OpenAI 发布 GPT-6.2 Astra 与 Sol,Astra 智能指数 62 落后 Fable 5.2
[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 发布 GPT-6.2 Astra 和 Sol 两款模型,已上线 ChatGPT Work、Codex 及 API(gpt-6.2-astra、gpt-6.2-sol)。
汇总了 GPT-6.2 Astra 与 Sol 的定价、基准表现和早期测试者的分歧反馈,可对照两家前沿模型的性价比取舍。
OpenAI 发布了 GPT-6.2 Astra 和 Sol,就在Anthropic 预期的首个交易日前两天。在 Artificial Analysis 的测试中,Sol 与 9 月的 Astra 打平,而每任务成本约为后者的 15%。新版 Astra 在 Intelligence Index 上得分 62,仅次于 Fable 5.2 的 65。总而言之,Anthropic 仍拥有世界上最好的模型,但就每美元智能而言,OpenAI 拥有世界上最高效的模型。

这次发布更不寻常之处在于网红反馈强烈负面……

这促使了防御性回应……
我们认为其中一些是反应过度,也是网红们惯常的倾向——要么一切都🤯🤯🤯,要么就是史上最差模型,但同时也认为部分批评是合理的,RL 痕迹很明显且简直怪异(更别提糟糕的发布视频了)。不过,我们仍用它来自动化我们的工作,而这最终才是最重要的。
发布很棒,但 Anthropic 的 IPO 不受影响,而这可能会成为本周/本年/本十年的头条(直到 OpenAI IPO……)
今日 AI 新闻由 SerpApi 赞助!
按 URL 检索公共网页,输出为 LLM 就绪的 Markdown 或结构化 JSON。用一个 API 映射站点并运行有界爬取。搭配 100+ SerpApi 搜索 API,实现从搜索到内容的工作流。
去看看以支持 LS,并联系 business@latent.space 提供反馈!
AI Twitter 回顾
GPT-6.2 Astra 和 Sol
可用性。今天的模型正逐步向 ChatGPT Work 和 Codex 推出,面向 Plus、Pro、Enterprise 和 Edu,并通过 API 以
gpt-6.2-astra和gpt-6.2-sol向开发者提供。OpenAIAPI 每百万 token 价格。Astra 为输入 $8、缓存输入 $0.40、输出 $40。Sol 保持前代定价:$2、$0.10 和 $10。两者均有 1M 上下文和 128K 输出上限。Vals · 超快定价与推出
Astra for Law。Enterprise 配置增加了法律搜索索引。Artificial Analysis 在 Harvey LAB-AA 上测得 20.8%,而基础版 Astra 为 15.0%。Artificial Analysis
准备度。OpenAI 将 Astra 的 AI 自我改进评为 High,这是其对外发布模型中的首次。在另一项指标上,Vals 的 RSI-Index 从 27.07% 升至 29.01%,其中 50% 代表其人类参考值。系统卡 · Vals
FrontierMath Erdős。Epoch 在 68 道题中验证了 7 个 Lean 解答。此前最佳为 3 个。Epoch
基准测试衡量什么
Agents’ Last Exam 1.1。OpenAI 报告称,Astra 在 xhigh 下比 GPT-6 Astra 在 max 下高出 5.2 分,而每任务成本不到三分之一。报告称在该测试上以约 5% 的成本领先 Fable 5.2 5.5 分。在 GDPval v2 上,称 Astra 的输出 token 比前代少 22%。OpenAI 的结果
长时工程运行。Mercor 的 OpenWorldEngineer 中,Astra 为 67.2%,Fable 5.2 为 54.6%,GPT-6 Astra 为 44.2%。在 Vals 的多轮 Vibe Code Bench 上,Astra 第一,Sol 第三。Mercor · Vals
3D 与机器人。Astra 以 1,318 领跑 AA-3D,领先 Fable 的 1,271 和 Sol 的 1,259。在 Artificial Analysis 的机器人预览中,Astra 得 79 分,Sol 得 78 分,领先 Fable 的 75 分。Artificial Analysis
研究智能体。在 Perplexity 的 WANDR 上,Astra 得分 0.783,每项任务成本约 12.54 美元。Sol 达到 0.746,成本约 2.65 美元。Perplexity
早期测试者意见不一
Matt Shumer 在测试数周后称这些模型“基本不可用”,并表示他的 Opus 和 Fable 智能体拒绝了 Astra 的大部分子智能体工作。评测 · 工作流细节
Pietro Schirano 将他早期的许多问题归因于 harness。Arena 的 Peter Gostev 在视觉编码上让 Astra 与 Fable 对比测试,并特别提到了 Astra 的 SVG 孔雀。Schirano · Gostev
演示。Gabriel Chua 使用 100 多个 Codex 线程构建了一个可行走的新加坡。Simon Willison 将同一个 three.js 机甲提示词分别输入多个模型,包括 Astra、Sol、Carbon 和 Fable。新加坡构建 · 同提示词对比
Microsoft Ignite 与 Gemini
