智讯智库

GPT-6.2 Astra拿下跑分新高,早期测试者为何嫌它难驾驭

OpenAI披露GPT-6.2 Astra在多步骤专业任务上提分降本。早期测试者在交互式3D项目和代码库长任务中记录到截然不同的体验。

AI
相关企业:OpenAI来源:智讯智库编辑部2026年11月19日 21:46
分享
收藏
字体大小
莫利克公开的GPT-6.2 Astra太空电梯项目
图片注释:莫利克公开的GPT-6.2 Astra太空电梯项目

GPT-6.2 Astra在OpenAI公布的多步骤专业任务评测中,比上一代高5.2分,评测成本降至不到三分之一。一些提前试用模型的人发现,交付质量很看任务。沃顿商学院教授伊桑·莫利克用它搭出一座可在浏览器体验的太空电梯,也在日常使用中花了更多时间给模型补充指令。[1][2]

两位早期用户,把模型放在了不同的工作里

莫利克把一个开放式任务交给模型:从零用Blender和Unity制作一个太空电梯体验。他公开了能在浏览器运行的成果,其中还模拟了失重。谈到日常协作时,他说这款模型较难引导,需要更多提示与纠偏,他后来并没有经常主动选用它。[2]

软件开发者西奥·布朗也公布了他向OpenAI提交的试用反馈。他把预览模型放进自己的真实开发流程,涉及代码库改动和耗时较长的代理任务。其中一次任务是优化他用Rust重写的TypeScript编译器。他称,模型运行了7天,最终提交的改动未带来可合入的改进,其中一个体积优化方案令编译器慢了56%。这个数字来自布朗在自己项目上的试用记录。代码库已有接口和性能要求,一个看起来完成的修改还要过测试、跑性能、接受代码审查,开发者才能决定是否合并。[3]

这两个案例的验收条件差异很大。太空电梯体验允许模型自行决定大量实现细节,用户可以直接打开成果检查。已有代码库每次修改都要保住既有行为,失败的尝试还会额外占用维护者时间。[2][3]

跑分、调用费和人工返工,算的是三笔账

OpenAI所列成本在指定任务、模型配置和评测条件下计算。真实团队还要计入等候、打断补充要求、代码审查、重跑测试以及撤销改动的时间。基准成绩可以帮助团队挑选值得试的模型。到了具体项目,能否交付可验收结果、需要几次人工介入、首次完成用了多久,才决定一次调用节省了多少工时。[1][2][3]

公开的个人体验来自有限任务,其中有发布前试用。对正式版的判断,可以把同一个任务交给两款模型:先选一次可直接验收的新建任务,再选一次需要保持兼容性的老项目改动。各自保留最终成果、运行时长和人工返工记录,便能看出两个模型在哪类工作上更省力。

参考资料

[1] OpenAI,GPT-6.2 Astra与Sol发布说明及评测口径。

[2] 伊桑·莫利克,发布前试用观察及太空电梯项目演示(X)。

[3] 西奥·布朗,公开发布的GPT-6.2 Astra试用反馈(X)。

最新发布