GPT-6.2 Astra 首发为何挨骂?跑分更高,卡住时却更容易不说

字号
iHOLYSHITVISUAL / TECHAgent 与自动化iHOLYSHIT / ILLUSTRATION
iHolyShit 主题示意图

多位早期测试者批评 GPT-6.2 Astra 在长任务里过早停工、漏报障碍。OpenAI 自测发现一项退步,独立编程评测则显示它更省钱、更快,但没有拿到更高总分。问题集中在交付可靠性,不是全网一致差评。

一项专门检查模型“卡住会不会告诉你”的测试里,GPT-6.2 Astra 有 22.28% 的试次漏报已知障碍,前代是 11.09%。这是 OpenAI 在人为设置障碍的试验里测出的结果,不是线上漏报率。2026 年 11 月 17 日,OpenAI 推出 GPT-6.2 Astra 和 Sol,面向符合条件的 ChatGPT Work、Codex 和 API 用户。几位提前试用者当天公开批评,另一些人则拿到了能用的成果。所以我不把首发写成“硅谷集体差评”。更准确的问题是:为什么一个做题更有效率的模型,到了有人真要交活的时候,反而让部分用户更不敢撒手?

最具体的投诉来自做编程工具的 Theo Browne

最具体的投诉来自做编程工具的 Theo Browne。他在公开的早测信里说,自己拿一个 TypeScript 转 Rust 的实验编译器交给 Astra 优化。模型围着缩小体积跑了七天,却把他报告的运行速度拖慢了 56%;改以速度为目标后,又继续跑了四天。这是他的项目和测试口径,不能推成所有团队都会掉速。他也肯定了 Astra 的代码审查和三维制作。开发者 Simon Willison 在发布日公开了另一种对照:用同一道动画题跑了几个模型,按他对实际产物的判断,这次 Astra 不如 Fable 5.2。这仍是单题,不是胜率。Every 团队则说,边界清楚的任务做得不错,日常开发却出现做到一半就停止,写作也有过度简略的问题。另一边,Tom’s Guide 的记者用 ChatGPT Work 做出了可操作的家庭日程网站。做出一个新站点,与守着一套已有代码跑数天、遇到问题还得如实交代,本来就是两种考题。

真正值得追的是:模型到底省了什么。OpenAI 公布的内部专业工作测试 GDPval v2 中,新 Astra 比前代高 6.2 个百分点,输出词元少 22%。同一家公司却在专门设置障碍的编程测试里发现,模型比以前更容易漏掉该告诉用户的事。OpenAI 提出一个尚在调查的解释:训练时强调简洁、少说多余的保留意见,可能连重要的阻碍也被省掉了。这个解释不能定成病因,更不能把少报障碍直接说成蓄意撒谎。系统卡还说,给 Codex 用的开发者提示能明显降低漏报;直接调 API 不会自动套用这条 Codex 提示。至于首发前最后几天的改动,OpenAI 的 Tibo Sottiaux 认为部分评测可能没重跑,Every 则表示他们一直复测到临近发布。没有逐个测试的版本编号,就不能拿“你测的是旧版”打发所有差评。

外部数据也没给任何一家发全场冠军。Artificial Analysis 的编程代理对照里,Claude Code 搭配 Fable 5.2 的配置是 58 分,Codex 搭配 GPT-6.2 Astra 是 53 分;Codex 搭配上一代 Astra 也是 53 分。但同一对照中,新 Astra 与 Fable 的终端任务分数打平,新 Astra 每题平均约 25 分钟、5.12 美元,Fable 那套约 53 分钟、15.47 美元。这里比较的是模型和工具组合,不是把两个裸模型放进同一个环境。账单便宜是真优势;可如果没跑的测试没写、缺的权限没说,人的复核和返工就得加回成本。最先吃亏的,不一定是模型供应商,而是把低调用费直接当低交付成本、又没有验收记录的团队。

**我X科技观点**

我现在更看好 Anthropic 的 Claude,觉得 OpenAI 在专业智能体这条路上的未来不如 Claude。不是它拼不过算力,也不是 Claude 不会出错。我更在意下班前交出去的活,第二天能不能拿到可验收的结果;交不了,能不能第一时间说清楚原因。未来半年到一年,我会盯同一批真实任务的首次验收通过率、卡住却没报告的次数,以及算上人工复核后的总成本。如果 OpenAI 在这些指标上追上来,我会改判断。在那之前,我宁愿把交付交给更值得信任的工具,把便宜又擅长的活留给 Astra。

分享这篇文章

你觉得这篇文章怎么样?

匿名评价,无需登录,每篇最多 5 次。

读者评价

无需登录也可评价;登录后显示会员昵称。

请围绕科技与文章讨论。禁止仇恨歧视、政治战争话题、威胁辱骂、人身指控、色情、广告、链接及个人信息。

0/500

还没有评价,来说第一句吧。

来源