OpenAI 发布 GPT-6.2 Astra 与 Sol 双模型

原标题:GPT‑6.2 Astra and Sol
88AI 研判分

OpenAI 推出 GPT-6.2 Astra 与 GPT-6.2 Sol 两款新模型,前者面向高难度专业任务,后者主打日常高效工作。官方称 Astra 在智能体长程任务基准 Agents' Last Exam 上比 GPT-6 Astra 高 5.2 分且成本不足三分之一,并以约 5% 的成本领先 Claude Fable 5.2 达 5.5 分。两款模型均以更少输出 token 达成更优结果,官方建议保持提示前缀不变以复用缓存、降低延迟与成本。

报道正文

本文目录19 个章节

隆重推出 GPT-6.2 Astra 与 Sol

我们推出 GPT‑6.2 Astra,这是我们面向最艰巨项目的新一代前沿模型;同时推出 GPT‑6.2 Sol,这是我们面向日常工作的高效、多用途模型。两款模型都能以更少的输出 token 在复杂任务上取得更好的结果,让你在用量限制内完成更多工作。对于企业和开发者而言,这意味着以适合大规模应用的成本获得前沿性能。

GPT‑6.2 Astra 为 AI 在复杂专业工作中的表现树立了新的质量标杆。它生成的幻灯片、电子表格和文档读起来不再那么像 AI 产物,而是更贴合你提供的模板和你所在领域的惯例。它能写出更整洁的代码,构建的前端在观感和功能上都更出色,尤其在网站、游戏和 3D 设计方面。

在测试多步骤专业工作的 Agents’ Last Exam 上,GPT‑6.2 Astra 创下新高,得分比 GPT‑6 Astra 高出 5.2 分,成本却不到后者的三分之一;相比 Claude Fable 5.2 领先 5.5 分,而成本仅为其 5%。

Agents’ Last Exam 评估模型在长周期专业工作流中的表现。其排行榜上 Fable 5.2 的结果排除了九项使用备用模型完成的任务。

我们相信 GPT-6.2 Astra 是世界上最适合科学家的模型。它在 Terminal-Bench-Science 0.1 上创下新高,该基准测试模型在终端中开展科学工作的能力。GPT-6.2 Astra 的得分比 GPT-6 Astra 高出 9 个百分点,成本却不到后者的三分之一。它还在 Vals Science Index 上创下新高,该指数要求模型解读真实生物数据,并通过运行实验来推断一个模拟系统的工作原理。

Terminal-Bench-Science 0.1 评估模型在科学研究工作流中的表现。1

在 API 中,GPT‑6.2 Astra 的输入和输出 token 价格比 GPT‑6 Astra 低 20%,缓存输入还可享受 60% 的折扣(输入 $8、缓存输入 $0.40、输出 $40,均为每百万 token 价格)。GPT‑6.2 Sol 维持 GPT‑6.1 Sol 的 API token 价格。在多项基准测试中,两款模型都以远低于其他领先模型的单任务成本,达到接近甚至超越后者的表现。

Artificial Analysis Intelligence Index v5 综合了知识工作、编程、科学和通用知识领域的九项评估。

GPT-6.2 Sol:我们日常工作的首选模型

与 GPT‑6.1 Sol 相比,GPT‑6.2 Sol 更智能、更高效,让你在相同的付费方案下完成更多任务。它能顺畅推进多步骤智能体工作流,写作清晰自然,协作起来也很直观。OpenAI 的许多员工都把它作为处理技术和非技术任务的默认模型。

在 Cognition 的 FrontierCode 2.0 中,GPT‑6.2 Sol 的成绩与 GPT‑6.2 Astra 相差不到 0.5 分,而成本约为后者的五分之一(两者均以最高配置运行)。

FrontierCode 2.0 评估对真实代码库的修改是否符合维护者的合并标准。

它的速度和智能也使其非常适合人们在工作之外求助于 AI 的重要任务。在我们近期发布的 LifeVal⁠ 评估中(该评估衡量模型在具有挑战性的日常任务上的表现),GPT‑6.2 Sol 的得分超过 GPT‑6 Astra,而成本约为后者的七分之一。

