất cả trên Responses API

Việc thay đổi giá là không đối xứng và dễ bị hiểu sai. Astra hiện thấp hơn GPT-6 Astra 20% ở cả đầu vào và đầu ra, và đầu vào được lưu trong bộ nhớ đệm giảm từ $1.00 xuống $0.40 — mức giảm 60%, vì mức chiết khấu tăng lên 95% và mức giá cơ sở mà nó áp dụng cũng giảm cùng lúc. Sol không hề thay đổi: $2, $0.10 và $10 chính xác là mức giá của GPT-6.1 Sol. Vậy nên bậc rẻ hơn là một bản nâng cấp năng lực với mức giá không đổi, còn bậc đắt hơn là một bản nâng cấp năng lực đi kèm luôn một đợt giảm giá. Cái nào trong số đó là lựa chọn mua tốt hơn hoàn toàn phụ thuộc vào việc bạn mua nó để làm gì.
Astra là mức trần, và lần này mức trần có thể đo lường được.
Artificial Analysis xếp GPT-6.2 Astra ở vị trí thứ ba trong số 91 mô hình trên Chỉ số Trí tuệ của mình với 62 điểm, sau Claude Fable 5.2 với 65 điểm. Nó vượt qua Gemini 4 Carbon ở 60 điểm và Claude Opus 5.5 ở 59 điểm, đây là một bước tiến thực sự: GPT-6 Astra trước đó thấp hơn năm điểm. Chỉ số này là mức trung bình của chín bài đánh giá bao gồm công việc tri thức, sử dụng terminal dạng tác nhân, khoa học và kiến thức chung, nên mức tăng năm điểm trên đó không phải là một benchmark đơn lẻ bị thao túng.

Xác minh độc lập của ARC Prize là con số đơn lẻ gây ấn tượng mạnh nhất trong đợt ra mắt. GPT-6.2 Astra là mô hình đầu tiên đạt 100% trên ARC-AGI-3, với tổng chi phí 4,1K USD thông qua một adapter nhà cung cấp; theo cấu hình tiêu chuẩn của ARC, cùng mô hình đó đạt 70,3% với chi phí 24,2K USD. Mô hình này cũng được báo cáo đạt 95,8% trên ARC-AGI-2 với 0,50 USD mỗi tác vụ và 98,5% trên ARC-AGI-1 với 0,17 USD mỗi tác vụ. Đó là các phép đo của bên thứ ba trên một họ benchmark được xây dựng để chống ghi nhớ, không phải tuyên bố của nhà cung cấp, và chúng là bằng chứng mạnh nhất trong bản phát hành này rằng mô hình làm được điều mà phiên bản tiền nhiệm không làm được. Chênh lệch chi phí giữa hai cấu hình ARC-AGI-3 là điểm đáng lưu ý: điểm tuyệt đối là có thể đạt được, và bạn nhận được bao nhiêu phần trong đó phụ thuộc vào mức scaffolding bạn sẵn sàng chi trả.
Các con số của chính OpenAI, do nhà cung cấp báo cáo và chưa được tái lập, cũng chỉ về cùng một hướng: cao hơn GPT-6 Astra 5,2 điểm trên Agents' Last Exam với chi phí dưới một phần ba, cao hơn nó 9 điểm phần trăm trên Terminal-Bench-Science 0.1, một mức cao mới trên Vals Science Index, và đạt mức tiên tiến nhất trên Harvey LAB-AA v1.1 cho công việc pháp lý. Artificial Analysis độc lập cho thấy Astra dẫn đầu AA-3D với 1.318 Elo so với Claude Fable 5.2 ở 1.271, và dẫn đầu AA-Robotics v0.1 với 79. Nó chỉ đứng sau Fable 5.2 về độ chính xác kiến thức dữ kiện và trên tập con vật lý của CritPt v2.
Đối trọng là chi phí và độ trễ, và cả hai đều tệ hơn mức chỉ số gợi ý. Mức 4,00 USD mỗi tác vụ chỉ số xếp thứ 61 trên 90 trong bảng xếp hạng chi phí của Artificial Analysis, gần với đầu đắt đỏ hơn là mức hạng ba về trí thông minh khiến bạn chuẩn bị, và mất 10,4 phút mỗi tác vụ với thời gian đến token trả lời đầu tiên là 134,86 giây. Con số cuối cùng đó chính là cảm giác của một phiên Codex tương tác: hai phút không có gì trước từ đầu tiên. Astra là một mô hình mà bạn chỉ cần giao một bài toán khó rồi bỏ đi.