微软推出自家编码模型。MAI Code 2 面向多步骤编码,Code 2 Flash 面向更快的编辑。两者均可在 GitHub Copilot 的模型选择器、Copilot Fusion 和 Foundry 中使用。微软还宣布了其 Decision 模型的多模态升级。微软
Copilot Fusion。微软报告其多模型 harness 在 Terminal-Bench 4.1 上达到 71.2%,在该对比中成本比 Claude Fable 5.2 低 88%。Jay Parikh
图像编辑。Artificial Analysis 在其编辑基准上将 MAI Image 2.7 排名第一,每 1,000 张图像成本 34.82 美元。Artificial Analysis
Gemini Tasks。Hydrogen 现已在六个国家为免费 Tasks 提供支持,包括需要拨打电话或发送短信的任务。谷歌还展示了一款新的 Antigravity 机器人插件,带有 MuJoCo 仿真。Sundar Pichai · Google DeepMind
智能体 harness 与推理
Hugging Face 的 Pi 适配器。一个在 pi 内部训练的小型适配器将 Qwen3.8-27B 在 51 个最难的 SWE-bench Pro 任务上的解决数从 15 提升到 32。在该子集上,它使每项任务的工具调用次数减少了 55%。模型卡与配对结果
Harness 成本差异显著。Baseten 在其对 22 个 harness 和五个开放模型的基准测试中测得,每个通过任务的成本差异最高达 4.4 倍。Baseten
Harness 可能会针对其模型专门化。谷歌的 SIM 保留了先前 harness 编辑的理由和结果。它在 Opus 上进化出的 harness 在 Gemini 上得分为 68.41,而起始 harness 为 73.89。研究摘要
更多多智能体产品。Cognition 推出了持久化的 Devin Bots。Perplexity 报告称,其混合模型团队在 Terminal-Bench 和 WANDR 上击败了四个主模型实例。Replit 报告称,在 NumPy 任务上,智能体从 16 个增加到 32 个时收益递减。Cognition · Perplexity · Replit
协调问题主导了一次 1,000 个智能体的运行。Hugging Face 表示,任意时刻只有 40–60 个智能体在调用模型。它们每写入一个 token 大约读取 130 个 token,合并和测试也加剧了瓶颈。Thomas Wolf
一小部分缓存未命中就可能主导账单。SemiAnalysis 报告称,在其样本中,1.8% 的未缓存请求约占支出的 15%。SemiAnalysis
Marin 和 K2 Horizon 公开了它们的训练过程。 Marin 发布了其 535B-A23B 训练运行中的 57 个中间 Mochi 检查点。K2 的报告比较了在相同 22T token 上训练的四种模型规模,并描述了一种解码适配器,团队称其达到 2.2 倍加速。Marin · K2 Horizon
Zyphra 的长上下文注意力。该团队报告称,在将多个模型转换为其次二次注意力后,在 10M token 下实现了 9–60 倍加速,其中 Qwen 在 1M 下的 RULER 上损失不到两分。Zyphra
投机解码。vLLM 报告称,针对 Kimi K3.1 Pro 的滑动窗口草稿模型可将接受长度提高最多 30%。NVIDIA 也为 Qwen3.8-27B 提供了一个 4B 草稿模型。vLLM · 草稿模型研究
行业与政策
NVIDIA 在 CEO 交接后的首份财报。在临时 CEO Colette Kress 的领导下,NVIDIA 公布季度营收 1158 亿美元,同比增长 103%,并表示 Vera Rubin NVL72 已出货。董事会表示不打算让 Jensen Huang 复职。NVIDIA · AP
Isomorphic Labs 融资 50 亿美元。Greenoaks 和 Sequoia 共同领投了 C 轮融资。该公司表示将扩展其药物设计平台并开发其治疗管线。Isomorphic Labs
Genesis AI 融资 5 亿美元。这轮 A 轮融资对这家机器人公司的投后估值为 35 亿美元。它计划利用这笔资金部署其 Eno 机器人,并扩大训练和数据收集。Zhou Xian
AI Reddit 摘要
本地模型与硬件
一个层会运行两次的 9B 模型。SenseNova-Loop-9B 将其 32 层中的 24 层再运行一次。该模型的作者报告称,GAIA 从预览版的 37.86 上升到发布版的 69.90。本地用户询问在长上下文下还剩多少内存可用于 KV 缓存。权重 · 讨论
Maxwell V1 Flash。这个 35B/3B 激活的 MoE 声称在 256K 下相比稠密 GQA 实现 6.7 倍注意力加速。其稀疏注意力仍保留完整历史 KV 缓存,这正是本地用户在投入硬件前希望测量的。模型卡 · 讨论
Olala mini 7A1B。OVHcloud 预览了一个小型 MoE,具有 1B 激活参数和 32K 上下文窗口。该讨论帖正在等待权重和可复现的基准测试。OVHcloud · 讨论
Intel 的 Crescent Island 数据。早期简报中引人注目的吞吐量比较使用了偏重 FP64 的工作负载。Intel 另一项 LLM 比较声称,相比 RTX PRO 6000 Blackwell Server Edition,吞吐量为 1.12 倍,延迟低 29%。硬件讨论
打印机上的 Gemma。一位构建者报告称通过 PostScript 打印任务运行了 Gemma 3 270M。演示
使用中的智能体
来源:Latent Space · latent.space