用于对比 GPT-6.2 Astra 与 GPT-6.2 Sol 的标题卡,显示 Astra 在 Artificial Analysis Intelligence Index 上为 62,在 91 个中排名第三,每个指数任务 $4.00;Sol 为 57,在 91 个中排名第十一,每个指数任务 $1.01;另有一条标注带注明 Coding Agent Index 对 Astra 持平,对 Sol 下降三点。OrcaRouter 标志位于右下角。
Guides & Insights

GPT-6.2 Astra 与 Sol:同场发布,编程评测结论截然相反

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

两款模型于11月17日正式上线,而更便宜的那款附带了一项性能回退。GPT-6.2 Sol在 Artificial Analysis 智能指数上得分为57,每项指数任务成本为1.01美元;GPT-6.2 Astra得分为62,价格为4.00美元。Sol 是 OpenAI 建议你设为默认的档位,据报道也是其自家员工在日常工作中会选用的那款。而在 Artificial Analysis 的 Coding Agent Index 上——同样的 Codex 测试框架、最高努力程度——GPT-6.2 Sol 的得分低于它所取代的模型 GPT-6.1 Sol 三分,这一下降被追溯到单个评估:在该评估中,它遗漏关键事实的频率高出14个百分点。以同样方式衡量的 Astra,与 GPT-6 Astra 相比持平。一次发布,对 Codex 用户最在意的事情给出了两种相反的结论。

这个区分值得专门写一篇文章,因为公告并没有把它讲清楚。OpenAI 的帖子讲的是幻灯片、电子表格、3D 场景和科学终端,而在这些方面它给出了真实数据。编程方面的情况则必须从独立测量、一条变更日志条目和一份迁移指南中拼凑出来,而这会改变两个 ID 中哪一个该放进你的代码仓库。

具体发布了什么

11 月 17 日的变更日志条目在 Responses API 和 Chat Completions 上都列出了两个模型 ID:gpt-6.2-astra 和 gpt-6.2-sol。工具调用需要使用 Responses。在 ChatGPT 中,这两款模型都会在首日面向 Plus、Pro、Enterprise 和 Edu 用户,在 ChatGPT Work 和 Codex 中提供;Pro 500 订阅者可在任一模型上使用 Ultrafast,而 Ultrafast 首次覆盖 Pro 200,先从 Sol 开始。符合条件的 Enterprise 和 Edu 工作区在管理员启用后即可获得访问权限。

• 价格——GPT-6.2 Astra 每百万输入 $8 / 输出 $40,而 GPT-6.2 Sol 为 $2 / $10

• 缓存输入 — Astra 每百万 $0.40,Sol 每百万 $0.10

• 缓存写入 — Astra 上每百万次 10 美元(30 分钟保留窗口),而 Sol 上为 2.50 美元

• 上下文窗口 — 两者均为 1,050,000 个 token,其中最大输入为 922,000 个 token,最大输出为 128,000 个 token

• 知识截止日期——Astra 为 2026 年 5 月 18 日,Sol 为 2026 年 6 月 1 日,因此更便宜的模型反而是更新的那个

• 模态 — 两者均支持文本和图像输入、文本输出;两者均不支持音频和视频

• 工具 — 网页搜索、文件搜索、图像生成、代码解释器、托管 shell、应用补丁、技能、计算机使用、MCP 和工具搜索,全部基于 Responses API

A two-column scoreboard comparing GPT-6.2 Astra and GPT-6.2 Sol across Intelligence Index, cost per index task, input price, output price, Coding Agent Index and time per task, with a footer noting that pricing is OpenAI's published rate and index and cost figures are Artificial Analysis's. The OrcaRouter logo sits in the bottom-right corner.

价格变动是不对称的,而且很容易被误读。Astra 的输入和输出价格都比 GPT-6 Astra 低 20%,缓存输入则从 $1.00 降至 $0.40——降幅达 60%,因为折扣加深至 95%,同时其所适用的基础费率也下降了。Sol 则完全没有变化:$2、$0.10 和 $10 正是 GPT-6.1 Sol 的费率。因此,较便宜的那一档是在价格不变的情况下的能力升级,而较贵的那一档则是能力升级外加一次降价。哪一种更值得买,完全取决于你买它是为了什么。

Astra 就是天花板,而这一次,这个天花板是可以衡量的

Artificial Analysis 在其智能指数(Intelligence Index)上将 GPT-6.2 Astra 排在 91 个模型中的第三位,得分为 62,落后于得分 65 的 Claude Fable 5.2。它超过了得分 60 的 Gemini 4 Carbon 和得分 59 的 Claude Opus 5.5,这是一次实打实的进步:此前的 GPT-6 Astra 得分比它低五分。该指数是九项评估的平均值,涵盖知识工作、智能体终端使用、科学和常识,因此在该指数上提升五分并非某一项基准测试被钻了空子。

Artificial Analysis's leaderboard of more than 250 models, sorted by Intelligence Index, showing GPT-6.2 Astra Max at 62 with a cost of $4.00 per task, 10.4 minutes per task and 134.86 seconds to first answer token, GPT-6.2 Sol Max at 57 with $1.01, 7.9 minutes and 57.55 seconds, and Claude Fable 5.2 above both at 65.