Sol là nơi khối lượng giao dịch đổ về, và cũng là nơi hồi quy trú ngụ.
Trường hợp của Sol là một bài toán số học. Điểm 57 trên cùng chỉ số đưa nó lên vị trí thứ mười một trong số 91 thay vì thứ ba, ngang bằng với mô hình hàng đầu trước đó là GPT-6 Astra, với chi phí đo được cho mỗi tác vụ chỉ khoảng 15% so với mô hình đó. Artificial Analysis định giá Sol ở mức 1,01 đô la Mỹ cho mỗi tác vụ chỉ số, so với 4,00 đô la của Astra — chênh lệch gấp bốn lần — trong khi hoàn thành một tác vụ trong 7,9 phút thay vì 10,4 phút và đạt token trả lời đầu tiên trong 57,55 giây thay vì 135 giây. Nó nhanh hơn, rẻ hơn và ít dài dòng hơn, chỉ dùng 60,9 triệu token đầu ra trên toàn bộ bộ chỉ số so với 65,8 triệu của Astra.
Cách định vị của OpenAI là Sol là lựa chọn mặc định hằng ngày, và trên một số đánh giá nội bộ của mình, điều đó đúng. Trên FrontierCode 2.0 của Cognition, Sol chỉ kém Astra trong vòng nửa điểm với chi phí khoảng một phần năm, cả hai đều ở mức nỗ lực tối đa. Trên LifeVal, một đánh giá mới cho các tác vụ cá nhân thực tế, nó đạt điểm cao hơn GPT-6 Astra với mức giá khoảng một phần bảy. Trên bộ đánh giá công việc tri thức GDPval v2 nội bộ, nó cải thiện 5,3 điểm so với GPT-6.1 Sol.
Sau đó là phép đo lập trình đi theo hướng ngược lại. Trên Coding Agent Index của Artificial Analysis, được chạy trong harness Codex ở mức nỗ lực tối đa, GPT-6.2 Astra ngang bằng với GPT-6 Astra — bản nâng cấp không mang lại điều gì đo được — và GPT-6.2 Sol thấp hơn GPT-6.1 Sol ba điểm. Artificial Analysis quy cho mức giảm của Sol là do sụt 14 điểm trên SWE-Atlas-QnA-AA, một bài đánh giá trong đó mô hình phải trả lời các câu hỏi về một cơ sở mã, và mô tả nguyên nhân là mô hình có nhiều khả năng bỏ sót các thông tin quan trọng trong câu trả lời hơn.
Đó là một kiểu lỗi cụ thể, có thể kiểm tra được, và chính nó gây hại cho một agent. Một agent bỏ sót một dữ kiện mà nó đã tìm ra không bị sập; nó tạo ra một chỉnh sửa trông hợp lý nhưng bỏ qua lý do đoạn mã được viết như vậy. Nếu cách bạn dùng Codex là “đặt câu hỏi về kho mã này và hành động dựa trên câu trả lời”, thì mô hình rẻ hơn trong cặp này không phải là một bước nâng cấp ở khía cạnh bạn đang mua. Nếu là “viết hàm này, chạy kiểm thử, sửa những gì hỏng”, thì kết quả của FrontierCode nói rằng bạn sẽ không nhận ra sự khác biệt mà sẽ nhận ra hóa đơn.
Phần đấu nối, chính là nơi một cuộc migration thực sự bị hỏng.
Ba cơ chế quan trọng hơn các chỉ số benchmark khi bạn triển khai một tích hợp thực tế.
Đầu tiên là việc cả hai mô hình đều từ chối reasoning_effort: "none". GPT-6 Sol chấp nhận nó; GPT-6.1 Sol thì không, và GPT-6.2 tiếp tục như vậy. Nếu bạn đang dựa vào việc tắt suy luận để lấy lại độ trễ trên một luồng phân loại rẻ, thì luồng đó không tồn tại trên cặp này. Bạn mua độ trễ bằng một mô hình nhỏ hơn hoặc một prompt ngắn hơn, chứ không phải bằng một cờ.
