跳到正文
RadarAI· Latent Space(RSS)·· 2 小时前精选AI 评分83

OpenAI 发布 GPT-6.2 Astra 和 Sol:更便宜但口碑分化,Anthropic 仍握最强模型

AI 导读

OpenAI 发布 GPT-6.2 Astra 和 Sol,两者均为 1M 上下文、128K 输出,已向 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户推送,并通过 API 以 gpt-6.2-astra 和 gpt-6.2-sol 开放。

推荐理由

汇总了 GPT-6.2 双模型的第三方基准、API 定价与早期测试者的负面反馈,便于对照性价比与口碑分歧。

正文

Latent Space· swyx .ai·2026-11-18 18:19· 2 小时前精选AI 评分83

[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

AI 导读

Latent Space 汇总 OpenAI 发布的 GPT-6.2 Astra 和 Sol:Artificial Analysis 测得 Sol 以约 15% 的单任务成本追平 9 月的 Astra,新 Astra 以 62 分位居 Intelligence Index 第二,仅次于 Fable 5.2 的 65 分,两者均为 1M 上下文、128K 输出。

推荐理由

汇编了 GPT-6.2 双模型的第三方基准与价格数据,同时保留早期测试者的负面反馈,读者可以据此自行权衡性价比与口碑分歧。

OpenAI 今天发布了 GPT-6.2 Astra 和 Sol,比 Anthropic 预计的首个交易日 早了两天。在 Artificial Analysis 的测试中,Sol 与 9 月的 Astra 打平,但每任务成本只有约 15%。新版 Astra 在智能指数上得分 62,仅次于 Fable 5.2 的 65。说到底,Anthropic 仍握有全球最强模型,但论每美元智能,OpenAI 拥有全球最高效的模型。

这次发布更不寻常的地方,是网红们给出了强烈负面的反馈……

这促使官方做出了 防御性回应……

在 X 上查看帖子 ↗

我们认为其中有些是反应过度,也是网红们的惯常操作——要么什么都 🤯🤯🤯,要么就是史上最烂模型。但同时也认为部分批评是合理的,强化学习留下的痕迹很明显,而且 简直诡异(更别提 那支糟糕的发布视频 了)。不过,我们仍然用它来自动化日常工作,说到底这才是最重要的。

发布很出色,但 Anthropic 的 IPO 不受影响,而这大概会是本周、今年乃至这十年的头条(直到 OpenAI 也 IPO……)。

今日 AI 新闻由 SerpApi 赞助!

按 URL 抓取公开网页,输出可直接喂给 LLM 的 Markdown 或结构化 JSON。用一个 API 就能映射站点、执行有界爬取。搭配 100 多个 SerpApi 搜索 API,打通从搜索到内容的完整流程。

去看看他们,支持 LS,反馈请联系 business@latent.space!


AI 推特回顾

GPT-6.2 Astra 和 Sol

  • 可用性。今天的模型正陆续向 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise 和 Edu 用户推送,并通过 API 以 gpt-6.2-astra 和 gpt-6.2-sol 向开发者开放。OpenAI

  • API 每百万 token 价格。Astra 为输入 $8、缓存输入 $0.40、输出 $40。Sol 维持前代定价:$2、$0.10 和 $10。两者均为 1M 上下文、128K 输出上限。Vals · 超快定价与推送

  • 面向法律的 Astra。Enterprise 配置新增了法律检索索引。Artificial Analysis 在 Harvey LAB-AA 上测得 20.8%,基础版 Astra 为 15.0%。Artificial Analysis

  • 准备度。OpenAI 将 Astra 在 AI 自我改进方面评为 High,这是其对外发布模型中的首次。另一项指标上,Vals 的 RSI-Index 从 27.07% 升至 29.01%,50% 代表人类基准。系统卡 · Vals

  • FrontierMath Erdős。Epoch 在 68 道题中验证了 7 个 Lean 解答,此前最好成绩是 3 个。Epoch

基准测试测的是什么

  • Agents’ Last Exam 1.1。OpenAI 报告称,Astra 在 xhigh 档比 GPT-6 Astra 在 max 档高出 5.2 分,每任务成本不到三分之一。在该测试上,它比 Fable 5.2 领先 5.5 分,成本约为后者的 5%。在 GDPval v2 上,Astra 的输出 token 比前代少 22%。OpenAI 的结果

  • 长程工程任务。Mercor 的 OpenWorldEngineer 上,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 分领跑 AA-3D,Fable 为 1,271,Sol 为 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 得分 0.746,成本约 2.65 美元。Perplexity

早期测试者并不买账

  • Matt Shumer 经过数周测试后称这些模型“基本没法用”,并表示他的 Opus 和 Fable 智能体拒绝了 Astra 的不少子智能体产出。评测 · 工作流细节

  • Pietro Schirano 把自己早期的许多问题归因于运行框架(harness)。Arena 的 Peter Gostev 在视觉编程任务上让 Astra 与 Fable 对比,并特别提到了 Astra 画的 SVG 孔雀。Schirano · Gostev

  • 演示案例。Gabriel Chua 用 100 多个 Codex 线程搭建了一个可漫游的新加坡。Simon Willison 把同一个 three.js 机甲提示词分别交给多个模型运行,包括 Astra、Sol、Carbon 和 Fable。新加坡搭建 · 同提示词对比