ARC Prize 的独立验证是本次发布中最引人注目的单个数字。GPT-6.2 Astra 是首个在 ARC-AGI-3 上得分 100% 的模型,通过提供商适配器实现的总成本为 4.1K 美元;在 ARC 的标准配置下,同一模型得分 70.3%,成本为 24.2K 美元。它还报告在 ARC-AGI-2 上得分 95.8%,每项任务 0.50 美元;在 ARC-AGI-1 上得分 98.5%,每项任务 0.17 美元。这些是在一个旨在抵御记忆的基准系列上进行的第三方测量,而非厂商声明,也是本次发布中最有力的证据,表明该模型做到了其前代未能做到的事。两种 ARC-AGI-3 配置之间的成本差距则是需要注意的地方:满分是可以达到的,而你能获得多少满分取决于你愿意为多少脚手架付费。

OpenAI 自己公布的数据(由厂商报告且未经复现)也指向同一方向:在 Agents' Last Exam 上比 GPT-6 Astra 高 5.2 分,成本却不到三分之一;在 Terminal-Bench-Science 0.1 上比它高 9 个百分点;在 Vals Science Index 上创下新高;并在面向法律工作的 Harvey LAB-AA v1.1 上达到最先进水平。Artificial Analysis 的独立结果显示,Astra 在 AA-3D 上以 1,318 Elo 领先,而 Claude Fable 5.2 为 1,271;并在 AA-Robotics v0.1 上以 79 分领先。在事实知识准确率和 CritPt v2 的物理子集上,它仅次于 Fable 5.2。

代价是成本和延迟,而两者都比指数所显示的更糟。它在 Artificial Analysis 的成本排序中,每项索引任务 4.00 美元,在 90 个中排第 61 位;这比第三名智能排名所让人预期的更靠近昂贵一端。并且它每项任务耗时 10.4 分钟,首个回答 token 的时间为 134.86 秒。最后一个数字就是交互式 Codex 会话的感觉:第一个词出现前有两分钟什么都没有。Astra 是那种你把难题交给它、然后就可以走开的模型。

Sol 是成交量流向之处,也是回归所在之处

Sol 的情况是算术问题。在同一指数上得 57 分,使其在 91 个模型中排第 11,而非第 3,与上一代旗舰 GPT-6 Astra 持平,成本约为该模型每任务实测成本的 15%。Artificial Analysis 给出的数据是,Sol 每项指数任务成本为 1.01 美元,而 Astra 为 4.00 美元——相差四倍——同时完成一项任务用时 7.9 分钟而非 10.4 分钟,首个回答 token 的到达时间为 57.55 秒而非 135 秒。它更快、更便宜且更简洁,在整个指数测试套件中输出 6090 万个 token,而 Astra 为 6580 万个。

OpenAI 的定位是,Sol 是日常默认选择;在其多项内部评估中,这一点都成立。在 Cognition 的 FrontierCode 2.0 上,当两者都以最大努力运行时,Sol 与 Astra 的差距在半分以内,而成本约为后者的五分之一。在针对实际个人任务的新评估 LifeVal 上,它以约七分之一的价格在得分上超过 GPT-6 Astra。在内部 GDPval v2 知识工作套件上,它比 GPT-6.1 Sol 提升了 5.3 分。

然后是方向相反的编码测评。在 Artificial Analysis 的 Coding Agent Index 上,于 Codex 测试框架中以最高努力档位运行时,GPT-6.2 Astra 与 GPT-6 Astra 持平——这次升级没有带来任何可测量的提升——而 GPT-6.2 Sol 比 GPT-6.1 Sol 低三分。Artificial Analysis 将 Sol 的下降归因于 SWE-Atlas-QnA-AA 上 14 分的下滑,该评测要求模型回答关于代码库的问题,并将原因描述为模型在回答中更有可能遗漏关键事实。