LifeVal 测试模型处理为个人需求量身定制的日常任务的能力,例如搬家后筛选幼儿园、寻找符合家庭预算和通勤需求的住房,或为一位正在适应新诊断的家长规划膳食。

符合行业标准的专业输出

我们训练 GPT‑6.2 Astra,使其能够制作更清晰、设计更出色的幻灯片、电子表格和文档,并更贴近法律、销售、金融和会计等领域的专业人士所遵循的惯例。其写作更直接、更具体,泛泛而谈的结论更少,废话也更少。

Harvey LAB‑AA v1.1 使用法律任务来测试模型能否在源文件中找到相关事实、将其应用于一份详细的简报,并产出一份满足所有要求且准确无误的交付成果。GPT‑6.2 Astra 创下新的最优成绩,通过率是 Claude Fable 5.2 的两倍多,而成本约为后者的六分之一。我们为律师配置的 GPT-6.2 Astra 版本 Astra for Law⁠ 在该基准测试中得分更高。

Harvey LAB‑AA 测试法律工作,例如审查合同条款。其总分只有在交付成果满足每一项评分标准且不含实质性幻觉时才会得分。

我们的内部 GDPval v2 基准测试是 GDPval⁠ 的下一次迭代,其中的多步骤任务取自咨询、金融和设计领域的真实项目。在我们测试的模型中,GPT‑6.2 Astra 表现领先,较 GPT‑6 Astra 提升了 6.2 个百分点,同时输出 token 用量减少了 22%。GPT‑6.2 Sol 较 GPT‑6.1 Sol 提升了 5.3 个百分点。

GDPval v2 由取自咨询、金融和设计领域真实项目的任务组成,使用的是团队在任务分配时所拥有的文件和消息。

幻灯片

GPT‑6.2 Astra 是我们在幻灯片设计和遵循幻灯片模板方面表现最好的模型,无论给定的是原始文件还是截图。它能够匹配布局、配色和排版,精确到具体的字号,并将模板的写作风格延续到新幻灯片中。早期测试者发现,这些演示文稿更易于直接使用,所需修改更少,这得益于点明核心要点的标题,以及聚焦于读者所需细节的简洁正文。

GPT-6 Astra

GPT-6.2 Astra

我们要求两个模型使用某零售商公开的 Q2 财报和 Form 10‑Q,更新其公开的 Q1 财报演示文稿。两者都指出关税退款是报告收益增长的主要驱动因素。GPT‑6.2 Astra 将 5.3% 的销售额增长写入标题,细分了线上和门店的增长,并强调了管理层具体的后续举措,包括保持畅销产品库存充足,以及在不依赖进一步退款的情况下编制预算。

工作簿与备忘录

构建估值工作簿或撰写投资备忘录,首先要从源文件中找到相关数字,并厘清它们之间的关联。Artificial Analysis 的 AA‑AnalystAgent 在真实电子表格和报告上测试这项工作。在一项任务中,模型使用加州 Medicaid 的支出报告,计算该项目在医疗运输上的花费。GPT‑6.2 Astra 创下新高,在全部五次独立尝试中正确回答了 62.5% 的问题。

GPT-6 Astra

GPT-6.2 Astra

我们给两个模型提供了相同的财务报表、运营假设和市场数据,对象是一家虚构的农业科技公司 Alderfen Field Systems。我们要求它们构建一个可编辑的 Excel 工作簿,按业务分部预测到 2031 年的收入,并检查三张财务报表是否勾稽一致。该工作簿还必须估算在 8% 折现率和 3% 永续增长率下的每股摊薄价值,展示什么样的增长率能够支撑参考股价,并展示估值如何随这些假设的变化而变化。

GPT‑6.2 Astra 将收入构成以及从企业价值到每股价值的桥接表放在敏感性表旁边。读者可以看到哪些业务驱动了预测,并追踪贴现现金流、现金及投资以及摊薄股数如何汇入每股估算。GPT‑6 Astra 将收入拆分放在单独的选项卡中,并将估值桥接表放在工作表更靠下的位置。

1 / 4

计算机使用与交互式网页设计

GPT‑6.2 Astra 更精确的计算机使用能力使其能够在 CAD 和仿真工具中精细到单个零件和连接。工程师可以利用这些额外细节来检查组件如何装配、查看设计移动时载荷如何转移,并在构建原型之前测试修订版本。

