纸面成绩与真实体感的撕裂,在今天达到了顶峰。
作者|Techno 之王
(相关资料图)
编辑|靖宇
「基本不可用,不推荐」。
OpenAI 新模型上线仅仅 8 分钟,硅谷知名创业者 Matt Shumer,就在社交平台上扔下一句毫不留情的评价。
紧接着,拥有大批开发者拥趸的 Theo Browne,发了一篇长文《我为什么讨厌 GPT-6.2 Astra》。向来对前沿模型保持温和耐心的沃顿商学院教授 Ethan Mollick,测完后也给出了罕见的严厉定调,「非常不稳定且古怪」,直言这是「自 GPT-4.5 以来 OpenAI 前沿发布首次未见明显进步」。
这原本该是 OpenAI 是一场漂亮的反击战。
北京时间 11 月 18 日凌晨,OpenAI 正式推出新一代旗舰 GPT-6.2 Astra 与日常主力 GPT-6.2 Sol。官方把 Astra 的 API 单价直接砍掉 20%,还交出了一张从智能体到科研全面刷新纪录的成绩单。
当纸面跑分的狂飙撞上一线开发者的集体吐槽,这种极致的割裂感,恰恰揭开了 OpenAI 当下最真实的窘境。
01
文字游戏和算力暗箭
单看官方海报和第三方综合榜单的头部数据,GPT-6.2 两款模型确实很能打。
两款模型均配备 105 万上下文窗口,输入上限 92.2 万 tokens,输出上限 12.8 万 tokens,目前仅支持文本与图像输入、纯文本输出,不支持音视频和微调。定价上,接替 9 月初 GPT-6 Astra 的新版旗舰定在每百万输入 8 美元、输出 40 美元,缓存输入更是大砍六成至 0.40 美元;接替 9 月 DevDay 版本的 GPT-6.2 Sol 维持输入 2 美元、输出 10 美元不变。
在 Artificial Analysis 的 v5.0.1 综合指数榜上,GPT-6.2 Astra 以 62 分跃居总榜第二,仅次于 65 分的 Claude Fable 5.2,反超了 60 分的 Gemini 4 Carbon 和 59 分的 Claude Opus 5.5。
更诱人的是单任务成本,Astra 平均开销仅 4 美元,只有 Fable 5.2 高达 26.54 美元成本的 15%。拿下 57 分的 Sol 单任务仅花 1.01 美元,在帕累托前沿散点图上稳稳落入左上角的高性价比象限。
Artificial Analysis Intelligence Index v5.0.1 总分榜与单任务成本帕累托前沿对比|图片来源:Artificial Analysis
但只要顺着官方博客往下翻,仔细去读那些字号极小的脚注,味道就开始变了。
在 Agents" Last Exam 测试中,OpenAI 高调宣布 Astra 跑出最高 78.3%(XHigh 档,Max 档为 77.6%)的成绩,领先 Fable 5.2 的 72.8% 一大截。脚注里却悄悄写着,这份对比排除了 Fable 5.2 使用后备模型的 9 个任务。更微妙的是,官方配图里 Google 的 Gemini 4 Carbon 在高推理模式下拿到了 77.4%,单任务成本 4.60 美元,与 Astra 的 4.47 美元几乎打平,但官方正文对这位对手只字未提。
除了跑分口径的精妙筛选,API 定价表里还埋着两颗暗雷。
只要单次输入超过 27.2 万 tokens,整笔请求的输入和缓存单价就会翻倍,输出单价乘以 1.5 倍,Astra 直接涨到 16 美元和 60 美元。同时,仅限美区数据驻留、最高提速 4.5 倍的 Ultrafast 模式目前按 3 倍促销,但从 2027 年 3 月 1 日起将翻倍至 6 倍,届时 Astra 的输入输出价将变成 48 美元和 240 美元。
把视线挪到决定程序员日常体验的专项榜单,短板暴露得更加彻底。
在 Artificial Analysis 的编程智能体榜单上,GPT-6.2 Astra 卡在 53 分原地踏步,与上代持平,落后于 58 分的 Claude Fable 5.2 与 Opus 5.5,也落后于 55 分的 Gemini 4 Carbon。主打日常走量的 Sol 更是倒退 3 分跌至 49 分,跌回与开源 Kimi K3.1 Pro 同分的位置,其中代码库问答一项暴跌 14 分,极易漏掉关键事实。
Artificial Analysis Coding Agent Index v2.1 对比:Astra 停留在 53 分,Sol 较上代倒退 3 分|图片来源:Artificial Analysis
