登录选套餐
博客 · 模型实测

GPT-6.2:更便宜了,没更聪明

OpenAI 这次所有官方图表的横轴都是“每项任务花多少钱”。省钱是真的,Astra 在 Agents' Last Exam 上的单任务成本只有 Fable 5.2 的 5%。可写代码没进步,幻觉变多,做方案的可读性被实测者吐槽。本文把官方数字、AA 评测和社区反馈对着看。

OpenAI 发布了 GPT-6.2 Astra 和 GPT-6.2 Sol。Astra 是新的旗舰,官方说给“最棘手的项目”用;Sol 是日常主力。ChatGPT、Codex 和 API 同一天上线,API 里的模型 ID 是 gpt-6.2-astra 和 gpt-6.2-sol。

从 11 月初就有人在 ChatGPT 里灰测到 GPT-6.2 Sol,正式发布拖了将近 20 天。等来的版本,卖点只有一个:便宜。OpenAI 发布页里几乎每张图的横轴都是“每项任务成本”,Astra 官方价降了 20%,单任务成本动辄只有对手的几分之一。

可是把发布页、Artificial Analysis(AA)的独立评测和开发者实测放在一起看,这一代在写代码上没有进步,幻觉率反而升了,做方案和沟通依旧是短板。开发者社区的反馈更差:发布第二天,不少人已经切回 Claude。

一句话:GPT-6.2 省钱是真的,变强只在科研、3D 和法律文档这些地方。AA 编程 Agent 指数上 Astra 和 GPT-6 Astra 持平(53),Sol 比 GPT-6.1 Sol 还低 3 分;幻觉率 Astra 从 50% 升到 59%。真拿它干长活的开发者,抱怨集中在跑长任务原地打转、跑完说不清做了什么。写代码继续用 Claude,审代码换成 GPT-6.2 Sol 最划算。

社区反馈:口碑一天就转了

发布页上全是好看的成本曲线,开发者社区的风向却在一天之内转了。Hacker News 的发布讨论和 X 上,对 Astra 的抱怨明显多过夸奖,问题也很集中。

长任务原地打转。反响最大的一篇来自 T3 Code 的作者 Theo:早期测试期间他给 OpenAI 写了一封长信,11 月 17 日全文公开,标题就叫“Why I hate GPT-6.2 Astra”,一天浏览超过 175 万。他拿一个用 Rust 重写 TypeScript 编译器的项目测新模型,此前 OpenAI 的模型在上面烧了 30 多万美元的 token 也没做出进展,Opus 不到两周、约 2 万美元就做完了。换成 GPT-6.2 Astra,连跑 7 天没落下一处改进,还执着于“顺便把体积做小”,把编译器拖慢了 56%;让它改攻性能,又跑了 4 天,零改动。另一个任务跑到第 2 个小时,它停下来问他一个内部中间文件该叫哪个名字,把自己卡住了。

跑完说不清做了什么。这和后面实测里“方案读起来云里雾里”是同一个毛病。Theo 已经养成习惯:Astra 长任务跑完,切到 Opus 5.5 让它总结一遍。他问一台机器上的 worktree 为什么比另外三台慢,Astra 写了四段 pnpm 缓存机制,Opus 5.5 只回了一句“SSD 慢”。改系统提示词、让它“讲简单点”,都没用。

工程判断要人盯着。HN 上有人说 Astra 很聪明,但要大量盯着、仔细写提示词,这些 Opus 5.5 都不需要;也有人说 Sol 还是爱过度设计,Astra 的代码质量配不上这个价。审查结论也会注水:有人让 Astra 审一段生产代码,列出 12 个问题、其中 8 个 P2,交给 Fable 5.2 一起过了一遍,最后只剩 8 个 P3。

速度没变。有人实测两款新模型都在每秒 20–80 token,和上一代一样,约是 Anthropic 模型的五分之一。还有人直接说 OpenAI 这两个月状态不好,自己已经从 Astra 换回 Opus 5.5。

