為文章〈GPT-6.2 Astra Pro 不是模型〉生成的標題卡,副標題為「是一種模式,不是模型」,一個呈現平線的 reasoning.mode 開關設為「pro」,以及三個淡色統計標籤,分別寫著 2026年11月17日、每百萬個 token $8 / $40,和 AA Index 62。
Guides & Insights

GPT-6.2 Astra Pro 不是模型:11 月 17 日實際發布了什麼,以及「Pro」究竟啟用了什麼

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

向 OpenAI 的文件查詢 gpt-6.2-astra-pro,會得到 404。那個字串沒有模型頁面,已公布的費率表裡沒有它的列,11 月 17 日的變更紀錄裡也沒有它的條目。然而,GPT-6.2 Astra Pro 是本週許多人輸入搜尋的名稱,因為那是模型交易平台在列出 GPT-6.2 Astra 並將 reasoning.mode 設為 pro 而非預設 standard 時所印出的標籤。標籤底下的模型是真實存在的,而且才推出一日:OpenAI 發布了 GPT-6.2 Astra,連同 GPT-6.2 Sol,於 2026 年 11 月 17 日,價格為每百萬輸入 token 8 美元、每百萬輸出 token 40 美元。「Pro」是該模型上的一個開關。這個開關附帶帳單,而帳單正是你在切換它之前值得了解的部分。

確切地說,11月17日發布了什麼?

更新日誌條目簡短且明確:兩個新模型 ID,gpt-6.2-astra 與 gpt-6.2-sol,皆可在 Responses API 和 Chat Completions 中使用,而工具呼叫需使用 Responses。發布文章則補充了消費端資訊——ChatGPT Work 與 Codex 中的 Plus、Pro、Enterprise 和 Edu 使用者從第一天起即可使用,且兩款模型在推出時都可於 API 使用 Ultrafast 推論。Ultrafast 也首度擴及 Pro 200 訂閱用戶,率先由 GPT-6.2 Sol 提供。

那麼,你能呼叫的是兩個字串。以下是每個字串的形式,摘自 OpenAI 自家的模型頁面:

• gpt-6.2-astra — 1,050,000 個權杖的上下文視窗,最大輸入 922,000,最大輸出 128,000;輸入支援文字與影像,輸出為文字;知識截止日為 2026 年 5 月 18 日;努力程度等級分為低、中、高、xhigh、最高,且沒有任何等級會被直接拒絕。

• gpt-6.2-sol — 相同的 1,050,000 / 922,000 / 128,000 上限範圍,截止日為 2026 年 6 月 1 日,且同樣拒絕 none。

• 費率表,短脈絡 —— Astra 每百萬詞元輸入 $8、快取輸入 $0.40、保留 30 分鐘的快取寫入 $10、輸出 $40;Sol 則為 $2 / $0.10 / $2.50 / $10。

費率表:超過 272,000 個輸入 token 時,輸入與快取費率加倍,輸出費率則變為 1.5 倍,適用於整個請求,因此 Astra 收費為 $16 / $0.80 / $20 / $60。

• 層級 — 批次為標準的 50%,快速模式為 2 倍,超快速模式至 2027 年 2 月 28 日止為 3 倍,並自 2027 年 3 月 1 日起為 6 倍。

A single-column generated scoreboard for GPT-6.2 Astra listing Intelligence Index 62 (#3 of 87), cost per index task $4.00, 65.8M output tokens on the suite, time per task not yet published, a 1,050,000-token context window, and $8 input / $40 output. Footer attributes the board figures to Artificial Analysis Index v5.0.1 and the prices to OpenAI's rate card.

