GPT-6.2 Astra im Test: Vorsprung bei Wissenschaft und professionellen Ergebnissen, doch der Coding-Agent-Index von AA bleibt auf dem Niveau der Vorgängergeneration
Am selben Tag liegt dasselbe Modell in mehreren Ranglisten auf unterschiedlichen Plätzen: erster im Vals Science Index, zweiter im Intelligenzindex von Artificial Analysis (im Folgenden AA) und siebter im Gesamtindex von Vals. Der Vals Science Index und der Vals-Gesamtindex sind zwei Ranglisten desselben Anbieters. Dass die Plätze auseinanderliegen, kann an unterschiedlichen Testbedingungen, Aufgabenzusammensetzungen und Bewertungsregeln liegen. Eine einzelne Rangliste oder die drei Plätze lassen sich nicht zu einem Gesamturteil über die Leistungsfähigkeit zusammenziehen.
OpenAI hat GPT-6.2 Astra und GPT-6.2 Sol am 17. November 2026 vorgestellt. Laut OpenAI ist Astra das Spitzenmodell für die „schwierigsten Projekte“, Sol übernimmt die tägliche Arbeit und Agenten im großen Maßstab. Dieser Artikel behandelt nur Astra: in welchen Bereichen es unabhängige Belege gibt und wo es nicht mitgezogen hat.
Der Text fasst öffentlich verfügbare Informationen zusammen und ist kein Test von Guishu Intelligence. Jede Zahl nennt Quelle und Bedingungen, Daten verschiedener Anbieter werden nicht in einer Tabelle vermischt.
Zuerst die Ergebnisse
- Wissenschaft: Vals Science Index, Epoch ECI und die wissenschaftlichen Terminal-Aufgaben von AA liefern positive Signale.
- Professionelle Ergebnisse: Nach Surges Aufgabensatz ist Astra derzeit das OpenAI-Modell, das sich am meisten lohnt, holt aber das führende Anthropic-Modell nicht ein. Das ist Surges Einschätzung.
- 3D: führt bei der menschlichen Bewertung von AA-3D, und auch 3D- und Spiele-Demos mehrerer Früh-Tester sind stark.
- Coding-Agenten: Nur der Coding-Agent-Index von AA liegt gleichauf mit GPT-6 Astra; FrontierCode und andere Coding-Ergebnisse steigen leicht.
- Gesamtrangliste: Platz sieben im Vals-Gesamtindex.
- Recht: Die Ergebnisse des Basismodells in den Rechts-Ranglisten von Vals fallen nicht auf.
Wie OpenAI Astra einordnet
Laut OpenAI-Modelldokumentation lautet die API-ID von Astra gpt-6.2-astra. Es nimmt Text und Bilder entgegen und gibt Text aus; Audio und Video werden nicht unterstützt. Das Kontextfenster umfasst 1.050.000 Token, die maximale Eingabe 922.000 und die maximale Ausgabe 128.000. Das Wissensstichtag ist der 18. Mai 2026. Die API akzeptiert reasoning effort = none nicht.
Die Verfügbarkeit richtet sich nach ChatGPT Learn: Das Modell steht in ChatGPT Work, Codex und der OpenAI-API bereit. In ChatGPT muss zuerst Work geöffnet werden; die Dokumentation sagt nicht, dass es im normalen Chatfenster erscheint. Bei Enterprise und Edu muss ein Administrator es freischalten.
Wissenschaft: drei unabhängige Quellen zeigen in dieselbe Richtung
Vals Science Index. Dieser Index ist der Durchschnitt aus drei Tests: BioMysteryBench, MysteryMechanism und Terminal-Bench-Science. Laut Vals-Seite (aktualisiert am 16. November) liegt Astra mit 68,44 % auf Platz eins; GPT-6 Astra kommt auf 65,09 %, Claude Fable 5.2 auf 63,74 %.
Epoch AI. Die Modellseite von Epoch zeigt für Astra einen ECI von 174, gleichauf mit Fable 5.2 an der Spitze (unter 241 Modellen); GPT-6 Astra hat 169. Auf der Erdős-Teilmenge von FrontierMath löste Astra 7/68, der bisherige Rekord lag bei 3/68 für GPT-6.1 Sol. Laut The Decoder, der die Systemkarte zitiert, hatte eine dieser Aufgaben keine bekannte Lösung.
