GPT-6.2 Astra 与 Sol 回答更简洁直接,但透明度评分不及 Claude
要点
- Artificial Analysis 的评测显示,OpenAI 新发布的 GPT-6.2 Astra 和 Sol 回答比前代短 34% 到 40%,更直接切题,标题和破折号的使用也大幅减少。
- 与此同时,这两个模型表达不确定性的频率明显降低:Astra 在这一维度的得分从 96 跌至 24,Sol 从 98 跌至 51。
- 与 Anthropic 的 Claude Fable 5.2 和 Opus 5.5 相比,Astra 和 Sol 在结构性和透明度上得分更低。Opus 5.5 在四款模型中信息量得分最高,并在信息密度指标上位居基准测试前列。
Artificial Analysis 的评测显示了 OpenAI 沟通风格的变化之大,与 Anthropic 的对比更是凸显出明显差异。
OpenAI 的 GPT-6.2 Astra 和 Sol 回答更短、切入正题更快,对回答结构的束缚也比前代少得多。但与此同时,Artificial Analysis 给它们“承认不确定性”倾向的评分也大幅降低。
Astra 的平均回答长度从 352 词降到 210 词,缩短了 40%;Sol 从 337 词降到 223 词,缩短 34%。两个模型对标题和破折号的使用也明显减少:Astra 每条回答的平均标题数从 1.99 降至 0.11,Sol 从 1.85 降至 0.25。
组织度指数(Organization Index)同样大幅下滑,Astra 从 70 跌到 11,Sol 从 86 跌到 27。该指数综合了 AI 评审打分的四项特征,包括回答结构、清晰度,以及衡量模型是否直接回应核心问题的“开门见山”(Answer First)。在最后一项上,Astra 从 49 跃升至 89,Sol 从 64 升至 87。“语言自然度”得分也有所上涨:Astra 从 58 升到 100,Sol 从 54 升到 79。

变化最显著的是“承认不确定性”这一特征。Astra 的得分从 96 跌至 24,Sol 从 98 降至 51。与原始词数不同,这些个性得分是 1 到 100 之间的相对排名。它们反映了某一模型在特定特征上的表现相对于其他受测模型的强度。得分为 24 并不意味着 Astra 只在 24% 的回答中承认不确定性。Artificial Analysis 在 LinkedIn 和 X 上发布了这项评估结果。
Anthropic 的模型在透明度和结构化方面领先
我们对全部八项个性指数的自研对比显示,OpenAI 的最新模型与 Anthropic 的 Claude Fable 5.2 和 Opus 5.5 之间存在明显差距。这些指数汇总了 30 项个性特征,每项均由 AI 评委根据模型响应进行评分。所有比较均使用 Artificial Analysis 列出的“max”模型变体。
| 个性指数 | Astra 6.2 | Sol 6.2 | Fable 5.2 | Opus 5.5 |
|---|---|---|---|---|
| 表达力 | 66 | 41 | 81 | 90 |
| 条理性 | 11 | 27 | 54 | 79 |
| 信息量 | 31 | 38 | 47 | 90 |
| 透明度 | 41 | 57 | 81 | 90 |
| 亲和力 | 68 | 47 | 83 | 85 |
| 坚定性 | 55 | 49 | 75 | 70 |
| 想象力 | 63 | 60 | 68 | 94 |
| 斜率 | 7 | 11 | 7 | 20 |
Anthropic 的两款模型在透明度指数上分别拿到 81 和 90 分,远高于 Astra(41)和 Sol(57)。该指数涵盖五项特质:承认不确定性、诚实、声明假设、标注细微差别,以及谄媚度——最后一项是反向计分,奉承越少得分越高。Anthropic 的模型在条理性上也位居榜首。
Opus 5.5 在信息量指数上表现突出,得分 90,大幅领先其他三款模型。它的单项强项包括信息密度高和基于证据的推理。
性格分数反映的是风格,而非准确性
AA-PersonalityBench 使用 900 道英文测试题,各模型在没有系统提示词的情况下作答。三个 AI 模型组成的评审小组对匿名的答案两两对比,每次比较由一名 AI 评审判断哪个答案更强地体现了所测的性格特质,或者判定平局。
Artificial Analysis 根据这些评审结果计算 30 项性格特质的分数,并汇总成八个更高级别的指数。指数值从 1 到 100,反映各模型在被测模型中的相对位置。
另外,Artificial Analysis 还测量 21 项沟通特质,这些是直接统计而非由 AI 评审打分的,包括平均回答长度,以及每条回答中的标题数和破折号数。
这些性格分数描述的是沟通风格上的差异,并不代表整体回答质量。透明度指数较低,并不意味着模型更容易给出错误答案。
THE DECODER+
AI 新闻,拒绝炒作 —— 由人工精心策划
- 全部 Plus 文章及完整存档
- 无广告横幅
- Frontier Radar:每年 6 篇深度报道
已是订阅用户? 登录
来源:Linkedin / X 评论 复制链接 分享 此前报道 2026 年 11 月 9 日 Claude Fable 5.2 和 Mythos 5.2 在 Anthropic IPO 前夕巩固了其 AI 领先地位