OpenAI 發佈 GPT-6.2 Astra 和 Sol,Astra 位列前沿模型第二且便宜 20%-600%,評價不一;Sol 或成主力模型
[AINews] GPT-6.2 Astra, the #2 Frontier Model is better and 20%-600% cheaper, but has mixed reviews; 6.2 Sol likely main workhorse
OpenAI 今日發佈 GPT-6.2 Astra 和 Sol,並開始向 ChatGPT Work、Codex 的 Plus、Pro、Enterprise、Edu 用戶及 API 開發者推出。
文章並列 GPT-6.2 Astra、Sol 的基準測試、任務成本與早期測試者分歧,呈現效率數據和使用評價之間的差異。
OpenAI 今日推出 GPT-6.2 Astra 和 Sol,比 Anthropic 預計的首個交易日早兩天。在 Artificial Analysis 的測試中,Sol 追平 9 月推出的 Astra,而每項任務的成本約為其 15%。新版 Astra 在 Intelligence Index 得分 62,略低於 Fable 5.2 的 65 分。總括而言,Anthropic 仍擁有全球最佳模型,但按每美元所能換取的智能程度計,OpenAI 擁有全球效率最高的模型。

這次發布較不尋常之處,是網紅的反應非常負面……

因此引來一番防禦性回應……
我們認為,部分反應過火,也反映了網紅一貫的傾向:要麼覺得一切都令人 🤯🤯🤯,要麼就說它是「有史以來最差的模型」;不過,部分批評亦有道理,RL 產物相當明顯,而且 古怪得離譜(至於 糟糕的發布影片,就更不用提了)。然而,我們仍用它將工作自動化,說到底這才最重要。
這次發布做得不錯,但不會影響 Anthropic 的 IPO,而這很可能會成為本週/本年/本十年的頭條(直到 OpenAI IPO……)
今日 AI 新聞由 SerpApi 贊助!
按網址擷取公開網頁,並轉換為適合 LLM 使用的 Markdown 或結構化 JSON。透過一個 API 繪製網站地圖並進行有限範圍的爬取。配合 100+ 個 SerpApi 搜尋 API,建立由搜尋到內容的工作流程。
歡迎瞭解詳情,以支持 LS;如有意見,請聯絡 business@latent.space!
AI Twitter 摘要
GPT-6.2 Astra 和 Sol
供應情況。今日起,這些模型將陸續開放予 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise 及 Edu 用戶使用,開發者亦可透過 API 使用,分別以
gpt-6.2-astra和gpt-6.2-sol提供。OpenAI每百萬個 token 的 API 價格。Astra 的輸入價格為 $8、快取輸入為 $0.40、輸出為 $40。Sol 沿用上一代的價格,分別為 $2、$0.10 和 $10。兩者的上下文長度均為 1M,輸出上限為 128K。Vals · 超高速定價及推出安排
法律版 Astra。Enterprise 版本加入法律搜尋索引。Artificial Analysis 測得其在 Harvey LAB-AA 的得分為 20.8%,而基本版 Astra 為 15.0%。Artificial Analysis
準備度。OpenAI 在 AI Self-Improvement 項目中將 Astra 評為 High,這是其對外發布的模型首次獲此評級。另一項獨立指標 Vals 的 RSI-Index,則由 27.07% 升至 29.01%;50% 代表其人類參照值。系統卡 · Vals
FrontierMath Erdős。Epoch 在 68 道題目中,以 Lean 驗證了 7 個解答;此前最佳成績為 3 個。Epoch
各項基準測試的衡量內容
Agents’ Last Exam 1.1。OpenAI 表示,Astra 在 xhigh 設定下比 GPT-6 Astra 在 max 設定下高 5.2 分,每項任務的成本不足三分之一。OpenAI 又表示,在這項測試中,Astra 領先 Fable 5.2 5.5 分,成本約為其 5%。在 GDPval v2 上,OpenAI 表示 Astra 使用的輸出 token 比上一代少 22%。OpenAI 的測試結果
長時間工程任務。Mercor 的 OpenWorldEngineer 測試中,Astra 得分 67.2%、Fable 5.2 得分 54.6%、GPT-6 Astra 得分 44.2%。在 Vals 的多輪 Vibe Code Bench 中,Astra 排名第一,Sol 排名第三。Mercor · Vals
3D 與機械人技術。Astra 在 AA-3D 領先,得分 1,318,高於 Fable 的 1,271 和 Sol 的 1,259。在 Artificial Analysis 的機械人技術預覽測試中,Astra 得分 79、Sol 得分 78,均高於 Fable 的 75。Artificial Analysis
研究型 Agent。在 Perplexity 的 WANDR 測試中,Astra 得分為 0.783,每項任務成本約為 $12.54。Sol 得分達 0.746,每項任務成本約為 $2.65。Perplexity
早期測試者意見不一
Matt Shumer經過數星期測試後,稱這些模型「基本上無法使用」,並表示他的 Opus 和 Fable Agent 拒絕了 Astra 子 Agent 所做的大部分工作。評測 · 工作流程詳情
Pietro Schirano將早期遇到的許多問題歸因於執行框架。Arena 的 Peter Gostev 以視覺編碼任務比較 Astra 和 Fable,並特別提到 Astra 製作的 SVG 孔雀。Schirano · Gostev
示範。Gabriel Chua 利用超過 100 個 Codex 工作階段,建構出可供漫步的新加坡。Simon Willison 將同一個 three.js 機甲提示詞交給多個模型測試,包括 Astra、Sol、Carbon 和 Fable。新加坡建構項目 · 相同提示詞比較