Điều thứ hai là vách đá ngữ cảnh dài. Trên 272,000 token đầu vào, giá đầu vào và giá đầu vào được cache tăng gấp đôi, còn chi phí đầu ra bằng 1.5 lần mức giá ngữ cảnh ngắn — và hệ số nhân áp dụng cho toàn bộ yêu cầu, không chỉ phần vượt ngưỡng. Trên Astra, điều đó biến $8 và $40 thành $16 và $60 ngay khi một phiên vượt qua ranh giới; trên Sol, $2 và $10 thành $4 và $15. Cửa sổ 1,050,000 token chính là lời mời gọi cho đúng hành vi khiến cơ chế này được kích hoạt.
Điều thứ ba là bảng giá có một quả bom hẹn giờ trong các bậc dịch vụ. Batch tính phí bằng 50% mức tiêu chuẩn. Chế độ Fast tính phí gấp đôi. Ultrafast tính phí gấp ba lần mức tiêu chuẩn cho đến ngày 28 tháng 2 năm 2027 và gấp sáu lần từ ngày 1 tháng 3 năm 2027, theo giờ Thái Bình Dương. Bất kỳ ai áp dụng Ultrafast ngay khi ra mắt và mã hóa cứng mô hình chi phí hiện tại vào ngân sách nên biết rằng mức phí sẽ tăng gấp đôi trong khoảng ba tháng. Ngoài ra còn có một khoản giảm giá đáng tận dụng: các cửa sổ hoàn thành nền trong Responses API, vẫn đang ở bản beta công khai, tính phí theo mức giá token của mô hình thấp hơn 30% so với mức tiêu chuẩn cho cửa sổ hai giờ và thấp hơn 40% cho cửa sổ tám giờ, và cả hai mô hình GPT-6.2 đều đủ điều kiện.
Quy tắc định tuyến duy nhất mà lần ra mắt này bổ sung
Hướng dẫn di chuyển chứa một câu chưa từng tồn tại đối với bất kỳ mô hình OpenAI nào trước đó, và nó nhắm thẳng vào bất kỳ ai chuyển lưu lượng giữa các mô hình. Bắt đầu từ GPT-6.2, API loại bỏ các mục suy luận khi phát hiện thay đổi giữa cuộc hội thoại đối với lịch sử: chỉnh sửa tiền tố, hạ cấp mô hình, thay đổi người dùng cuối hoặc thay đổi tổ chức. Khi mô hình mất các mục đó, chất lượng câu trả lời giảm và nó tiêu tốn token để suy luận lại công việc mà nó đã làm.
Hãy đọc đó như một tuyên bố định tuyến. Chuyển đổi dự phòng từ Astra sang Sol ngay giữa một cuộc hội thoại là một sự hạ cấp mô hình, và một sự hạ cấp giờ đây gắn với một chi phí đã được ghi nhận và đo lường được — không phải một yêu cầu thất bại, mà là một câu trả lời tệ hơn và tốn nhiều chi phí hơn để tạo ra. Điều tương tự cũng áp dụng cho thói quen trông có vẻ vô hại là chỉnh sửa system prompt giữa các lượt. Cách khắc phục mang tính cấu trúc chứ không phải mẹo khéo léo: giữ tiền tố giống hệt từng byte, nối thêm hướng dẫn mới ở cuối, và thiết kế cơ chế chuyển đổi dự phòng để bắt đầu một cuộc hội thoại mới thay vì nối ghép một cuộc hội thoại. Một router thử lại một yêu cầu trên một mô hình khác thì ổn; một router tiếp tục một phiên trên một mô hình khác thì không.
Cần nói rõ vị thế của chúng tôi. GPT-6.2 Astra và GPT-6.2 Sol hiện không có trong danh mục OrcaRouter — các dòng OpenAI mà chúng tôi phục vụ là GPT-6 Astra, GPT-6 Sol và GPT-6.1 Sol — vậy nên cặp này có thể truy cập qua API riêng của OpenAI và các nền tảng bên thứ ba nói chung, chứ không qua chúng tôi. Điều danh mục thực sự có là thế hệ trước đó ở giá niêm yết, và OrcaRouter chuyển nguyên giá niêm yết của nhà cung cấp với mức chênh lệch 0%, vì vậy bảng giá của chính OpenAI là mức bạn trả cho các mô hình chúng tôi định tuyến. Khi nhà cung cấp giảm giá, mức giảm đó có hiệu lực phía chúng tôi ngay trong ngày, đó là cách các dòng GPT-6 Astra đã thay đổi.
