一张分析 GPT-6.2 Astra 定价的标题卡,主标题为“GPT-6.2 Astra”,副标题为“token 优惠 20%。任务优惠 36%。”,下方是一行说明文字“基于 Artificial Analysis Intelligence Index,与 GPT-6 Astra 对比测算”;右侧有两张卡片,分别标为“每 token 价格”(−20%)和“每任务成本”(−36%),后者带有一个明显更长的箭头;底部页脚写着“定价依据 OpenAI 公布的价格;每任务成本依据 Artificial Analysis。”OrcaRouter 标志位于右下角。
Guides & Insights

GPT-6.2 Astra 将 Token 价格下调 20%。任务账单下降 36%。

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

OpenAI 于 2026 年 11 月 17 日发布了 GPT-6.2 Astra,并抛出一个你十秒钟就能核实的招牌数字:输入 token 每百万 8 美元、输出 token 每百万 40 美元,而 GPT-6 Astra 分别是 10 美元和 50 美元。也就是说,计费的两端都干净利落地降了 20%。但真正决定你的账单会不会变动的,是另一个数字,而且它更大。Artificial Analysis 的测算显示,GPT-6.2 Astra 每完成一项 Intelligence Index 任务的花费为 4.00 美元,而 GPT-6 Astra 为 6.24 美元——降幅达 36%,降的是完成一个单位工作的成本,而不是单个 token 的价格。

这两个数字都属实,而它们之间的差距才说明了一切。降价告诉你计费表收多少。每任务成本数字告诉你计费表收了多少以及它运行了多少次。GPT-6.2 Astra 每个 token 收费更低,并且为达到同样效果消耗的 token 更少,因此节省会叠加。它们不再叠加的地方——长上下文请求、缓存写入和推理项规则——正是本文后半部分要花篇幅讨论的内容。

同样的任务,成本降低36%——以及为什么这比标价更重要

Artificial Analysis 在其 Intelligence Index 上为 GPT-6.2 Astra 打出 62 分,在追踪的 87 个模型中排名第三,较 GPT-6 Astra 的 57 分和第十三名有所提升。其成本数据是在完全相同的评估套件上计算得出的,这正是比较公平的原因:相同的任务、相同的测试框架、相同的评分方式,只有模型发生了变化。能力提升了五个指数点,同时每任务成本下降了 36%。

这种组合很不寻常。大多数发布都会在两者之间取舍——要么为每个任务支付更高的成本来获得更聪明的模型,要么接受较弱的模型来换取更低的价格。而在这里,与上一代相比,两个数字都朝着正确的方向变化,这才是真正的代际效率提升,而不是重新定位。

六组关键数字,并排对比。所有定价均采用 OpenAI 公布的标准档费率;指数与单任务成本数据来自 Artificial Analysis 的独立测量,并非 OpenAI 提供。

• 输入 — GPT-6.2 Astra 每百万个 token 8.00 美元,对比 GPT-6 Astra 每百万个 token 10.00 美元

• 输出 — 每百万 token 40.00 美元,对比 50.00 美元

• 缓存输入 — 每百万 $0.40,享 95% 折扣;相比之下,$1.00 享 90% 折扣

• 智能指数 — 62,在 87 个中排名第 3;对比 57,在 87 个中排名第 13

• 每个 Index 任务的成本 — $4.00 对比 $6.24

• 上下文窗口 — 总计 1,050,000 个 token,其中最大输入 922,000,最大输出 128,000

请注意缓存这一行。折扣从 90% 加深到 95%,而且其所适用的基础费率从 $10 降至 $8,因此现在一个缓存输入 token 的费用为 $0.40,而过去为 $1.00——降幅达 60%,是 headline 数字的三倍。如果你的工作负载是长系统提示词加简短用户轮次,那你获得的优惠远不止 20%。

A single-column scoreboard titled 'GPT-6.2 Astra — the scoreboard' with six rows reading 'Intelligence Index: 62, #3 of 87', 'Input price: $8.00 / 1M', 'Output price: $40.00 / 1M', 'Cached input: $0.40, 95% off', 'Cost per Index task: $4.00' and 'Context window: 1,050,000', with a footer noting that pricing is per OpenAI's published rates and index and cost-per-task figures are per Artificial Analysis. The OrcaRouter logo sits in the bottom-right corner.

