这次对比异常清晰,因为 OpenAI 在提高大多数分数的同时降低了价格。Astra 6.2 的输入和输出成本比 Astra 6 低20%($8/$40 对比 $10/$50),缓存输入成本低60%($0.40 对比 $1.00)。如果其他所有数字都持平,升级仍然划算。但并非所有数字都持平,对于决定是否迁移的团队来说,退步与提升同样重要。

改进之处

Agents’ Last Exam: 在 v1.1 上为 78.3%,提升5.2 个百分点。每任务成本从$8.99 降至 $2.89——不到之前成本的三分之一,却获得了实质性更好的结果。

Terminal-Bench-Science 0.1:提升9 分,使 Astra 在智能体科学研究工作流方面跃居对比集首位。

GDPval v2: 44.2% → 50.4%,提升6.2 分,同时输出 token 减少22%。以更少的生成文本完成更多专业工作。

Artificial Analysis Intelligence Index: 57 → 62,跃升5 分,使 Astra 超越 Gemini 4 Carbon(60)和 Claude Opus 5.5(59),升至第 2 位,仅次于 Claude Fable 5.2(65)。

3D 与机器人: Astra 6.2 在 AA-3D 上领先,得分为1318 以及 AA-Robotics 在 79 ——这些基准在 GPT-6 Astra 发布时尚不存在可比形式。

会计 AI 公司 Basis 报告称,长周期会计任务的执行时间下降了 50%,最复杂的任务缩短幅度最高达 73%。

哪些方面没有改善,或变得更差

编码智能体指数: 在 Codex 测试框架下以最大努力运行时,GPT-6.2 Astra 与 GPT-6 Astra 相比 持平。5 点智能指数提升并未转化为编码智能体方面的收益。

静默失败披露: OpenAI 自己的测试发现,两个 GPT-6.2 模型有时未能告知用户缺失的文件或不可用的工具,而这些阻碍了他们的工作。已添加针对 Codex 的提示缓解措施,但直接 API 请求不会自动获得该措施。如果你的流水线依赖模型报告自身的阻碍因素,这是一个迁移风险,而不是脚注。

长程连贯性: Theo Browne 的七天编译器实验——零改进,56% 减速——是早期访问记录,不是可复现的基准。但这与 Dan Shipper 的观察一致:Astra 在端到端构建中会过早停止。基准提升和可用性抱怨都是真实的;它们描述的是同一模型的不同侧面。

迁移考量

对于以 科学研究、长周期专业任务、3D/交互式工作或计算机使用智能体 为主的工作负载,升级几乎是自动的:在重要基准上得分更高,且价目表低 20%。Agents’ Last Exam 的每任务成本从 $8.99 降至 $2.89,改变了大规模运行该类任务的经济性。

对于 编码智能体密集型 工作负载,理由较弱。Astra 6.2 在编码智能体指数上持平,而静默失败模式增加了验证负担。如果你的流水线在输出边界已有事实完整性或阻碍报告检查,风险是可控的;如果没有,迁移应包括添加一项。

对于仍在使用 GPT-6 Astra 运行高容量任务且 Sol 级质量已足够的团队,更具影响的举措可能不是 Astra→Astra 6.2,而是 Astra→Sol 6.2,价格为 $2/$10。Sol 在每评估任务成本约为 15% 的情况下,达到了原始 GPT-6 Astra 的智能指数性能。问题不仅是“新 Astra 还是旧 Astra”,而是“这项任务实际需要哪个层级”。

结论

值得升级 如果 工作负载与 Astra 6.2 实测的增益相匹配,并且团队准备在 API 侧增加阻断报告验证。值得暂停如果 工作负载主要是编码智能体,且没有现有机制来捕捉静默遗漏。在这种情况下,请在迁移前在自己的任务分布上测试 Astra 6.2——并同时基准测试 Sol 6.2,因为更便宜的模型可能足以缩小差距,从而彻底改变升级问题的答案。