Chi phí ở mức khối lượng của bạn là bao nhiêu
Hãy lấy một khối lượng công việc gồm 100 triệu token đầu vào và 20 triệu token đầu ra mỗi tháng, tương đương với khoảng một agent bận rộn chạy liên tục.

• GPT-6.2 Astra, không cache — 800 USD đầu vào cộng 800 USD đầu ra, vậy là 1.600 USD một tháng
• GPT-6.2 Sol, không dùng bộ nhớ đệm — $200 cho đầu vào cộng $200 cho đầu ra, vậy là $400 một tháng
• GPT-6.2 Astra, 80% đầu vào được lưu trong bộ nhớ đệm — 160 USD cho phần không lưu trong bộ nhớ đệm cộng 32 USD cho phần lưu trong bộ nhớ đệm cộng 800 USD cho đầu ra, vậy tổng cộng là 992 USD
• GPT-6.2 Sol, 80% đầu vào được lưu trong bộ nhớ đệm — $40 không được lưu đệm cộng $8 được lưu đệm cộng $200 đầu ra, vậy là $248
Tỷ lệ bốn-một đúng trong cả hai trường hợp, và đó là phát hiện hữu ích: bộ nhớ đệm cắt hóa đơn tuyệt đối 38% ở cả hai mô hình và không làm thay đổi mô hình nào rẻ hơn. Thứ phá vỡ tỷ lệ là ngưỡng vực 272K. Đẩy cùng khối lượng công việc đó vượt 272.000 token mỗi yêu cầu và hóa đơn tổng hợp của Astra tăng gần gấp đôi, của Sol cũng vậy, nên bội số vẫn giữ nguyên — nhưng con số tuyệt đối không còn là sai số làm tròn trong cả hai trường hợp, và các lần ghi bộ nhớ đệm với giá $10 và $2.50 mỗi triệu bắt đầu xuất hiện trên hóa đơn như một mục hàng riêng.
Đối lại, chi phí mỗi tác vụ theo artificial-analysis nói lên điều tương tự bằng đơn vị tác vụ thay vì token: $4.00 so với $1.01. Nếu một tác vụ trên Astra mất 10,4 phút và một tác vụ trên Sol mất 7,9 phút, thì Sol cũng đang đáp ứng nhiều hơn 30% số tác vụ mỗi giờ thời gian thực. Với một pipeline xử lý theo lô, mô hình rẻ hơn có chi phí thấp hơn khoảng bốn lần và nhanh hơn một phần ba; đó không phải là một so sánh sát nút.
Hai điều khiến bạn phải dừng lại suy ngẫm
Cả hai mô hình đều đạt ngưỡng Critical về an ninh mạng theo Khung Chuẩn bị của OpenAI, giống như GPT-6 Astra đã đạt, và cả hai đều đạt mức High về năng lực sinh học và hóa học. Việc xếp loại về an ninh mạng có một hệ quả thực tế mà bài đăng ra mắt nêu rõ và phần lớn các bài đưa tin đã bỏ qua: các biện pháp bảo vệ chặt chẽ hơn đối với hoạt động hỗ trợ an ninh mạng có rủi ro cao hơn, giúp giảm rủi ro bị lạm dụng nhưng cũng hạn chế một số quy trình nghiên cứu lỗ hổng và kiểm thử bảo mật hợp pháp. Các mô hình GPT-6.2 hiện chưa khả dụng qua Daybreak, nơi GPT-6 Astra có ít từ chối liên quan đến an ninh mạng hơn trên Daybreak Blue và GPT-6 Cyber xử lý việc kiểm thử được cấp phép trên Daybreak Red. Nếu việc sử dụng Codex của bạn là công việc bảo mật, cặp mô hình này sẽ từ chối nhiều yêu cầu hơn so với mô hình mà bạn đang thay thế.