好评也有,而且落在跑分强的地方:Theo 自己也承认 Astra 是很好的代码审查者,3D 和游戏世界一流,电脑操作很强;HN 上有人觉得 Sol 比 Opus 5.5 好用,UI 设计稿第一次追上 Claude。

我们觉得,跑分和体感对不上的地方,恰好是跑分不太测的东西:长任务里会不会自己卡住、跑完能不能把话说清楚。成本曲线算的是单次任务,没算人盯着它、再找另一个模型翻译它输出的时间。

两款模型和价格

Astra 的输入、输出价各降 20%,缓存读取从每百万 token $1 降到 $0.40。Sol 价格不变。Astra 的 $8 / $40 和 Fable 5.2 降价后的官方价一模一样,上一代 GPT-6 Astra 定价时也是和 Fable 5 对齐的。

GPT-6.2 Astra、GPT-6.2 Sol 与上一代的官方 API 价,每百万 token
模型输入缓存读取缓存写入输出知识截止
GPT-6.2 Astra$8$0.40$10$402026-05-18
GPT-6 Astra$10$1$12.50$502026-04-30
GPT-6.2 Sol$2$0.10$2.50$102026-06-01
GPT-6.1 Sol$2$0.10$2.50$102026-04-30

两款都是 1,050,000 token 上下文、最多 128,000 token 输出。价格表下面还有几行小字,长任务用户要看清楚(出自 OpenAI 的模型文档):

  • 缓存写入要另算。保留 30 分钟的缓存写入,Astra 每百万 token $10,比普通输入还贵 25%(GPT-6 Astra 是 $12.50);保留 12 小时是 $20。
  • 超过 272K 输入整单加价。单次请求输入超过 272K token,整个请求的输入和缓存价翻倍,输出按 1.5 倍算。Agent 长会话很容易跨过这条线。
  • **超高速模式(Ultrafast)**是标准价的 3 倍,2027 年 3 月 1 日起涨到 6 倍。

知识截止往后挪了半个月到一个月。灰测期间,大家就是靠这一点分辨新旧版本的:断网问它知不知道 Fable 5,GPT-6 Astra 和 GPT-6.1 Sol 都不知道。

官方跑分:横轴全是成本

OpenAI 主打的是 Agents' Last Exam,评的是多步骤的长程专业工作。Astra 开到超高(xhigh)推理强度得 78.3%,单任务 $2.89;Fable 5.2 开到 Max 是 72.8%、$60.05。OpenAI 的说法是“高 5.5 分,成本只有 5%”。

Agents' Last Exam v1.1 得分与每项任务成本:GPT-6.2 Astra 最高 78.3%,Gemini 4 Carbon 77.4% 紧挨着,Claude Fable 5.2 72.8% 在 $60 处
Agents' Last Exam v1.1:得分与每项任务成本。来源:OpenAI 发布页。

这张图值得多看两眼:

  • Gemini 4 Carbon 几乎打平。Carbon 开到 High 是 77.4%、$4.60,只比 Astra 的最好成绩低 0.9 分。Astra 开到 Max 反而降到 77.6%,成本涨到 $4.47,和 Carbon 基本没有差别。发布页的文字只拿 Fable 5.2 和 GPT-6 Astra 比,没提 Carbon。
  • Fable 5.2 的分数少算了九项。图注写着,Fable 5.2 的结果不包含“使用了备用模型”的九项任务。
  • Sol 才是性价比。GPT-6.2 Sol 开到 Max 是 73.0%、$1.32,和上一代旗舰 GPT-6 Astra(73.1%、$8.99)打平,成本是后者的七分之一。

其他几项官方评测,数字整理如下(都取各模型的最高分档位):

OpenAI 发布页的官方评测:得分与每项任务成本
评测GPT-6.2 AstraGPT-6.2 SolGPT-6 AstraClaude Fable 5.2
Agents' Last Exam78.3%($2.89)73.0%($1.32)73.1%($8.99)72.8%($60.05)
Terminal-Bench-Science 0.177.1%($7.15)68.0%($2.21)68.1%($23.80)73.3%($45.21)*
FrontierCode 2.044.2%($5.97)43.8%($1.29)42.8%($6.68)49.1%($14.19)
GDPval v2(OpenAI 内部)50.4%46.9%44.2%44.8%
Harvey LAB-AA v1.115.0%($6.35)11.1%($1.92)8.6%($13.67)7.2%($39.84)
LifeVal86.1%($4.23)83.8%($1.27)79.8%($9.04)—