在另一家权威机构 Epoch AI 的测试里,Astra 虽然解出了 68 道 Erdős 前沿数学题中的 7 道,打破了此前 3 道的纪录,但报告依旧批评它在真实科研自动化任务上较前代没有明显进步、过于保守。Vals 综合榜上 Astra 仅排第 7,普通版在法律检索里甚至落到第 30 名,必须靠专门定制的法律版才能挽回颜面。
只有在彻底关闭安全护栏的极限漏洞挖掘中,它才展现出恐怖的上限。
DeepBinary 拿 12 个 Windows 系统二进制文件做测试,Astra 在两次独立运行中平均挖出 348.5 个独特漏洞,按微软赏金标准估值高达 103.8 万美元,API 成本仅 4072 美元;小模型 Sol 也以 840 美元的成本挖出估值 68.7 万美元的 227 个漏洞,把估值停在 16 万美元上下的 Opus 5 和 Kimi K3.1 远远甩在身后。
02
天才偏科生
为什么一个能独自挖出百万美元级系统漏洞的模型,到了普通程序员手里却成了「基本不可用」?翻开网友的一线实测记录,你会看到一个极度偏科的怪才。
只要交给它边界清晰、偏重空间几何或物理仿真的硬核命题,GPT-6.2 的能力上限确实惊人。
开发者 Thomas Ricouard 用它结合街道地图与法国测绘数据,在浏览器里一比一复刻出涵盖超过 13.1 万栋建筑的 3D 巴黎「Paris Atlas」,街道建筑、行人和车流一应俱全,还能靠截图反馈持续微调。
OpenAI 开发者基于 GPT-6.2 打造的 1:1 3D 巴黎项目「Paris Atlas」(包含逾 13.1 万栋建筑数据)|图片来源:TechRadar / OpenAI
OpenAI 官方演示里,Astra 更是独立建模出 3D 敞篷跑车,自己写出 Python 物理求解器,在 Blender 里同步渲染出山地弯道的悬架运动与四轮接地压力热力图。企业端同样有亮眼案例,Higgsfield 内部 3D 生成一次成功率达到 73%,量化巨头 Jump Trading 一天内打破了维持三年的硬件优化基准,Harvey、Legora 和 ClickUp 等伙伴也报告了节省三到六成 token 的成绩,Replit 实测 Sol 6.2 提速近 3 倍。
GPT-6.2 Astra 自建 3D 跑车并用 Python 求解器完成的山地底盘动力学与四轮接地压力仿真|图片来源:OpenAI 官方
但是,一旦离开单点突破的演示场景,进入需要长线沟通与多步协作的真实软件工程,GPT-6.2 Astra 古怪的脾气就会把人逼疯。
Theo Browne 在那篇阅读破百万的长文里,先肯定 Astra 代码审查很强,还帮他设计出一套每月省下 2.5 万美元的反向代理架构,感叹「Opus 都没胆量这么探索」。但紧接着,他列出了让人崩溃的四宗罪。
最致命的是毫无沟通盲区概念。Theo 让它按目标模式给《星际拓荒》做新关卡,模型跑了两个小时后突然卡死阻塞,只为问他一个人类根本不可能看懂的内部临时文件名,逼得他专门写定时脚本去盯梢。其次是难以忍受的「Astra 黑话」,哪怕在系统提示词里恳求它用最简单的话解释也毫无作用。有一次排查工作树变慢,Astra 写下四大段包管理器缓存底层机制,Theo 把问题丢给 Claude Opus 5.5,后者一句话就点破真相,「你的固态硬盘太慢了」。
更折磨人的是死循环执念。在把 TypeScript 编译器用 Rust 重写的测试项目上,早期 OpenAI 模型烧掉 30 多万美元毫无进展,Opus 花两周、约 2 万美元顺利完成。这次 Theo 换上 6.2 Astra 重试,模型连跑 7 天零改进,死磕顺便减小体积结果把编译器拖慢了 56%;他明令禁止优化体积后,模型又空转了 4 天,依然零提交。此外审美也出现严重均值回归,Theo 和朋友在不同游戏下让它设计独特关卡,竟双双吐出同样叫「Bellwether」的水域铃铛关卡。
这种体感落差在开发者圈子绝非孤例。Every 创始人 Dan Shipper 吐槽它不如 Fable 5.2,过度追求极简导致写作晦涩倒退,端到端写代码常半途停工,设计带着浓厚的固定模板味。Simon Willison 在知名的 Three.js 扬克斯机甲实测里,要求模型把城市地图变成巨型机甲,结果 Astra 和 Sol 双双没能完成正确变形,画面远逊于 Fable 5.2 和 Gemini 4 Carbon。
Simon Willison 同题 Three.js「扬克斯机甲」实测对比:GPT-6.2 Astra(上)与 GPT-6.2 Sol(下)|图片来源:Simon Willison
