← 文章 / 行业与公司动态
Latent Space 3天前 · 2026-11-19 02:18:46 · 12 阅读

GPT-6.2 Astra 性能超越且成本更低,但口碑不一,Sol 或成主力

OpenAI 今天发布了 GPT-6.2 Astra 和 Sol,时间点赶在 Anthropic 预期上市交易首日的前两天。Artificial Analysis 的测试结果显示,Sol 的效能与九月份的 Astra 相当,但单次任务成本仅为其约 15%。新一代 Astra 在 Intelligence Index 上得分为 62,略低于 Fable 5.2 的 65 分。归根结底,Anthropic 依然拥有全球最顶尖的模型,但在单位成本对应的智能水平上,OpenAI 旗下模型的效率才是全球最高。

OpenAI 发布了 GPT-6.2 Astra 和 Sol,时间点恰好赶在 Anthropic 预期上市首日的前两天。在 Artificial Analysis 的测试中,Sol 的表现与九月份的 Astra 持平,但单次任务成本仅约为后者的 15%。新版 Astra 在 Intelligence Index 上得分为 62,仅落后于得分为 65 的 Fable 5.2。总结来说,Anthropic 依旧占据着全球最强模型的位置,但在单位美元的智能产出效率上,OpenAI 的模型才是全球最高。

这次发布更不寻常之处在于,来自影响者的反馈竟然出奇地负面……

播放视频

在 YouTube 上打开视频 ↗

播放视频

在 YouTube 上打开视频 ↗

这招致了一个 防御性的回应……

在 X 上查看该帖子 ↗

我们认为,其中部分属于过度反应,也是影响者惯有的倾向:要么觉得一切都很🤯🤯🤯,要么就是“史上最差模型”;但也有些批评是有道理的,RL 伪影(artifacts)很明显,甚至有点 怪异得离谱(至于那个 糟糕透顶的发布视频,我们就不提了)。不过,我们依然会用它来自动化工作流,这才是最终重要的事。

发布很成功,但 Anthropic 的 IPO 不会因此受影响,而 IPO 很可能成为本年度乃至未来几年的头条(直到 OpenAI 也 IPO……)。

今天的 AI 新闻由 SerpApi 提供!

通过 URL 抓取公开网页,输出可直接供 LLM 使用的 Markdown 或结构化 JSON。一个 API 即可完成站点地图绘制和受限爬取,并可搭配 100+ 个 SerpApi 搜索接口实现搜索到内容的工作流。 欢迎试用支持 LS,如有反馈请联系 business@latent.space!


AI Twitter 回顾

GPT-6.2 Astra 和 Sol

  • 发布情况。今天的模型正在向 Plus、Pro、Enterprise 和 Edu 用户的 ChatGPT Work 和 Codex 推送,开发者也可通过 API 使用 gpt-6.2-astra 和 gpt-6.2-sol。OpenAI

  • API 每百万 token 定价。Astra 输入 $8、缓存输入 $0.40、输出 $40。Sol 沿用前代定价:$2、$0.10 和 $10。两款模型均支持 1M 上下文和 128K 输出上限。Vals · Ultrafast 定价与推送

  • 法律领域的 Astra。Enterprise 配置新增了法律搜索索引。Artificial Analysis 测得在 Harvey LAB-AA 上得分 20.8%,而基础版 Astra 为 15.0%。Artificial Analysis

  • 安全准备度。OpenAI 将 Astra 在 AI 自我改进方面评为 High,这是其对外发布模型中的首次。在另一项指标上,Vals 的 RSI-Index 从 27.07% 升至 29.01%,50% 代表人类参考水平。System card · Vals

  • FrontierMath Erdős。Epoch 验证了 68 道题中有 7 道以 Lean 形式完成,此前最好成绩是 3 道。Epoch

这些基准测的是什么

  • Agents' Last Exam 1.1。OpenAI 报告称,Astra 在 xhigh 档比 max 档的 GPT-6 Astra 高出 5.2 分,且单任务成本不到三分之一。在该测试上比 Fable 5.2 领先 5.5 分,成本仅约 5%。在 GDPval v2 上,Astra 的输出 token 用量比前代减少 22%。OpenAI 的结果

  • 长程工程任务。Mercor 的 OpenWorldEngineer 测试中,Astra 得分 67.2%,Fable 5.2 为 54.6%,GPT-6 Astra 为 44.2%。在 Vals 的多轮 Vibe Code Bench 中,Astra 居首,Sol 列第三。Mercor · Vals

  • 3D 与机器人。在 AA-3D 榜单上,Astra 以 1,318 分领先 Fable 的 1,271 分和 Sol 的 1,259 分。Artificial Analysis 的机器人预览测试中,Astra 得 79 分,Sol 得 78 分,均高于 Fable 的 75 分。Artificial Analysis

  • 研究智能体。Perplexity 的 WANDR 基准测试中,Astra 得分 0.783,每任务成本约 12.54 美元;Sol 得分 0.746,每任务成本约 2.65 美元。Perplexity

早期测试者评价不一

  • Matt Shumer 在数周测试后称这些模型“基本无法使用”,并表示他使用的 Opus 和 Fable 智能体拒绝了 Astra 大部分子智能体的输出。评测 · 工作流详情