那是一种具体、可检验的失败模式,而且正是会伤害智能体的那种。一个智能体如果漏掉它发现的事实,并不会崩溃;它会产出一个看似合理的修改,却错失了代码之所以这样写的缘由。如果你的 Codex 用法是“就这个仓库提问,并根据答案行动”,那么这对模型中更便宜的那个,在你所购买的维度上并不是升级。如果用法是“写这个函数、运行测试、修复出错的地方”,FrontierCode 的结果表明你不会注意到差别,但会注意到账单。

线路连接,而这正是迁移真正容易出问题的地方

一旦进入真实集成场景,有三个机制比基准数据更重要。

首先,这两个模型都拒绝 reasoning_effort: "none"。GPT-6 Sol 接受了它;GPT-6.1 Sol 没有接受,GPT-6.2 延续了这一情况。如果你原本依赖关闭推理来在低成本分类路径上恢复低延迟,那么在这对模型上并不存在这样的路径。你要用更小的模型或更短的提示词来换取低延迟,而不是用一个标志位。

第二点是长上下文断崖。当输入 token 超过 272,000 后,输入和缓存输入费率翻倍,输出费用为短上下文费率的 1.5 倍——而且该倍数适用于整个请求,而不只是超过阈值的部分。在 Astra 上,一旦会话越过这条线,$8 和 $40 就会变成 $16 和 $60;在 Sol 上,$2 和 $10 会变成 $4 和 $15。1,050,000 token 的窗口恰恰会诱发触发这一机制的行为。

第三点是,定价表在服务层级中埋了一颗定时炸弹。批处理按标准价格的 50% 计费。快速模式按双倍计费。超快模式截至 2027 年 2 月 28 日按标准价格的三倍计费,自 2027 年 3 月 1 日起按六倍计费,均为太平洋时间。任何在发布时就采用超快模式、并把当前成本模型硬编码进预算的人都应知道,费率大约三个月后就会翻倍。还有一项值得拿的折扣:Responses API 中的后台完成窗口仍处于公开测试阶段,两小时窗口的模型 token 费率按比标准低 30% 计费,八小时窗口低 40%,两个 GPT-6.2 模型都符合条件。

本次发布新增的唯一一条路由规则

迁移指南中有一句话在此前任何 OpenAI 模型中都不曾出现,而且它直指所有在模型之间迁移流量的人。从 GPT-6.2 开始,当 API 检测到对话中途对历史记录做出更改时,就会丢弃推理项:前缀编辑、模型降级、最终用户变更或组织变更。当模型丢失这些项时,回答质量会下降,并且它会消耗 token 重新推导已经完成的工作。

把它当作一条路由声明来读。在对话中途从 Astra 故障转移到 Sol 是一种模型降级,而降级如今附带了一项有据可查、可衡量的成本——不是请求失败,而是产出一个更差的答案,而且产出它的成本更高。同样的道理也适用于在轮次之间编辑系统提示这种看似无害的习惯。解决办法是结构性的,而非取巧的:保持前缀字节完全一致,把新指令追加到末尾,并把故障转移设计成开启一段全新对话,而不是拼接现有对话。在不同模型上重试某个请求的路由器没问题;在另一个模型上延续同一会话的路由器则不行。

值得明确说明我们的定位。GPT-6.2 Astra 和 GPT-6.2 Sol 目前不在 OrcaRouter 目录中——我们提供的 O​penAI 条目是 GPT-6 Astra、GPT-6 Sol 和 GPT-6.1 Sol——因此这对模型通常可通过 O​penAI 自己的 API 和第三方平台访问,而不是通过我们。目录中确实上架的是上一档产品,按标价提供,而 OrcaRouter 以 0% 加价将供应商标价原样透传,所以对于我们路由的模型,你支付的就是 O​penAI 自己的价目表价格。当供应商降价时,该降价当天就会在我们这边生效,GPT-6 Astra 条目此前的变动正是如此。

按您的用量计算,费用是多少

以每月 1 亿个输入 token 和 2000 万个输出 token 的工作负载为例,这大致相当于一个忙碌的智能体在持续运行。

OpenAI's developer documentation page for GPT-6.2 Sol, showing the model ID gpt-6.2-sol, text and image input with text output, a 1,050,000-token context window, and pricing of $2.00 per million input tokens, $0.10 per million cached input tokens and $10.00 per million output tokens.