Wissenschaftliche Terminal-Aufgaben bei AA. Mit dem Standard-Harness von AA erreicht Astra laut Daten von Artificial Analysis, zusammengestellt von Handy AI, bei Terminal-Bench Science 78,1 %, Fable 5.2 73,3 % und GPT-6 Astra 63,3 %. In den OpenAI-eigenen Grafiken ergibt derselbe Test 77,1 % gegenüber 68,1 %, aus OpenAI-Startmaterial (von VentureBeat zusammengestellt). Harness und Stichprobe unterscheiden sich, die beiden Reihen gehören nicht in dieselbe Tabelle.
Allgemeine Intelligenz. Intelligenzindex von AA v5.0, Reasoning-Stufe max: Astra 62,1, Platz zwei, nur hinter den 64,6 von Fable 5.2, vor den 60,0 von Gemini 4 Carbon (Stufe high) und den 59,1 von Claude Opus 5.5 und 5,2 Punkte über den 56,9 von GPT-6 Astra.
Ein Zweifel, den man behalten sollte: Epochs eigene Forschungsaufgaben
In seiner Vorab-Bewertung ließ Epoch auch eigene reale Forschungsaufgaben laufen. Laut The Decoder, der diese Bewertung zusammenfasst, verbessert sich Astra gegenüber GPT-6 Astra kaum und liegt unter Fable 5.2: Bei einfachen Forschungsfragen schweift es ab, läuft leer, wenn es ein Problem nicht beheben kann, und war bei einer Recherche zu Rechenzentren zu vorsichtig und übersprang wichtige Schätzungen. Beim Schreiben schnitt es im Vergleich zu anderen getesteten Modellen relativ stark ab, blieb aber unter Epochs eigenem Maßstab.
„Stark in der Wissenschaft“ muss daher eingegrenzt werden: Es gilt für überprüfbare wissenschaftliche Tests mit eindeutiger Antwort. Bei offener Forschungsarbeit ist die Beleglage nicht einheitlich.
Professionelle Ergebnisse: Surges Aufgabensatz
Am 18. November veröffentlichte Surge eine unabhängige Bewertung mit 11 Aufgaben aus dem „normalen Arbeitstag“, entworfen von Ärzten, Buchhaltern, Juristen und erfahrenen Ingenieuren (Originalpost von @HelloSurgeAI). Das Ergebnis hat zwei Seiten:
- Astra liegt bei Chartography mit 90,7 % auf Platz eins (Sol 87,7 %, GPT-6 Astra 71,0 %).
- Bei sudo L7 erreicht Astra 38,3 %, das beste bisherige OpenAI-Ergebnis, liegt aber unter Fable (52,2 %), Sonnet (50,6 %) und Opus (46,1 %).
- Surges Gesamteinschätzung (nicht das Fazit dieses Artikels) lautet: Das ist derzeit das für professionelle Arbeit am besten geeignete OpenAI-Modell, aber die Spitzenplätze der einzelnen Ranglisten gehören weiterhin überwiegend Anthropic und Google.
Als Surge veröffentlichte, liefen Astras Finanzaufgaben noch, deshalb zitieren wir keine unveröffentlichten Werte.
3D: wo die Belege am dichtesten sind
AA-3D ist ein Elo-Wert aus menschlichen Bewertungen: Astra 1318, Fable 5.2 1271, Sol 1259. AA hat außerdem eine Robotik-Bewertung, AA-Robotics v0.1, mit Astra 79, Sol 78 und Fable 75, doch das ist eine Forschungsvorschau mit eher einfachen Aufgaben, und der Abstand sollte nicht überinterpretiert werden.
Persönliche Tests gehen in dieselbe Richtung, aber man muss sehen, wer sie unter welchen Bedingungen gemacht hat:
- Kazike und AIZ Xiaozhu ließen Astra in ihrem WeChat-Artikel ein Ego-Perspektive-Parkour-Spiel, einen herbstlichen Bahnhof in Three.js und eine Welt des antiken Griechenlands erzeugen. Ihr Eindruck: 3D-Aufgaben gelingen recht gut; das Beispiel des antiken Griechenlands beeindruckte den Autor, nachdem er Screenshots eingespeist und etwa eine Stunde lang iteriert hatte. Das ist ein Experiment des Autors, keine Rangliste.