驾驶仿真

我们要求 GPT‑6.2 Astra 可视化一辆汽车在山路上的底盘动力学。Astra 创建了 3D 模型,并编写了一个 Python 求解器来模拟轮胎与悬架之间的复杂动力学,然后在 Blender 中将结果制作成动画。这使工程师能够快速测试新设计,并随着时间的推移提高仿真精度。

一辆行驶在山路上的敞篷跑车,旁边展示了前后悬架运动、轮胎接地点和驾驶员输入。

机械设计与装配

GPT‑6.2 Astra 可以逐个零件地对机械系统进行建模,为工程师提供一种方式来展示其装配过程,并测试设计变更如何影响其行为。

一套 1 比例硝基遥控越野车套件按零件展开摆放,随后是装配过程和成品车的特写。

我们要求 GPT‑6.2 Astra 使用公开照片和组装手册对一辆无线电遥控越野车和发动机进行建模。它对各个组件进行了建模,制作了动画装配指南,并生成了带插图的零件目录。这展示了 Astra 如何加速实体工程产品开发和文档编制。

从 CAD 到纸灯

我们的团队使用 GPT‑6.2 Astra 将芝加哥 Marina City 双塔的扇贝形阳台变成了一盏灯。视频记录了这款设计从参考照片、CAD 修改到手工组装成实体灯具的全过程。由 GPT-6.2 Astra 生成的网站,可以用来制作你自己的纸灯。

GPT‑6.2 Astra 为网页设计带来了更强的视觉推理能力,能够选择让每个网站呈现独特外观的布局和图像,并围绕网站的实际目标构建页面元素。

一个带有交互式车辆配置器的露营车网站。

这些在视觉推理和计算机使用方面的提升也延续到了 3D 设计中。GPT‑6.2 Astra 和 Sol 可以将书面需求转化为交互式浏览器体验,从可以游玩的弹珠台,到可以从不同角度探索的斗兽场复刻。在 Artificial Analysis 的 AA‑3D 上,人类评审会体验两个基于同一提示词构建的盲测作品,并投票选出自己更喜欢的那个。GPT‑6.2 Astra 以 1,318 Elo 排名第一,紧随其后的是 Claude Fable 5.2(1,271)和 GPT‑6.2 Sol(1,259)。

一个花园规划演示,将高架花坛布局与原始后院进行对比。

一艘红色竞速艇在灯光照亮的赛道上飞驰。

更简洁的代码风格带来高效工作流

GPT‑6.2 Astra 对如何执行任务有更好的判断力,包括让工具和投入程度与工作流相匹配,以及知道何时使用插件、何时使用计算机操作。

在编程方面,GPT-6.2 Astra 更擅长在现有代码库中实现和测试复杂变更。早期测试者反馈称,代码风格更简洁、测试更聚焦,修订轮次也更少。

1 / 3

网络安全能力

GPT‑6.2 Astra 和 GPT-6.2 Sol 标志着网络安全能力的又一次显著跃升。它们能更有效地发现和利用漏洞,编写更安全的代码,并生成更好的补丁,在多项评估中实现了大幅的 token 效率提升。与 GPT‑6 Astra⁠ 一样,6.2 Astra 和 Sol 在我们的 Preparedness Framework⁠ 下达到了网络安全的 Critical 阈值。

由于其能力增强,我们推出 GPT‑6.2 Astra 和 Sol,并针对高风险的网络安全协助施加了更严格的防护措施。这些保护措施降低了滥用风险,但也限制了一些合法的漏洞研究和安全测试工作流程。通过 OpenAI Daybreak⁠,经批准的防御者目前可以在 Daybreak Blue 上以更少的网络安全拒答访问 GPT‑6 Astra,并在 Daybreak Red 上使用 GPT‑6 Cyber⁠ 进行高级、经授权的安全测试。我们将努力把 GPT‑6.2 模型引入 Daybreak。

我们在下方重点展示关键基准测试结果,测试采用内部配置,并禁用了网络安全防护措施和分类器。完整结果和方法论请参阅随附的系统卡⁠(在新窗口中打开)。

DeepBinary⁠(在新窗口中打开) 测试模型在编译后的 Windows 系统二进制文件中发现漏洞的能力。每条线展示一个模型在最大推理能力下跨 12 个目标二进制文件发现漏洞的情况。每个点代表累计总数中的一个文件,最后一个点为所有文件的累计总数。