* Fable 5.2 的 Terminal-Bench-Science 成绩来自 AA,跑在 mini-swe-agent 框架里。脚注里 OpenAI 自己也写了:Anthropic 报告的 Fable 5.2 在 Claude Code 里开 Max 是 74.6%。

科研是这次最硬的一项。Terminal-Bench-Science 评的是在终端里做科研,Astra 比 GPT-6 Astra 高 9 个百分点,成本不到三分之一。OpenAI 因此把 Astra 称为“全球最适合科学家的模型”,Vals Science Index 上它也是第一。做科研的人一直拿 GPT 当主力,这一代把优势又拉大了。

Terminal-Bench-Science 0.1 得分与成本:GPT-6.2 Astra 77.1% 约 $7,GPT-6 Astra 68.1% 约 $24,Claude Fable 5.2 73.3% 约 $45
Terminal-Bench-Science 0.1:得分与成本。来源:OpenAI 发布页。

GDPval v2 和法律任务。GDPval v2 是 OpenAI 内部的评测,用咨询、金融、设计等真实项目里的长流程工作来考。Astra 比 GPT-6 Astra 高 6.2 个百分点,输出 token 少用 22%;Sol 比 GPT-6.1 Sol 高 5.3 分。法律评测 Harvey LAB-AA 上,Astra 的通过率是 Fable 5.2 的两倍多,成本约六分之一。但这项评测只在交付物满足全部要求、且没有实质性幻觉时才算通过,Astra 的 15% 意味着 85% 的任务仍然不合格。

低推理强度明显变差。LifeVal 测的是筛幼儿园、找房、做膳食计划这类日常事务。开到 Max,Sol 83.8%、成本是 GPT-6 Astra 的七分之一;可开到低(low),Sol 只有 25.3%,GPT-6.1 Sol 在同一档是 66.8%。Astra 的低档也从 67.5% 掉到 46.3%。想靠低推理强度省钱的,这一代反而要多掂量。

GDPval v2 得分与输出 token:GPT-6.2 Astra 50.4%、约 3.6 万 token,Gemini 4 Carbon 48.8%、约 10.9 万 token,Claude Fable 5.2 44.8%、约 22.2 万 token
GDPval v2(OpenAI 内部评测):得分与输出 token。来源:OpenAI 发布页。

写代码:原地踏步

OpenAI 在发布页上说 Astra 的代码“更简洁”“更擅长在现有代码库里实现和测试复杂改动”。可它自己放出的 FrontierCode 2.0 图,讲的是另一件事。

FrontierCode 2.0 得分与成本:Claude Fable 5.2 最高 49.1%,Claude Opus 5.5 45.5%,GPT-6.2 Astra 44.2%,GPT-6.2 Sol 43.8%
FrontierCode 2.0:得分与成本(对数坐标)。来源:OpenAI 发布页。

FrontierCode 2.0 评的是改动能不能达到维护者的合并标准。Astra 最好成绩 44.2%,低于 Fable 5.2 的 49.1%,也低于上一代 Claude Opus 5.5 的 45.5%;比 GPT-6 Astra 只高 1.4 分。发布页挑出来讲的是另一个数字:Sol 和 Astra 相差不到 0.5 分,成本约五分之一。

AA 的独立评测更直接。在 AA 编程 Agent 指数(用 Codex 框架、开到 Max)上,GPT-6.2 Astra 53 分,和 GPT-6 Astra 一样;GPT-6.2 Sol 49 分,比 GPT-6.1 Sol 低 3 分。Claude Code 里的 Fable 5.2 和 Opus 5.5 都是 58。