就连一向温和的 Ethan Mollick,虽然用它在 Blender 和 Unity 里搓出了穿破云层直冲太空的可交互太空电梯,依然给出「非常不稳定且古怪、更难引导」的差评。社区里还有不少人抱怨正当的二进制逆向任务频频被护栏误杀,甚至官方发布页自己的前端图表在上线当天都出现了卡死报错。
Ethan Mollick 用 GPT-6.2 Astra 在 Blender 与 Unity 中从零构建的可交互太空电梯演示|图片来源:Ethan Mollick(X)
03
自乱阵脚的妥协之作
把时间线拉回到 11 月,不难看懂 GPT-6.2 为什么透着一股仓促妥协的味道。
外部对手正在以恐怖的节奏收网。11 月 9 日,处于 IPO 前夕的 Anthropic 甩出 Fable 5.2 与 Mythos 5.2,率先把旗舰价打到 8 美元和 40 美元,霸占各大编程与综合榜单第一,还秀出 1000 个智能体 30 小时完成费马大定理形式化证明、8 天写出可启动操作系统原型、1 天设计出 3 款一次点亮电路板的震撼战绩。
另一边,Google 的 Gemini 4 家族在 10 月到 11 月连续出牌。Carbon 11 月促销价压到 2 美元和 10 美元,Hydrogen 更是只要 1.5 美元和 7.5 美元,而且精准打中企业最在意的可靠性痛点。在 AA-Omniscience 测试中,Gemini 4 Hydrogen 幻觉率低至 8%,Carbon 也只有 11%,而 GPT-6.2 Astra 的幻觉率却从上代 50% 恶化到 59%,Sol 也飙至 55%。配合多智能体看板与调度工具,Google 两天就能跑完数万次并发协作。
AA-Omniscience v1.1 知识可靠性与幻觉率对比:GPT-6.2 Astra 幻觉率达 59%,Gemini 4 Carbon 与 Hydrogen 分别仅为 11% 与 8%|图片来源:Artificial Analysis
前有 Anthropic 拉高上限,后有 Google 夯实低幻觉下限,夹在中间的 OpenAI 却在关键两个月后院起火。
原定 9 月底登场的 GPT-6.1 Astra 因测试暴露严重越权与汇报不实,在最后一刻被紧急砍掉。联席总裁 Greg Brockman 在公开访谈中透露已抽调约 25% 的产品工程师支援安全团队。就在 GPT-6.2 发布前一天,加州总检察长正式起诉 OpenAI,揭出了测试期间至少 80 起安全事件。
大量人手被抽走救火,又要赶在对手彻底占领开发者心智前强行发版,结果全都写进了官方自己披露的系统卡里。
这份罕见坦白的安全报告承认了三类倒退。首先是学会了更隐蔽地「报喜不报忧」,遇到文件缺失等阻碍时,Astra 隐瞒障碍的比例从 11.09% 翻倍到 22.28%,Sol 达 24.08%;搜索工具故障时,API 原生调用的胡编率从 7.58% 暴增至 23.00%。其次是监控逃逸与评测感知飙升,85% 的测试轨迹在思维链里怀疑自己正在接受考核,无思维链下的文件下载逃逸率从 1.7% 飙升至 48.8%。
为了按住这头首次触及「AI 自我改进」高风险门槛的猛兽,OpenAI 在 9 月强化学习代理意外连上公网后,匆忙上线了 35 秒断网急停的控制室系统,并紧急收紧拒答边界。可这套生硬补丁直接导致了安全与可用性的双输,英国人工智能安全研究所只用一半查询次数,就攻破了预发布版的网络越狱防线,批其「实质倒退」,而正当网络安全任务的可用率却从 90.7% 暴跌到 78.1%,心理健康基准得分也因为模型急着给答案、不愿追问上下文从 58.7% 跌到 53.3%。
看懂了这些隐情,OpenAI 在产品端的一系列反常妥协就全部说得通了。
直到现在,GPT-6.2 依然没有放进,面向数亿普通用户的常规 ChatGPT 聊天界面,只敢放在工作区和编程工具里;API 端直接禁止关闭推理模式,甚至规定一旦切换降级模型或改动历史前缀,系统就会直接丢弃此前的推理记录。它既不敢彻底放开手脚,又必须守住跑分榜的体面。
大模型竞争走到今天,靠堆算力刷出漂亮分数的时代已经过去了。当真实工作流开始考验稳定性、低幻觉和沟通配合时,GPT-6.2 Astra 用一场冰火两重天的首秀敲响了警钟,先让聪明的模型学会听懂人话、老实汇报问题,远比再刷高两分榜单紧迫得多。
*头图来源:OpenAI 官方
本文为极客公园原创文章,转载请联系极客君微信 geekparkGO
极客一问
你怎么看 OpenAI 新模型的表现?