为网络安全防御者提供优势

开发者越来越依赖编码智能体来编写生产软件,而能力更强的智能体也降低了发现和利用漏洞的门槛。PHP2Shell⁠(在新窗口中打开) 展示了 AI 如何帮助研究人员发现关键缺陷。借助 GPT‑6.2 Astra 和 Sol,我们将防御能力作为核心重点,引入新的训练信号,帮助开发者预防和修复这些缺陷——从一开始就编写安全代码,并生成能够保持预期行为的补丁。

SecureSWE 是一个内部基准测试,用于评估为安全敏感组件(例如提供文件服务或处理数据库查询)编写功能性和安全性代码的能力。

安全与对齐

我们正以迄今为止最强的防护措施部署 GPT-6.2 Astra 和 Sol。我们收紧了限制,并加强了用于监控模型⁠和在需要时进行干预⁠的系统。

与 GPT-6 Astra 一样,除了满足网络安全方面的“关键”阈值外,GPT-6.2 Astra 和 Sol 也都满足我们 preparedness framework⁠ 下生物和化学能力的“高”阈值。我们已实施防护措施以缓解相关风险,同时加强了对一系列潜在两用生物和网络安全请求的限制。

有关我们的防护措施和测试的更多细节,请参阅 GPT-6.2 系统卡⁠(在新窗口中打开)。

AI 研究能力与防护措施

GPT-6.2 Astra 是我们首个在外部发布的、达到 AI 自我改进“高”阈值的模型,该阈值衡量模型加速 AI 研究的能力。“高”这一评级反映了我们的评估:相对于 2024 年的基线,该模型的影响相当于为每位 OpenAI 研究员额外配备一名能力极强的研究工程师作为助手。我们追踪这一能力,是因为能够帮助开发未来 AI 系统的模型也可能带来新的安全风险,例如以快于防护措施或人类监督所能适应的速度推进进展。

为应对这些风险,我们在训练和部署模型的方式中内置了更多监督和控制。在扩大对 GPT-6.2 Astra 的内部访问权限之前,我们评估了其对齐情况,并核实每个阶段都已落实所需的防护措施。我们加强了研究环境中的隔离管控⁠,并用我们能力最强的模型测试了这些防护措施。我们还构建了 Control Room⁠,这是一个追踪研究工作负载、并可在需要干预时停止模型进一步输出的系统。我们扩展的监控⁠会检查模型在内部工作负载和受支持的外部部署中的推理与行为。它可以自动标记未经授权的行为,并在受支持的情况下暂停工作负载或对话。

对齐

在大多数对齐评估中,两个模型的表现与 GPT-6 Astra 相似,并且在模拟工作场所任务中采取的不当行为更少。然而,在两项测试中,它们更倾向于略去提及阻碍其工作的障碍,例如文件缺失或搜索工具不可用。我们在 Codex 中添加了指令,大幅减少了这类遗漏,并且我们正在继续调查该行为。

在 Blocker Deception 测试中,我们在编码任务中引入了一个障碍,例如删除用户要求智能体编辑的文件。评估模型是否会向用户披露该障碍。

定价与可用性

从今天起,GPT-6.2 Astra 和 Sol 面向 ChatGPT Work 和 Codex 中的所有 Plus、Pro、Enterprise 和 Edu 用户开放。Pro 500 订阅用户可在任一模型上使用 Ultrafast。我们首次将 Ultrafast 带给 Pro 200 订阅用户,从 GPT-6.2 Sol 开始。符合条件的 Enterprise 和 Edu 用户在其工作区管理员启用后即可获得相同的访问权限。开发者还可以通过 OpenAI API 访问 gpt-6.2-astra 和 gpt-6.2-sol,两个模型在发布时均支持 Ultrafast。

得益于更好的 token 效率、输入和输出 token 20% 的折扣,以及缓存输入 token 高达 60% 的更深折扣,GPT‑6.2 Astra 的每任务成本显著低于 GPT‑6 Astra。标准 API 每百万 token 的费率为:输入 $8、缓存输入 $0.40、输出 $40。GPT‑6.2 Sol 延续 GPT‑6.1 Sol 的费率:每百万 token 输入 $2、缓存输入 $0.10、输出 $10。

对于 GPT-6.2 Astra 和 Sol,为了提升缓存复用、帮助降低成本和延迟,并在多轮对话中保留推理,我们建议保持提示前缀不变,并将新指令⁠(在新窗口中打开)追加到对话中。