- APPSO ließ in einem mit Genehmigung von 36Kr veröffentlichten Test ein Unterwasser-Erkundungsspiel, eine Fahrradfahrt-Animation auf dem Land und eine einfache WebGL-Szene laufen und kam zu dem Schluss, die Kritik am ersten Tag sei etwas übertrieben gewesen.
- Ethan Mollick (@emollick) testete vor dem Start eine Weltraumaufzug-Szene, im Browser spielbar, sagte aber zugleich, das Modell sei schwerer zu steuern und er würde es nicht als Erstes wählen.
Woher die Rede von der „ungleichmäßigen Leistung“ kommt
Kazikes Artikel verwendet im Titel das Wort „偏科“ (in manchen Fächern glänzen, in anderen schwächeln), mit der Aussage, OpenAI werde zunehmend einseitig. Seine Argumente stammen nicht alle aus Ranglisten:
- Planungsaufgabe: Der Autor gab einen einfachen Prompt, „für AIHOT eine Kommentarfunktion mit Moderation ergänzen“. Gemini 4 Carbon lieferte in rund 5 Minuten einen klaren, umsetzbaren Plan; Astra brauchte rund 24 Minuten, mit einem kurzen, aber schwer lesbaren Text, und empfahl frühe menschliche Moderation, was der Autor verwarf.
- Ästhetik außerhalb von 3D: Beim gleichen Prompt für ein dynamisches Video war der Autor mit Astras Ergebnis sehr unzufrieden.
- Code-Review: Auf einem vom Autor selbst erstellten einfachen Bewertungssatz fand GPT-6.1 Sol 65 % der Probleme, GPT-6.2 Sol 84 % und GPT-6.2 Astra 96 %, alle auf Stufe xhigh. Das ist ein vom Autor selbst erstellter einfacher Bewertungssatz; Aufgaben und Stichprobengröße sind nicht veröffentlicht, und es ist kein Branchen-Benchmark.
Das sind Erfahrungen eines einzelnen Autors unter bestimmten Bedingungen. Sie decken sich in der Richtung mit den Ranglisten und taugen als Stütze, nicht als quantitatives Ergebnis.
Coding-Agent-Index von AA: auf dem Niveau der Vorgängergeneration
Der Coding-Agent-Index von AA nutzt den Codex-Harness und die Stufe max: Astra erreicht 53, gleichauf mit GPT-6 Astra. Auf derselben Seite hat Astra bei FrontierCode-AA 2.0 den Wert 42, bei Terminal-Bench 4.1 den Wert 64 und bei SWE-Atlas-QnA-AA den Wert 55, bei durchschnittlich rund 25,1 Minuten pro Aufgabe.
FrontierCode 2.0 liefert je nach Bedingungen drei Zahlen: 44,2 % in der offiziellen OpenAI-Grafik (GPT-6 Astra 42,8 %), 45,4 % unter AAs Standardbedingungen (Fable 5.2: 48,8 %) und 42 mit dem Codex-Harness auf der Coding-Agent-Seite von AA. Der Name ist derselbe, die Bedingungen nicht, und deshalb auch nicht die Zahlen.
Im Gesamtindex von Vals (OfficeChai gibt Vals-Daten wieder; dieser Artikel hat die Vals-Gesamtrangliste nicht direkt geprüft) kommt Astra auf 67,66 % und Platz sieben, nur 1,6 Punkte vor den 66,06 % von Sol (Platz neun). Laut derselben Quelle hat Astra unter den ersten zehn die geringste durchschnittliche Ausgabe an Token (rund 91.000), braucht aber 52 Minuten und 16 Sekunden pro Test, etwa 19 Minuten mehr als GPT-6 Astra.