节省下来的部分又从哪里漏了回去

有三种机制会蚕食这 36%,而且三者都有文档记录,并非隐藏——你只需在确定上下文预算之前阅读定价页面和迁移指南。

272K 断崖

GPT-6.2 Astra 拥有 1,050,000 个 token 的窗口,但远在你填满它之前,价格结构就已经改变。一旦请求的输入超过 272,000 个 token,输入和缓存输入将按标准费率的双倍计费,输出按 1.5 倍计费——而且该倍数适用于整个请求,而不仅仅是超过阈值的那些 token。一个 300,000 个 token 的提示并不会只对最后 28,000 个 token 支付溢价;而是对全部 300,000 个 token 支付双倍费用。

按每百万输入 token 16 美元计算,单次 300K 调用在模型写出一个字之前就要花费 4.80 美元;而就在片刻之前——在 271,999 个 token 时——同样的工作原本只需花费 2.17 美元。这就是一步之间把 20% 的降价又还了回去,而且还不止如此,因为这道断崖是突变而非斜坡。过去能装进旧上下文窗口的长文档工作,现在需要刻意设计分块策略,而不只是更大的预算。

缓存写入是单独的一行

从缓存读取很便宜。填充缓存并非免费:缓存写入按每百万 token 10 美元计费,高于标准输入费率。一个很深且频繁失效的提示缓存,其维护成本可能高于读取它所带来的节省。从经济性看,更有利的是一个能在多轮对话中保持稳定的前缀,而这正是 OpenAI 自己的迁移说明所引导你采用的模式。

已丢弃的推理项

从这一代开始,当 API 检测到对话中途对历史记录做了变更——前缀编辑、模型降级、终端用户或组织变更——它会丢弃推理项。当模型失去那部分上下文时,它的回答可能更差,还会花更多 token 重新推导它已经做过的工作。第二种影响正是会体现在账单上的那一个:一个在轮次之间修改自己系统提示词的集成,会悄无声息地为同一份推理付两次钱,而那 36% 的节省看起来就像是个舍入误差。

这个修复方案是架构层面的,而不是财务层面的。在两次响应之间更改设置时保持前缀不变,先前的输入就仍然有资格被缓存,同时推理也得以保留。一个习惯就能保护发票上的两行。

推理设置是一项预算决策

GPT-6.2 Astra 不接受将 reasoning.effort 设置为 none。OpenAI 的迁移指南指出,新集成应从 medium 开始,并将现有的任何 none 或 minimal 设置映射为 low。对于以推理为先的模型来说,这些都不令人意外,但这确实意味着,从非推理的前代模型直接替换模型字符串,会比迁移计划所暗示的既产生更差的答案,也带来更高的账单。

推理 token 按输出计费。按每百万 40 美元计算,在长时间运行的 agent 任务中,低与高之间的差距绝不是舍入误差——它常常是任务成本中最大的单一变量。测得的每项 Intelligence Index 任务 4.00 美元,假设的是 Artificial Analysis 所采用的任一 effort 配置;你的数字取决于你自己的配置。把 effort 设置当作你最先调整的成本杠杆,然后再去动其他任何东西。

A screenshot of OpenAI's developer documentation page for GPT-6.2 Astra, showing the model description, a pricing table of $8.00 input, $0.40 cached input and $40.00 output per million tokens, a 1,050,000-token context window with 922,000 max input and 128,000 max output, and a May 18 2026 knowledge cutoff.

这次发布究竟改进了什么,又没改进什么

只有当模型至少同样出色时,降价才有意义。在长程与科学评估中,GPT-6.2 Astra 取得了决定性进展。Terminal-Bench-Science 从 GPT-6 Astra 上的 63.3% 升至 78.1%,Terminal-Bench 4.0 达到 64.1%。AA-AnalystAgent 为 62.5%,AA-3D 为 1,318 Elo,Harvey 的 LAB-AA 为 15.0%。对于需要运行多步并保持任务专注的智能体工作而言,这正是你想要的特征组合,也正是它造就了 36% 背后的 token 效率。