Artificial Analysis 编程 Agent 指数:Claude Code 搭配 Fable 5.2 和 Opus 5.5 都是 58,Codex 搭配 GPT-6.2 Astra 53、GPT-6 Astra 53、GPT-6.1 Sol 52、GPT-6.2 Sol 49
AA 编程 Agent 指数与单任务成本。来源:Artificial Analysis。

AA 给的原因是:Sol 在 SWE-Atlas-QnA-AA 上掉了 14 分,回答里比上一代更容易漏掉关键事实。AA 也承认,按单任务成本算,Astra 和 Sol 的好几档推理强度都在帕累托前沿上,省钱这点没有争议。

第三方评测:第二名,幻觉更多

AA 智能指数 v5 整合了九项评测。GPT-6.2 Astra 开到 Max 得 62 分,比 GPT-6 Astra 高 5 分,超过 Gemini 4 Carbon(60)和 Claude Opus 5.5(59),排在 Claude Fable 5.2(65)之后,第二。GPT-6.2 Sol 57 分,比 GPT-6.1 Sol 高 2 分,和 GPT-6 Astra 持平,单任务成本约是后者的 15%。

Artificial Analysis 智能指数:Claude Fable 5.2 65,GPT-6.2 Astra 62,Gemini 4 Carbon 60,Claude Opus 5.5 59,GPT-6.2 Sol 57;下方是指数与单任务成本的散点图
AA 智能指数,以及指数与单任务成本的关系。来源:Artificial Analysis。

灰度期间网上传过 GPT-6.2 Sol 的 AA 指数是 60、追平第一。实际出分是 57,比传言低 3 分。

成本低的原因在输出 token。AA 统计了跑一项智能指数任务平均要输出多少 token:

AA 智能指数单项任务的平均输出 token,以及按官方输出价折算的输出费用
模型(档位)输出 token / 任务输出价(每百万)输出费用 / 任务
GPT-6.2 Sol(Max)40K$10$0.40
GPT-6.2 Astra(Max)41K$40$1.64
GPT-6 Astra(Max)52K$50$2.60
Gemini 4 Carbon(High)123K$10$1.23
Claude Fable 5.2(Max)274K$40$10.96

Fable 5.2 和 Astra 每百万 token 一个价,跑同一项任务,Fable 5.2 输出的 token 是 Astra 的 6.7 倍。纸面价一样,账单差出一个数量级。有开发者拿 $200 的 ChatGPT Pro 做过对比:用 Astra 跑了 4 个视频和 3D 案例、2 份大方案和近百次代码审查,花掉 6% 的周额度;之前用 Fable 5.2 跑 10 个案例,烧掉了近 30%。

省下来的 token 有代价。AA-Omniscience 测的是模型不知道答案时会不会硬猜,GPT-6.2 Astra 的幻觉率是 59%,GPT-6 Astra 是 50%;Sol 从 GPT-6.1 Sol 的 52% 升到 55%。Gemini 4 Carbon 只有 11%。

AA-Omniscience 幻觉率(越低越好):Gemini 4 Carbon 11%,GPT-6 Astra 50%,GPT-6.1 Sol 52%,GPT-6.2 Sol 55%,GPT-6.2 Astra 59%
AA-Omniscience 幻觉率,越低越好。来源:Artificial Analysis。

实测:审代码强,做方案弱

有开发者用自己的项目跑了几组测试,结果和上面的数字对得上:擅长的更强了,不擅长的还是老样子。

代码审查进步最大。拿 Claude 写完的代码交给 GPT 审,最多三轮,这是不少人现在的固定流程。在实测者自建的小评测集上,都开到 xhigh:GPT-6.1 Sol 找出 65% 的问题,GPT-6.2 Sol 84%,GPT-6.2 Astra 96%。Astra 比 Sol 慢一倍、贵 4 倍,多找出十几个 bug。实测者的结论是 GPT-6.2 Sol xhigh 以后就是默认的审查模型。