微软 Ignite 与 Gemini

  • 微软推出自家编程模型。MAI Code 2 面向多步编程,Code 2 Flash 用于更快的编辑。两者都已上架 GitHub Copilot 的模型选择器、Copilot Fusion 和 Foundry。微软还宣布其 Decision 模型迎来多模态升级。微软

  • Copilot Fusion。微软称其多模型框架在 Terminal-Bench 4.1 上取得 71.2% 的成绩,在该对比中成本比 Claude Fable 5.2 低 88%。Jay Parikh

  • 图像编辑。Artificial Analysis 的编辑基准将 MAI Image 2.7 排在首位,每 1,000 张图像收费 34.82 美元。Artificial Analysis

  • Gemini Tasks。Hydrogen 现已在六个国家为免费版 Tasks 提供支持,包括需要打电话或发短信的任务。谷歌还展示了一款新的 Antigravity 机器人插件,带 MuJoCo 仿真。Sundar Pichai · Google DeepMind

智能体框架与推理

Hugging Face 的 Pi 适配器。一个在 pi 内部训练的小型适配器,把 Qwen3.8-27B 在 51 道最难的 SWE-bench Pro 任务上的解出数从 15 提升到 32。在这一子集上,每项任务的工具调用次数减少了 55%。模型卡与配对结果

  • 不同框架的成本差异悬殊。Baseten 对 22 个框架和五个开源模型做了基准测试,发现每项通过任务的成本最高相差 4.4 倍。Baseten

  • 框架可能会针对其模型专门化。谷歌的 SIM 会保留此前框架修改的理由和结果。它在 Opus 上进化出的框架在 Gemini 上得分 68.41,而初始框架为 73.89。研究摘要

  • 更多多智能体产品。Cognition 推出可持久运行的 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 个后收益递减。Cognition · Perplexity · Replit

  • 协调开销主导了一次 1,000 智能体运行。Hugging Face 表示,任一时刻只有 40–60 个智能体在调用模型。它们每写一个 token 大约要读 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% 的未缓存请求约占总支出的 15%。SemiAnalysis

  • Marin 和 K2 Horizon 公开了各自的训练过程。Marin 发布了 535B-A23B 训练中的 57 个 Mochi 中间检查点。K2 的报告对比了在相同 22T token 上训练的四种模型规模,并介绍了一种解码适配器,团队称其速度提升达 2.2 倍。Marin · K2 Horizon

  • Zyphra 的长上下文注意力。团队称,将多个模型转换为亚二次注意力后,在 10M token 下实现了 9–60 倍加速;Qwen 在 1M 上下文下 RULER 分数下降不到两分。Zyphra

  • 投机解码。vLLM 报告称,针对 Kimi K3.1 Pro 使用滑动窗口草稿模型,可将接受长度提升最高 30%。NVIDIA 也为 Qwen3.8-27B 准备了一个 4B 草稿模型。vLLM · 草稿模型研究

产业与政策

  • NVIDIA 在 CEO 交接后的首份财报。在临时 CEO Colette Kress 任内,NVIDIA 公布季度营收 1158 亿美元,同比增长 103%,并称 Vera Rubin NVL72 已开始出货。董事会表示无意让黄仁勋复职。NVIDIA · AP

  • Isomorphic Labs 融资 50 亿美元。Greenoaks 和 Sequoia 联合领投 C 轮。公司表示将扩大其药物设计平台规模,并推进治疗管线。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。公司计划用这笔资金部署 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

  • 一个部分层跑两遍的 9B 模型。SenseNova-Loop-9B 将其 32 层中的 24 层再运行一次。模型作者报告称,GAIA 从预览版的 37.86 提升到正式版的 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。这款 35B/3B 激活的 MoE 声称在 256K 上下文下,注意力速度比稠密 GQA 快 6.7 倍。其稀疏注意力仍保留完整历史的 KV 缓存,这正是本地用户希望在投入硬件前实测的地方。模型卡 · 讨论

  • Olala mini 7A1B。OVHcloud 预览了一款小型 MoE,激活参数 1B,上下文窗口 32K。讨论帖正在等待权重和可复现的基准测试。OVHcloud · 讨论

  • Intel Crescent Island 的数据。早期简报中那个引人注目的吞吐量对比使用的是偏重 FP64 的工作负载。Intel 另一项 LLM 对比则声称,相比 RTX PRO 6000 Blackwell Server Edition,吞吐量为 1.12 倍,延迟低 29%。硬件讨论

  • 在打印机上跑 Gemma。一位开发者报告称,通过 PostScript 打印任务运行了 Gemma 3 270M。演示

智能体实践

  • 为实时输入打造的游戏智能体。miHoYo 的 Gamer 以 5 Hz 采样屏幕,并以 30 Hz 输出键盘和鼠标操作。在作者的评估中,其强化学习版本解决了约一半的留出崩坏谜题任务。项目 · 讨论

  • 一个虚构联赛每晚播出节目。开发者称,Fock Ball 在物理引擎中模拟比赛,并用 Claude 处理解说和新闻编辑室等周边工作。开发者帖子

  • ICLR 审稿与 AI 检测工具。审稿人反映,程序主席标记了疑似由 AI 生成的审稿意见。讨论帖追问:检测工具如何区分“编辑辅助”和“整篇审稿由 AI 生成”?同行评审讨论

来源:Latent Space · latent.space

来源:RadarAI · aihot.news