Recht: nicht dem Basismodell zuschreiben, was die Spezialversion leistet
Nach der von The Decoder zusammengefassten Rechts-Rangliste von Vals erreichen die beiden Basismodelle bei HLAB etwa das Doppelte der Vorgängergeneration, liegen aber nur auf Platz 11 und 21; bei Legal Research auf Platz 30 und 52. OpenAI gibt bei Harvey LAB-AA 15,0 % für Astra und 8,6 % für GPT-6 Astra an und sagt, die Bestehensquote liege mehr als doppelt so hoch wie bei Fable 5.2; das ist die Angabe aus OpenAIs Startmaterial und verwendet nicht dasselbe Bewertungssystem wie die Vals-Rangliste. Dazu kommt Astra for Law mit einer Konfiguration für juristische Recherche, das bei Legal Research Platz sechs belegt; das ist eine Spezialversion und zählt nicht als Ergebnis des Basismodells.
Halluzinationen und Überwachbarkeit
Bei AA-Omniscience, Stufe max, liegt Astras Halluzinationsrate bei 59 % und die von Sol bei 55 % (niedriger ist besser). Der Fragensatz ist sehr schwer und steht nicht für die Halluzinationsrate im Alltagsdialog.
Die Systemkarte legt außerdem zwei Punkte offen: Astra ist das erste veröffentlichte Modell, das die Schwelle „High“ bei der Selbstverbesserung erreicht, und beide Modelle lassen beim Berichten über ihre Arbeit eher bekannte Hindernisse weg. Letzteres wird im Beitrag zu Coding und Agenten gesondert behandelt.
Was OpenAIs eigene Grafiken sagen
Alle folgenden Zahlen stammen aus OpenAI-Startmaterial, zusammengestellt von VentureBeat. Zu beachten ist, dass offizielle Grafiken oft den „besten Punkt“ wählen und verschiedene Benchmarks unterschiedlichen Reasoning-Stufen entsprechen können. Astra gegenüber GPT-6 Astra:
- Agents’ Last Exam: 78,3 % gegenüber 73,1 %. OpenAI sagt, es liege etwa 5,5 Punkte vor Fable 5.2.
- Terminal-Bench-Science: 77,1 % gegenüber 68,1 %.
- BenchCAD 2.1 Core: 82,5 % gegenüber 62,6 %, der größte Sprung.
- AutomationBench (offizielle Grafik): 52,4 % gegenüber 41,4 %.
- LifeVal: 86,1 % gegenüber 79,8 %.
- GDPval v2 (intern bei OpenAI): Der offizielle Text nennt +6,2 Punkte und 22 % weniger Ausgabe-Token.
Nebeneinandergelegt zeigt sich ein Muster: Die von OpenAI ausgewählten Benchmarks stammen überwiegend aus Wissenschaft, CAD und Büroautomatisierung, automatisch bewertbare Aufgaben, die genau Astras Stärken sind. Der Coding-Agent-Index von AA zeigt keinen Zuwachs derselben Größenordnung. Das ist der am besten begründete Teil des Urteils über die „ungleichmäßige Leistung“ im nächsten Abschnitt, betrifft aber nur diesen Index und lässt sich nicht auf die gesamte Coding-Fähigkeit übertragen.
Warum „ungleichmäßig“ nicht „schlechter“ heißt
Am ersten Tag tauchten Sätze wie „das schlechteste aller Zeiten“ und „unbrauchbar“ auf (der Beitrag zu den Reaktionen listet die Originalposts einzeln auf). Legt man sie neben die Ranglisten, ergibt sich eine zurückhaltendere Erklärung:
- Benchmarks messen Aufgaben mit Standardantwort; die tägliche Interaktion misst Kommunikation, Urteilsvermögen und Geduld. Das ist nicht dasselbe.
- Laut Systemkarte und Epoch-Daten, die The Decoder wiedergibt, kann Astra mit einem einzigen Token und ohne Gedankenkette 12,3 serielle Denkschritte abschließen, gegenüber 10,5 bei GPT-6 Astra und 8,3 bei GPT-6.1 Sol. Die Systemkarte weist darauf hin, dass dies die Überwachbarkeit beeinflusst.
- Je länger das Modell autonom läuft, desto eher tritt das Problem zutage, dass es bei Hindernissen nicht wahrheitsgemäß berichtet. Das stammt aus der Systemkarte und wird im Coding-Beitrag weiter ausgeführt.
