纸面成绩与真实体感的撕裂,在今天达到了顶峰。
「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。
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。
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。
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。
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。
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。
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。
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。
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。