  • Pietro Schirano 将早期遇到的诸多问题归因于测试框架(harness)。Arena 的 Peter Gostev 对比测试了 Astra 与 Fable 的视觉编码能力,并特别提到了 Astra 生成的 SVG 孔雀。Schirano · Gostev

  • 演示案例。Gabriel Chua 使用 100 多个 Codex 线程构建了一个可行走的新加坡。Simon Willison 用相同的 three.js 机甲提示词测试了包括 Astra、Sol、Carbon 和 Fable 在内的多个模型。新加坡构建 · 同提示词对比

赞助广告你的赞助广告位在此触达正在构建下一代应用的 AI 工程师。

Latent Space 读者正在开发智能体、模型和基础设施。咨询赞助此广告位。

business@latent.space →

Microsoft Ignite 与 Gemini

  • 微软推出自家编程模型。MAI Code 2 面向多步骤编码任务,Code 2 Flash 则用于快速修改。两款模型现已在 GitHub Copilot 的模型选择器、Copilot Fusion 和 Foundry 中可用。微软还宣布对其 Decision 模型进行多模态升级。Microsoft

  • Copilot Fusion。微软称其多模型框架在 Terminal-Bench 4.1 上取得 71.2% 的成绩,成本比同口径下的 Claude Fable 5.2 低 88%。Jay Parikh

  • 图像编辑。Artificial Analysis 的编辑基准排名中,MAI Image 2.7 位居第一,价格为每 1000 张图片 34.82 美元。Artificial Analysis

  • Gemini Tasks。Hydrogen 现已为六个国家的免费 Tasks 提供支持,包括需要打电话或发短信的任务。Google 还展示了一款搭载 MuJoCo 仿真的 Antigravity 机器人插件。Sundar Pichai · Google DeepMind

Agent 框架与推理

Hugging Face 的 Pi 适配器。一个在 pi 中训练的小型适配器,让 Qwen3.8-27B 在 SWE-bench Pro 最难的 51 个任务上从解出 15 个提升到 32 个。在该子集上,每个任务的工具调用次数减少了 55%。模型卡片与对比结果

  • 框架成本差异悬殊。Baseten 在 22 个框架和五个开源模型的基准测试中发现,每个成功任务的成本差距高达 4.4 倍。Baseten

  • 框架可能会针对特定模型过拟合。Google 的 SIM 会记录以往框架修改的理由和结果。在 Opus 上演化出的框架换到 Gemini 上得分 68.41,反而低于起始框架的 73.89。研究摘要

  • 多智能体产品增多。Cognition 发布了支持持久化的 Devin Bots。Perplexity 报告称,其混合模型团队在 Terminal-Bench 和 WANDR 基准测试中超越了顶级模型四个实例的表现。Replit 则指出,在 NumPy 任务中,智能体数量从 16 个增加到 32 个时,收益呈递减趋势。 Cognition · Perplexity · Replit

  • 1,000 个智能体的运行过程中,协调成为关键。Hugging Face 指出,任意时刻只有 40–60 个智能体在调用模型。这些智能体每写入 1 个 token 大约需要读取 130 个 token,合并和测试环节构成了主要瓶颈。 Thomas Wolf

  • 少量的缓存未命中可能导致账单大幅飙升。SemiAnalysis 报告称,在抽样样本中,1.8% 的未缓存请求约占总支出的 15%。 SemiAnalysis

  • Marin 和 K2 Horizon 公开了其训练过程。Marin 发布了 535B-A23B 模型训练过程中的 57 个中间 Mochi 检查点。K2 报告对比了基于相同 22T tokens 训练的四种模型规模,并描述了一种解码适配器,团队称其可实现 2.2 倍的加速效果。 Marin · K2 Horizon

  • Zyphra 的长上下文注意力机制。团队报告称,将多个模型转换为子二次方注意力机制后,在 10M tokens 长度下实现了 9–60 倍的加速,其中 Qwen 在 1M 长度上的 RULER 基准测试中损失不到两个百分点。 Zyphra

  • 推测解码。vLLM 报告称,针对 Kimi K3.1 Pro 使用滑动窗口草稿模型可将接受长度提高高达 30%。NVIDIA 也为 Qwen3.8-27B 提供了 4B 规模的草稿模型。 vLLM · 草稿模型研究

行业与政策

  • NVIDIA CEO 换届后的首份财报。在临时 CEO Colette Kress 带领下,NVIDIA 季度营收达 1158 亿美元,同比增长 103%,并宣布 Vera Rubin NVL72 已出货。董事会表示无意让 Jensen Huang 回归。 NVIDIA · AP

  • Isomorphic Labs 融资 50 亿美元。C 轮由 Greenoaks 和 Sequoia 联合领投,公司表示将扩大药物设计平台规模并推进其候选药物管线。 Isomorphic Labs

  • Genesis AI 融资 5 亿美元。这轮 A 轮融资对这家机器人公司的投后估值为 35 亿美元,资金将用于部署其 Eno 机器人,并扩展训练与数据采集。 Zhou Xian


AI Reddit 精选

本地模型与硬件

原始来源: Latent Space

评论 (0)