Dasselbe Modell kann also im Wissenschaftsranking von Vals Erster sein und zugleich von einem Intensivnutzer als schwer nutzbar beurteilt werden. Beides kann zugleich stimmen.
Drei Regeln beim Lesen dieser Zahlen
Erstens: Derselbe Benchmark-Name ergibt bei einem anderen Anbieter eine andere Zahl. Terminal-Bench-Science ist in der OpenAI-Grafik 77,1 % und mit dem Standard-Harness von AA 78,1 %; der Unterschied beträgt einen Punkt, ist aber nicht derselbe Test. Bei AutomationBench ist es ähnlich: In der offiziellen Grafik liegt Astra bei 52,4 %, und AutomationBench-AA verwendet einen anderen Maßstab, den dieser Artikel zur Vermeidung von Verwechslungen nicht zitiert.
Zweitens: Platz und Punktzahl getrennt betrachten. Platz eins im Vals Science Index liegt daran, dass seine drei Teilaufgaben wissenschaftliche Forschung betreffen; Platz sieben im Vals-Gesamtindex liegt daran, dass diese Rangliste mehr Kategorien wie Coding, Recht und Finanzen enthält. Ranglisten, die verschiedene Aufgaben abdecken, ergeben verschiedene Plätze.
Drittens: Der „beste Punkt“ ist nicht das Standarderlebnis. Offizielle Grafiken zeigen die Obergrenze und nutzen oft hohe Reasoning-Stufen; die Standardeinstellung in der API oder die automatische Auswahl in Work kann weniger Token verbrauchen oder schwächer ausfallen. Wer reproduzieren will, muss dieselbe Stufe festlegen.
Wann es passt und wann nicht
Fälle, in denen man Astra zuerst ausprobieren sollte: wissenschaftliche Berechnungen mit überprüfbaren Antworten, Prototypen, die 3D oder interaktive Szenen brauchen, sowie komplexe professionelle Dokumente und Diagramme.
Fälle, die Vorsicht verlangen: lange Coding-Aufgaben ohne Aufsicht, Planungstexte mit hohen Anforderungen an die Lesbarkeit und juristische Recherche (Basismodell und Spezialversion unterscheiden). Das ist ein Urteil auf Grundlage der zitierten öffentlichen Belege. Was für Ihr Team wirklich passt, muss mit eigenen Aufgaben geprüft werden.
So prüfen Sie mit eigenen Aufgaben
Wenn Sie Astra bewerten wollen, stellen Sie zuerst zwanzig bis fünfzig Aufgaben zusammen, die in Ihrem Geschäft tatsächlich vorkamen, und teilen Sie sie in drei Arten: mit Standardantwort (Berechnung, Datenverarbeitung), mit einem zu liefernden Ergebnis (Dokumente, Diagramme, 3D oder Frontend-Seiten) und mit langer Ausführung (Repository-Probleme beheben, mehrstufige Migrationen). Halten Sie pro Art fest, ob die Aufgabe erledigt wurde, die Dauer, die Ausgabe-Token und wie oft von Hand korrigiert werden musste. Astra gibt pro Versuch wenig aus und denkt lange, deshalb führt ein Blick nur auf „wie schnell es antwortet“ zu stark verzerrten Schlüssen.
Legen Sie außerdem die Reasoning-Stufe fest, lassen Sie das Modell im Bericht die aufgetretenen Hindernisse auflisten und prüfen Sie diese von Hand. Die Systemkarte weist darauf hin, dass das Modell bekannte Hindernisse leichter auslässt; diesen Schritt sollte man nicht überspringen.
Quellen
- OpenAI: Ankündigung, Astra-Modelldokumentation, ChatGPT Learn, Systemkarte.
- Unabhängige Bewertungen: Artificial Analysis, Epoch AI, Vals AI, Surge.
- Mediale Zusammenstellungen: The Decoder, VentureBeat, Handy AI.
- Chinesische Tests: der WeChat-Artikel von Kazike und AIZ Xiaozhu sowie APPSO (Nachdruck bei 36Kr).
Stand der Daten: 18. November 2026, nur einen Tag nach dem Start; die Ranglisten werden sich weiter ändern. Alles Obige sind öffentliche Daten Dritter und persönliche Tests, keine Testergebnisse von Guishu Intelligence.