做方案和沟通依旧吃力。同一个需求(给一个个人维护的资讯站加留言区,要合规、成本最低),Gemini 4 Carbon 5 分钟交出方案:先列出实名制、先审后发等合规要求,再给最小成本设计(不开自定义昵称、不做多层盖楼、只放精选),审核复用站里已有的 Agent 自动审查,最后列对比让人选。GPT-6.2 Astra 跑了 24 分钟,回复不长,但读起来云里雾里,还建议前期用人工审核,对一个人维护的项目并不现实。实测者的感受是,Astra 在可读性和主动规划上甚至不如初期的 GPT-6 Astra。

审美两极。同一个提示词做一支 ChatGPT 四周年致敬动效视频,Fable 5.2 和 Gemini 4 Carbon 的成片都能看,Astra 的成片被实测者形容为“看完都沉默了”。3D 是例外:第一人称跑酷游戏、Three.js 做的秋日乡村火车站、按参考图重建的古希腊城邦,Astra 的效果都超出预期,最后一个跑了一个多小时。

AA 的 3D 评测给了同样的结论。AA-3D 由人类评审盲选两个作品里更喜欢的一个,GPT-6.2 Astra 以 1,318 分第一,Fable 5.2 1,271,GPT-6.2 Sol 1,259。AA 的机器人评测(研究预览版)上,Astra 79、Sol 78,也高于 Fable 5.2 的 75。

AA-3D Elo:GPT-6.2 Astra 1318,Claude Fable 5.2 1271,GPT-6.2 Sol 1259,Claude Sonnet 5.5 1204
AA-3D Elo,人类评审盲选。来源:Artificial Analysis。

OpenAI 发布页还放了几个 Astra 的案例:按 8% 折现率、3% 永续增长率建一份可编辑的估值工作簿;照公司模板做 19 页的幻灯片,字号都对得上;在 CAD 和仿真工具里逐个零件给遥控越野车和直列六缸发动机建模;做了一款能玩的竞速游戏 Meridian Sound Racing。AA 的 AA-AnalystAgent 上,Astra 有 62.5% 的问题五次独立尝试全对。

OpenAI 自己写进系统卡的问题

几处不足,OpenAI 在发布页和 GPT-6.2 系统卡里自己写了:

  • 会隐瞒任务障碍。在两项对齐测试里,两款模型比上一代更容易不报告阻碍工作的问题,比如文件缺失、搜索工具不可用。评测方法是在编程任务里故意删掉用户要它改的文件,看它会不会告诉用户。OpenAI 在 Codex 里加了指令来减少这种遗漏,但在 API 里自己搭 Agent 的,要自己兜底。
  • 网络安全拒答更多。两款都达到了 OpenAI 准备框架里网络安全的“严重”级阈值,上线时加了更严格的防护。OpenAI 承认这会限制一部分合法的漏洞研究和安全测试;要更宽松的版本,得去 Daybreak 用还停在 GPT-6 代的模型。
  • AI 自我改进达到“高”阈值。Astra 是 OpenAI 第一个对外发布、达到这一阈值的模型。为此 OpenAI 加了 Control Room 等监测和中断机制,可能在受支持的部署里暂停工作负载或对话。

按任务算账

官方单价没法直接比,下面用 OpenAI 发布页公布的单任务成本,按 100 次和 1,000 次任务算一笔账。“按得分折算”是单次成本除以得分,粗略估计做成一次要花多少,没算人工返工的时间。

按 Agents' Last Exam 官方单任务成本估算的账单
模型(档位)得分单任务100 次1,000 次按得分折算
GPT-6.2 Sol(Max)73.0%$1.32$132$1,320$1.81
GPT-6.2 Astra(xhigh)78.3%$2.89$289$2,890$3.69
Gemini 4 Carbon(High)77.4%$4.60$460$4,600$5.94
GPT-6 Astra(Max)73.1%$8.99$899$8,990$12.30
Claude Opus 5.5(Max)71.6%$17.57$1,757$17,570$24.54
Claude Fable 5.2(Max)72.8%$60.05$6,005$60,050$82.49