那份清單裡沒有任何東西叫做 Pro。這個標籤不是 OpenAI 的,而這個區別並不是吹毛求疵——它是「你可以查得到的模型」和「你必須傳入的參數」之間的差別。

為什麼「模式」會被當成「模型」來賣

OpenAI 在 GPT-5.6 世代引入了 reasoning.mode,而 API 參考文件中那種仿 docker 風格的措辭,用一句話就解釋了令人困惑之處:「GPT-5.6 與 GPT-6 模型在 Responses API 中支援 standard 與 pro 兩種推理模式。standard 為預設值。」

在那之前,Pro 是一個獨立的識別碼。GPT-5.2 Pro、GPT-5.4 Pro 與 GPT-5.5 Pro 是各自不同的字串,各有專屬的模型頁面與專屬的價格——GPT-5.4 Pro 是輸入 $30、輸出 $180,而基礎模型則是 $2.50 與 $15。當某個市集平台需要讓 pro 推理能力在 GPT-6 模型上曝光時,它並沒有獨立 ID 可以指向,於是便依循舊有的命名慣例自己造了一個。這就是為什麼 gpt-6.2-astra-pro 在目錄上能解析得到,在供應商自家的文件上卻會回 404。文件是對的;目錄所描述的是某種設定,而不是一個檢查點。

OpenAI 保留這兩種機制,並明確表示:「現有的 Pro 模型 ID 維持其目前的行為與定價。」因此,「Pro」現在會因你指定的是哪個字串而代表兩種不同的事物。在 GPT-5.5 上,它代表以每 token 較高價格販售的更大模型。在 GPT-6.2 Astra 上,它代表以相同每 token 費率購買更多模型運算工作。把兩者混淆,正是團隊最後會為一個根本不存在的價格標籤編列預算的原因。

交換器實際上會對請求做什麼

Pro 模式不是更大的模型,也不是更高的投入程度。官方文件對此相當謹慎:「模式會選擇標準或 Pro 執行,而 reasoning.effort 控制模型在該模式內套用多少推理。」它們是彼此獨立的軸線。你可以在低投入下執行 Pro 模式,也可以在最大投入下執行標準模式。

pro execution 的做法,是把模型工作的數個執行批次彙總成一個答案。API 參考文件寫道,它「會彙總為產生最終答案所執行的模型工作,並依所選模型的標準 token 費率對這些 token 計費」。沒有加價費率,也沒有獨立列項——只是更多 token 通過同一個計量錶。

這對任何想預先估算工作負載成本的人有具體後果:你無法從費率表算出 pro 模式的成本。乘數是模型決定要多做多少額外工作,而這會因任務而異。在固定 60,000 個 token 的輸入與 3,000 個 token 的回答下,標準模式是 $0.48 的輸入與 $0.12 的輸出——共 60 美分。以 pro 模式執行相同請求時,每百萬 token 的美元數字不變,但 token 數量會變,而文件中沒有任何內容告訴你會變多少。唯一誠實的預算方式是測量自己的呼叫,或借用獨立的每項任務數字。

獨立測量怎麼說

Artificial Analysis 在其 Intelligence Index(v5.0.1)上給 GPT-6.2 Astra 評為 62 分,在榜上 87 個模型中排名第三,高於 GPT-6 Astra 的 57 分。這是一個真正獨立的數字——該指數在其自有硬體上執行九項評估,包括 Terminal-Bench 4.0 和 FrontierCode-AA 2.0,而不是信任供應商的評測框架。

對本文而言,真正重要的數字是它旁邊那個:每項 Intelligence Index 任務 $4.00。這是完成一項任務所需輸入、快取、推理與回答 token 的加權成本,也是最接近公開估算此模型處理高難度請求成本的方式。相較之下,Artificial Analysis 測得 GPT-6 Astra 每項任務 $6.24,GPT-6.1 Sol 則為 $1.27。

排行榜本身也提醒的一點:Artificial Analysis 尚未公布 GPT-6.2 Astra 的每項任務耗時數據——面板顯示為 N/A——而其每項任務成本取決於它所評測的特定配置。它並未說明該配置是否使用了 pro mode。請將 $4.00 視為該模型執行一項高難度任務的成本,而不是切換的價格。

Screenshot of the Artificial Analysis model page for GPT-6.2 Astra, released November 2026. It shows Intelligence Index 62 ranked 3 of 87, performance rank 57 of 86, $8.00 input and $40.00 output per million tokens, $4.00 average cost per task, 65.8M tokens generated on the index against a median of 71.1M, and a 1M-token context window.