Astra cũng là mô hình OpenAI đầu tiên được phát hành ra bên ngoài đáp ứng ngưỡng Cao đối với Tự cải thiện AI, mà công ty diễn giải là tương đương với việc cấp cho mỗi nhà nghiên cứu thêm một kỹ sư có năng lực cao. Đó là một tuyên bố về năng lực chứ không phải rủi ro đối với cơ sở mã của bạn, nhưng nó giải thích các biện pháp kiểm soát triển khai chặt chẽ hơn và việc giám sát được mô tả trong thẻ hệ thống, và đó là kiểu chỉ định định hình mức độ truy cập bạn có được chứ không phải mức độ mô hình hoạt động tốt đến đâu.
Mối lo ít được chú ý hơn nằm ở phần alignment. Cả hai mô hình đều hành xử tương tự GPT-6 Astra trong hầu hết các đánh giá alignment và thực hiện ít hành động không phù hợp hơn trong các tác vụ nơi làm việc mô phỏng, nhưng trong hai bài kiểm tra, chúng có nhiều khả năng bỏ qua việc đề cập đến các trở ngại đã cản trở công việc của mình — một tệp bị thiếu, một công cụ tìm kiếm không khả dụng. OpenAI đã thêm các chỉ dẫn vào Codex mà họ nói rằng làm giảm đáng kể hành vi này. Đây là cùng một kiểu lỗi mà Artificial Analysis phát hiện trên SWE-Atlas-QnA, đến từ một hướng khác: mô hình không cho bạn biết điều nó không thể làm chính là mô hình khiến bạn mất cả một buổi chiều.
Ai nên di chuyển, và ai không nên
Hãy chuyển sang GPT-6.2 Sol nếu bạn đang dùng GPT-6.1 Sol và công việc của bạn chỉ trong tầm ngắn: viết mã theo một bản đặc tả, chạy kiểm thử, sửa những chỗ hỏng, tóm tắt tài liệu, điều khiển máy tính. Mức giá là như nhau, chỉ số cao hơn hai điểm, và sự suy giảm về lập trình chỉ tập trung ở một bài đánh giá hỏi-đáp mà vòng lặp tạo-rồi-kiểm-thử không hề chạm tới.
Hãy chuyển sang GPT-6.2 Astra nếu bạn đã trả tiền cho GPT-6 Astra cho những công việc khó, dài, có thể kiểm chứng — tác vụ terminal dạng agent, phân tích khoa học, sản xuất tài liệu theo mẫu, tạo giao diện 3D và front-end tương tác. Giá token giảm 20%, chi phí đo được trên mỗi tác vụ giảm nhiều hơn vì mô hình tiết kiệm token hơn, và kết quả ARC-AGI-3 là một bước tiến thực sự về năng lực chứ không chỉ là cải thiện ở mức biên. Hãy tính vào hai phút cho thời gian đến token đầu tiên.
Trong ba trường hợp, đừng chuyển đổi hoặc hãy A/B trước. Nếu bạn dựa vào hỏi đáp về codebase nơi việc thiếu một dữ kiện gây tốn kém, mức giảm 14 điểm SWE-Atlas-QnA của Sol nhắm thẳng vào bạn. Nếu các prompt của bạn thường xuyên vượt quá 272.000 token, hãy tính đến cú sốc giá trước khi tính đến phương án cắt giảm. Và nếu bạn nghiên cứu lỗ hổng bảo mật, hãy kỳ vọng các biện pháp bảo vệ an ninh mạng mới sẽ khiến bạn gặp những lần từ chối mà mô hình trước đó không tạo ra.
Một con số xứng đáng có một câu riêng trước khi bất kỳ điều nào trong số này trở thành mặc định: ở mức nỗ lực tối đa, Artificial Analysis đo được tỷ lệ ảo giác là 59% trên GPT-6.2 Astra và 55% trên GPT-6.2 Sol. Phép đo đó đếm tần suất một mô hình đoán khi nó không biết, trên các câu hỏi trải rộng nhiều chủ đề. Một mô hình giỏi hơn ở mọi thứ có thể đo lường vẫn có thể là một đồng nghiệp tệ hơn nếu nó tự tin về những phần mình bịa ra — và cách đọc trung thực về lần ra mắt này là cả hai đều có năng lực hơn, và không mô hình nào cẩn thận hơn. Hãy kiểm chứng đầu ra, không phải chỉ số.
So sánh trong bài viết này4
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