Microsoft Ignite 與 Gemini
Microsoft 推出自家編碼模型。MAI Code 2 用於多步驟編碼,Code 2 Flash 則適合較快完成編輯。兩者均可在 GitHub Copilot 的模型選擇器、Copilot Fusion 和 Foundry 中使用。Microsoft 亦宣佈 Decision 模型將升級為多模態模型。Microsoft
Copilot Fusion。Microsoft 表示,使用其多模型執行框架時,Terminal-Bench 4.1 的得分為 71.2%;在這項比較中,成本比 Claude Fable 5.2 低 88%。Jay Parikh
圖片編輯。Artificial Analysis 的編輯基準測試將 MAI Image 2.7 列為第一,每 1,000 張圖片收費 $34.82。Artificial Analysis
Gemini Tasks。Hydrogen 現為六個國家的免費 Tasks 提供支援,當中包括需要打電話或發送短訊的任務。Google 亦展示了配合 MuJoCo 模擬功能的新 Antigravity 機械人技術外掛程式。Sundar Pichai · Google DeepMind
Agent 執行框架與推理
Hugging Face 的 Pi adapter。在 pi 內訓練的小型 adapter,令 Qwen3.8-27B 在 SWE-bench Pro 最難的 51 項任務中,成功解決的任務數由 15 項增至 32 項。在這個子集中,每項任務所需的工具呼叫次數減少了 55%。模型卡及配對結果
執行框架的成本差異顯著。Baseten 在其涵蓋 22 個執行框架和五個開源模型的基準測試中,發現每項通過測試的任務成本最多相差 4.4 倍。Baseten
執行框架可能會針對其模型專門調校。Google 的 SIM 會保留先前修改執行框架的原因及結果。它在 Opus 上演進出的執行框架,用於 Gemini 時得分為 68.41;起始執行框架則得分為 73.89。研究摘要
更多多 Agent 產品。Cognition 推出可持續運作的 Devin Bots。Perplexity 表示,在 Terminal-Bench 和 WANDR 測試中,其混合模型團隊的表現勝過四個主力模型實例。Replit 表示,在 NumPy 任務中,Agent 數目由 16 個增至 32 個時,效益遞減。Cognition · Perplexity · Replit
一次 1,000 個 Agent 的執行中,協調工作成為主要瓶頸。Hugging Face 表示,任何時刻只有 40–60 個 Agent 正在呼叫模型。它們每寫出一個 token,便讀取約 130 個 token;合併和測試亦加劇了瓶頸。Thomas Wolf
少量快取未命中也可能佔去大部分費用。SemiAnalysis 表示,在其樣本中,1.8% 未經快取的請求約佔總支出的 15%。SemiAnalysis
Marin 和 K2 Horizon 公開了訓練過程。Marin 公開了其 535B-A23B 訓練過程中的 57 個中間 Mochi 檢查點。K2 的報告比較了以相同 22T 個 token 訓練的四種模型規模,並介紹一種解碼適配器;團隊表示,該適配器可達到 2.2× 加速。Marin · K2 Horizon
Zyphra 的長上下文注意力。團隊表示,將多個模型轉換為其次二次方注意力後,在 10M 個 token 時可提速 9–60×;Qwen 在 1M 時的 RULER 評分下降不足兩分。Zyphra
推測解碼。vLLM 表示,為 Kimi K3.1 Pro 使用滑動視窗草稿模型,接受長度最高可增加 30%。NVIDIA 亦有供 Qwen3.8-27B 使用的 4B 草稿模型。vLLM · 草稿模型研究
行業與政策
NVIDIA 在行政總裁交接後首次公佈業績。在臨時行政總裁 Colette Kress 領導下,NVIDIA 公佈季度收入為 $115.8B,按年增長 103%,並表示 Vera Rubin NVL72 已經出貨。董事會表示無意讓 Jensen Huang 復任。NVIDIA · AP
Isomorphic Labs 融資 $5B。Greenoaks 和 Sequoia 共同領投 C 輪融資。公司表示,將擴大其藥物設計平台,並發展治療產品研發管線。Isomorphic Labs
Genesis AI 融資 $500M。這輪 A 輪融資令這家機械人公司估值達 $3.5B(投後)。公司計劃利用這筆資金部署 Eno 機械人,並擴大訓練及數據收集。Zhou Xian
AI Reddit 摘要
本地模型與硬件
一款會重複執行部分層的 9B 模型。SenseNova-Loop-9B 會將 32 層中的 24 層再執行一次。模型作者表示,GAIA 評分由預覽版的 37.86 升至正式版的 69.90。本地用戶詢問長上下文時 KV 快取還可使用多少記憶體。權重 · 討論
Maxwell V1 Flash。這款 35B/3B 啟用參數的 MoE 宣稱,在 256K 時的注意力速度較密集 GQA 快 6.7×。其稀疏注意力仍保留完整歷史 KV 快取,這正是本地用戶希望在投入硬件前先測量的項目。模型卡 · 討論
Olala mini 7A1B。OVHcloud 預覽了一款小型 MoE,具備 1B 個啟用參數及 32K 上下文視窗。討論串正等待權重及可重現的基準測試結果。OVHcloud · 討論
Intel 的 Crescent Island 數據。早期簡報中引人注目的吞吐量比較,採用了 FP64 佔比較高的工作負載。Intel 另一項 LLM 比較則宣稱,相較 RTX PRO 6000 Blackwell Server Edition,吞吐量高 1.12×,延遲低 29%。硬件討論
在打印機上執行 Gemma。一名製作者表示,透過 PostScript 列印工作執行了 Gemma 3 270M。示範
實際應用中的 Agent
來源:Latent Space · latent.space