比 Pro 更便宜的槓桿

同樣埋在11月17日更新日誌裡的,還有一項適用於 GPT-6.2 Astra、GPT-6.2 Sol、GPT-6.1 Terra 和 GPT-6 Luna 的折扣;對任何工作並非互動式的人來說,這比模式之爭更有價值。Responses API 公開測試版現在提供兩小時或八小時的背景完成視窗,兩小時視窗的 token 費率低 30%,八小時視窗則低 40%。

整個請求可享四折優惠,這比大多數團隊調整投入程度所能省下的還多——而且不同於專業模式,這可以事先精確計算。如果工作可以等待,背景時段是這份價目表上最便宜的選項。如果工作不能等,專業模式則是相反的交易:你買的是更多運算資源,而非更少,並以 token 付費。

誰應該設定開關,誰不應該?

專業模式的適用情境狹窄而明確。當任務只有一項艱難的交付成果,而出錯的代價高昂——例如遷移計畫、合約審查、估值模型——而且延遲並非限制條件時,它才值得付出其成本。這正是 OpenAI 自家發布資料所聚焦的同一領域:法律基準測試、分析師代理、必須對帳三張財務報表的試算表。這些任務中,一個更好的答案值得多花幾分鐘的運算時間。

反對的理由幾乎涵蓋其他所有情況。分類、擷取、摘要、例行性程式碼編輯、任何在迴圈中執行的工作——這些都是高頻大量任務,而 pro 模式會把處理量成倍放大。OpenAI 自家發布文章中的 GPT-6.2 Sol 比較,則從另一個方向說明了這一點:在 Cognition 的 FrontierCode 2.0 上以最高強度運行時,Sol 與 Astra 的差距在 0.5 分以內,成本卻只有約五分之一。如果較便宜的模型在你的基準測試中差距不到半分,那麼為較貴的模型支付更高的每 token 費用,再讓 pro 模式把這筆成本成倍放大,就需要一個從你自己的評估出發、而非從排行榜出發的正當理由。

該怎麼稱呼它,以及一條尚不存在的路線

在 Responses API 中,這個開關是附加在原本一般請求上的巢狀物件:模型為 gpt-6.2-astra、reasoning 設為 {"mode": "pro", "effort": "medium"},再加上你的輸入。Chat Completions 不帶這個欄位;工具呼叫本來就需要 Responses,因此含工具的 pro 模式工作負載,從結構上來說就是 Responses 工作負載。

你從哪裡呼叫它是另一個問題。GPT-6.2 Astra 可在 OpenAI API 以及 ChatGPT Work 和 Codex 中使用,而目前這就是全部清單。

Screenshot of OpenAI's developer documentation page for the model gpt-6.2-astra. The page lists the model ID, $8.00 input / $0.40 cached / $10.00 cache write / $40.00 output per million tokens, a 1,050,000-token context window with 922,000 max input and 128,000 max output, a 18 May 2026 knowledge cutoff, a note that the API rejects reasoning effort none, and the Batch, Fast and Ultrafast pricing multipliers.

它尚未收錄在我們的目錄中——OrcaRouter 以 0% 加價原樣轉嫁供應商牌價,這就是為什麼我們確實有路由的 GPT-6 模型,GPT-6 Astra 輸入 $10、輸出 $50 與 GPT-6.1 Sol 為 $2 和 $10,定價完全等於 OpenAI 所收取的價格,而非在其上加價。當模型不在目錄中時,誠實的答案是供應商自家的 API,而這就是它目前的所在。

接下來要看什麼

有三件事會比任何費率表算術更能為 Pro 這個問題定論。Artificial Analysis 公布 GPT-6.2 Astra 的每任務時間數字,這會把 $4.00 同時轉成每分鐘成本與每任務成本。在該榜單上將 pro 模式單獨拆分列出,讓這個切換有自己實測的價格,而不是推估出來的價格。以及 OpenAI 承諾把 6.2 模型帶到 Daybreak——這個目前承載 GPT-6 Astra、並減少網路安全類拒答的可信存取計畫——因為在那落實之前,6.2 上收緊的防護措施對任何從事授權漏洞工作的人都是實質成本,而再多的 pro 模式也換不回一次拒答。

在那之前,有用的心智模型就是那個無聊的模型。GPT-6.2 Astra 是一個附有價目表的模型;pro 則是它上面的一個旋鈕,會消耗更多同樣的 token;而將兩者串接起來的市集字串只是個標籤,不是你可以查得到的檢查點。

本文中的比較2

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新