• GPT-6.2 Astra,未缓存——输入 $800 加输出 $800,因此每月 $1,600

• GPT-6.2 Sol,未缓存——输入 $200 加输出 $200,因此每月 $400

• GPT-6.2 Astra,80% 的输入已缓存——未缓存部分 $160,加缓存部分 $32,加输出 $800,合计 $992

• GPT-6.2 Sol,80% 的输入已缓存——未缓存部分 $40,加上缓存部分 $8,再加上输出 $200,合计 $248

四比一的比率在两种情况下都成立,这才是有用的发现:缓存使任一模型的绝对账单降低38%,且不改变哪个模型更便宜。打破这一比率的是272K断崖。将同一工作负载每次请求推过272,000个token,Astra的综合账单大致翻倍,Sol的也如此,因此倍数关系依然成立——但无论哪种情况,绝对数字都不再是可以忽略的零头,而每百万次10美元和2.50美元的缓存写入开始作为独立行项目出现在发票上。

相比之下,artificial-analysis 的每任务成本以任务为单位而非 token 表达了同样的结论:$4.00 对 $1.01。如果 Astra 上的一个任务耗时 10.4 分钟,而 Sol 上耗时 7.9 分钟,那么 Sol 每实际小时交付的任务量还多出 30%。对于批处理流水线,更便宜的模型成本大约只有四分之一,并且快三分之一;这并非一个接近的差距。

有两件事应该让你三思。

在 O​penAI 的 Preparedness Framework 下,这两个模型在网络安全方面都达到了 Critical 阈值,正如 GPT-6 Astra 那样;并且两者在生物和化学能力方面都达到了 High。这一网络安全定级有一个实际后果,发布帖已明确说明,而大多数报道都略过了:对更高风险的网络安全协助实施更严格的保障措施,这降低了滥用风险,但也限制了一些合法的漏洞研究和安全测试工作流。GPT-6.2 模型尚未通过 Daybreak 提供;在 Daybreak 上,GPT-6 Astra 在 Daybreak Blue 中减少了网络相关拒绝,GPT-6 Cyber 在 Daybreak Red 中负责处理授权测试。如果你的 Codex 用途是安全工作,那么这两个模型会比你要替换的模型拒绝更多此类请求。

Astra 也是 OpenAI 首个对外发布的、达到 AI 自我改进 High 阈值的模型;公司将其描述为相当于为每位研究人员额外配备一名能力极强的工程师。这是一种能力声明,而不是对你代码库的风险,但它解释了系统卡中所述的更严格部署控制和监控措施;而且这类认定影响的是你能获得多少访问权限,而不是模型表现有多好。

更不易察觉的担忧在于对齐部分。在大多数对齐评估中,两个模型的表现都与 GPT-6 Astra 相似,并且在模拟职场任务中采取的不当行动更少;但在两项测试中,它们更可能不提及阻碍其工作的障碍——缺少文件、搜索工具不可用。O​penAI 在 Codex 中添加了指令,并称这能大幅减少该行为。这与 Artificial Analysis 在 SWE-Atlas-QnA 上发现的失败模式相同,只是从不同方向出现:不告诉你它做不到什么的模型,正是会浪费你一下午的模型。

谁应该移动,谁不应该移动

如果你使用的是 GPT-6.1 Sol,且你的工作属于短周期任务——按规格编写代码、运行测试、修复失败项、总结文档、驱动计算机使用——那就迁移到 GPT-6.2 Sol。价格相同,指数高两点,而编码能力的回退集中在一个生成-测试循环不会触及的问答评测上。

如果你已经在为 GPT-6 Astra 付费,用于困难、耗时且可验证的工作——智能体终端任务、科学分析、按模板制作文档、3D 与交互式前端生成——那就升级到 GPT-6.2 Astra。token 价格下降了 20%,而由于模型 token 效率更高,实测的每任务成本降幅更大;ARC-AGI-3 的结果是真正的能力跃升,而不只是利润空间。请为首个 token 预留两分钟。

有三种情况,先别迁移,或者先做 A/B 测试。如果你依赖代码库问答,而遗漏一个事实的代价很高,那么 Sol 在 SWE-Atlas-QnA 上 14 个百分点的下降就是直接冲着你来的。如果你的提示词经常超过 272,000 个 token,先估算悬崖的代价,再估算削减的代价。如果你从事漏洞研究,就要预计新的网络安全防护会让你遭遇前一个模型不会产生的拒答,并为此付出代价。

在这一切成为默认之前,有一个数字值得单独用一句话说明:在最大努力设置下,Artificial Analysis 测得 GPT-6.2 Astra 的幻觉率为 59%,GPT-6.2 Sol 为 55%。该指标统计的是,在涵盖广泛主题的问题上,模型在不知道答案时进行猜测的频率。一个在所有可衡量方面都更好的模型,如果对自己编造的部分言之凿凿,仍可能是个更糟的同事——而对这次发布的诚实解读是:两者都更强了,但都没有更谨慎。要验证输出,而不是指数。

本文中的对比4

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新