在你切换整条流水线之前,有两处它并未改动的地方值得了解一下。

第一项是竞赛编程。在 FrontierCode-AA 2.0 上,GPT-6.2 Astra 的成绩为 45.4%,仍落后于 Claude Fable 5.2 的 48.8%。Astra 在其他方面大幅缩小了差距,但在高难度编程上尚未取得领先,因此,对于工作负载主要以 FrontierCode 类任务为主的团队来说,仅从能力角度看,迁移的理由并不充分——真正适用的论据是价格。

第二个问题比卡顿更糟。在 AA-Omniscience 上,GPT-6.2 Astra 的幻觉率为 59.1%,高于 GPT-6 Astra 的 49.8%。它在不知道答案时更愿意作答。这是一个伪装成质量问题的成本问题:一个自信却错误的答案,你随后不得不检测、丢弃并重新运行,这会让你支付两次 token 成本,而重新运行正是你精细的逐任务计算失效之处。任何错误答案发现成本很高的流程,都值得在把降价视为节省之前先加一道验证步骤。

A screenshot of the Artificial Analysis model page for GPT-6.2 Astra showing an Intelligence Index of 62 ranked third of 87 models, input pricing of $8.00 and output of $40.00 per million tokens, a 95% cache discount, and a cost of $4.00 per Intelligence Index task ranked 57th of 86.

在不拿整个管道去赌的情况下获取价格

GPT-6.2 Astra 可通过 OpenAI 自有 API 及多个第三方平台使用。目前它不在 OrcaRouter 的目录中,因此如果你本周想调用它,就得直接找供应商。上文中的定价分析没有任何部分取决于你从何处调用它——但关于如何调用它的两件事现在值得提前规划,因为这两件事正是会在迁移进行到三周时给团队带来麻烦的地方。

首先是故障转移。昨天发布的模型在你的流量上没有历史记录,而诚实的建议是让它与将要取代的模型并行运行,而不是直接取代它。将两者都通过一个兼容 OpenAI 的单一端点进行路由,并支持跨提供商自动故障转移,这意味着某个上游的糟糕一天,不会在你仍在判断那 36% 对你的工作负载是否真实时,变成你用户的糟糕一天。OrcaRouter 提供 GPT-6 Astra、GPT-6 Sol 和 GPT-6.1 Sol,因此针对 Astra 前代模型的 A/B 测试只需一个密钥即可运行,无需第二份合同,客户端也无需更改代码。

第二点是价格传导。OrcaRouter 按 0% 加价计费——即提供商标价,原样不变。这对本次这样的发布尤其重要:供应商降价当天就会体现在你的费率中,与他们的费率同步落地,无需重新谈判,也没有重新定价延迟。如果 GPT-6.2 Astra 加入目录,你看到的就是上面的 $8 和 $40,而不是加价后的版本。

它带来的是一个干净的对比基准。今天就用同一套评测集跑一遍 GPT-6 Astra,在你真实的投入档位下记录每个任务的真实成本,你就有了一个基线,36% 这个数字要么站得住脚,要么站不住。大多数跳过这一步的团队,最后衡量的是宣传口号而不是自己的实际工作负载,并且是以代价高昂的方式才发现 272K 这道悬崖的。

谁现在应该行动,谁应该等待

如果你的工作负载是长周期智能体工作、约 250,000 个 token 以下的文档分析,或任何科学计算和终端驱动任务,现在就行动——Terminal-Bench-Science 从 63.3% 跃升至 78.1%,这一提升足以改变可行范围,而且 token 效率提升还会与降价叠加。

如果你的提示词经常超过 272,000 个 token,请谨慎行事。断崖不会奖励更大的预算,反而会惩罚它。要么分块处理,要么按双倍预算准备。

等等,或者至少先做个 A/B 测试——如果你的工作大量涉及高难度竞赛编程,FrontierCode-AA 2.0 仍然更青睐 Claude Fable 5.2——或者在你的领域里,一个自信的错误答案代价高昂,在这种情况下,幻觉率从 49.8% 升至 59.1%,在它成为你的默认选择之前,值得单独衡量一下。

而且在任何情况下,都要在比较发票之前有意识地设置你的推理强度。20% 在定价页面上,36% 在排行榜上。两者都还不是你的账单。