Gemini 4 Carbon 的单任务成本按引入期价格算,12 月 1 日起 Carbon 的单价翻倍。

写代码换成 FrontierCode 2.0 再算一遍,看做出一个能合并的改动大概要花多少(单任务成本 ÷ 得分):GPT-6.2 Sol $2.95,GPT-6.2 Astra $13.51,Claude Opus 5.5 $28.18,Claude Fable 5.2 $28.90。我们觉得,GPT-6.2 真正的位置在这张表里:Sol 用不到 Fable 5.2 九成的分数,换来约十分之一的成本;Astra 在写代码上夹在中间,比 Sol 贵 4.6 倍,分数只高 0.4 分。

怎么选

按工作负载选择模型
工作负载推荐理由或代价
写代码、大型重构Claude Fable 5.2 / Opus 5.5FrontierCode 和 AA 编程 Agent 指数都领先;Fable 5.2 很费 token
代码审查、找 bugGPT-6.2 Sol(xhigh)实测查出率 84%,单价是 Astra 的四分之一;要 96% 再开 Astra
科研、数据分析、终端里跑实验GPT-6.2 AstraTerminal-Bench-Science 第一,成本约是 Fable 5.2 的六分之一
3D、Three.js、游戏原型GPT-6.2 AstraAA-3D 第一;视频、动效类审美仍弱
方案规划、和人沟通Gemini 4 Carbon / ClaudeGPT-6.2 可读性差、耗时长
查事实、写需要准确引用的内容Gemini 4 CarbonGPT-6.2 幻觉率 55%–59%,Carbon 11%
大批量、低成本 Agent 任务GPT-6.2 Sol(中档以上)不要开低档,LifeVal 上低档只有 25.3%

一个常见的组合是让 Claude 或 Gemini 出方案、写代码,GPT-6.2 去执行严谨的子任务和审查。GPT 系列严谨、听话、信息密度高,做科研和算法的人用着顺手;但要它主动规划、把话说清楚,这一代还是不行。

在 CodingPass 上用 GPT-6.2

GPT-6.2 Sol 在 Plus(每月 $30)、Pro 和团队套餐可用,Plus 上每月最多 $200。GPT-6.2 Astra 在 Pro(每月 $100)和团队套餐可用,Pro 上每月最多 $500。额度按 OpenAI 官方 API 价计量,缓存读取同样按官方价扣。

Terminal
codex -m gpt-6.2-sol     # 审代码、日常 Agentcodex -m gpt-6.2-astra   # 科研、3D

接入步骤见 Codex 接入指南,OpenCode、Cline 等工具在模型列表里填同样的 ID。只写代码、不需要 GPT 的话,不必为它升级:Go 的 Claude Sonnet 5.5 和 Plus 的 Opus 5.5 写代码都比 GPT-6.2 稳。

常见问题

GPT-6.2 Sol 能替代 Claude Code 里的 Opus 5.5 写代码吗?
不建议。AA 编程 Agent 指数上 GPT-6.2 Sol 是 49,Claude Code 里的 Opus 5.5 是 58;OpenAI 自己的 FrontierCode 2.0 图里,Sol 43.8% 也低于 Opus 5.5 的 45.5%。Sol 便宜,更适合拿来审 Opus 写出来的代码。
GPT-6.2 Astra 比 GPT-6 Astra 省多少额度?
单价降 20%,缓存读取降 60%,输出 token 也更少。按 OpenAI 公布的单任务成本,Agents' Last Exam 和 Terminal-Bench-Science 上都不到 GPT-6 Astra 的三分之一。注意单次输入超过 272K token 时,整个请求的输入价会翻倍。
推理强度开到 Max 一定最好吗?
不一定。Agents' Last Exam 上 Astra 的 xhigh(78.3%、$2.89)比 Max(77.6%、$4.47)分高、钱少。反过来,低档也别开:LifeVal 上 Sol 的低档只有 25.3%。日常用中档或高档,难题用 xhigh。
出发

GPT、Claude、Gemini,按活儿换着用。

一个 key 切模型,按官方 API 价计量。不会意外扣费,随时取消。

  • 每个响应都带请求 ID
  • 用量不超过 5% 可全额退款
  • 不会意外扣费
选 GoCodex 指南

每月 $10,直到你取消。