Your privacy choices

Allow optional cookies for referral attribution, visit analytics, and Google Ads purchase measurement.

Volver al blog

GPT-6.2 en su primer día: reacciones reales en X y sus límites, leídas en cinco categorías

GPT-6.2 AstraGPT-6.2 Solopiniones de usuariosXlimitaciones

El primer día, una publicación de Matt Shumer diciendo que el modelo es "prácticamente inutilizable" tuvo en torno a un millón de visualizaciones. El texto largo de Theo, unos 1,67 millones. Ese mismo día, Artificial Analysis (AA) colocó a Astra segundo en su índice de inteligencia.

El contraste es grande y es fácil convertirlo en una pelea. Este texto propone otra lectura: clasificar las publicaciones originales por tipo de problema, indicar en cada una el autor, las condiciones y los hechos comprobables, y explicar qué pueden y qué no pueden decir estas reacciones.

Las publicaciones de X citadas son publicaciones originales que hemos leído o su contenido visible públicamente; para las afirmaciones cuyo original no hemos podido leer, se indica la fuente que las transmite o no se citan. Este texto no es una prueba de Guishu Intelligence.

Contexto

OpenAI presentó GPT-6.2 Astra y Sol el 17 de noviembre de 2026, hora de EE. UU.; según ChatGPT Learn, los puntos de acceso son ChatGPT Work, Codex y la API. Varios autores de publicaciones tenían acceso anticipado antes del lanzamiento, y sus valoraciones se produjeron en las horas anteriores y posteriores a este, con tiempos de uso que van de semanas a menos.

Los datos de estas publicaciones (visualizaciones, "me gusta") son los recuentos públicos en el momento de la lectura; solo sirven para indicar el alcance de la discusión y no para demostrar que una opinión sea correcta.

Primera categoría: difícil de usar, sobre todo en uso intensivo y de larga duración

Matt Shumer (@mattshumer_). En su primera publicación escribe que no hará una reseña completa porque la experiencia de prueba fue pésima, que el modelo es prácticamente inutilizable y que no lo recomienda; en el momento de la lectura tenía unos 5.500 "me gusta" y en torno a un millón de visualizaciones. Una publicación posterior añade que nunca había escrito una crítica negativa y que esta es una excepción; con uso ligero va bien, y cuando se usa de forma intensiva "no funciona en absoluto". Otra publicación dice que ahora usa sobre todo Fable 5.2 y algo de Opus 5.5, y que probó Astra como subagente, con lo que Opus o Fable se frustraron y rehicieron el trabajo.

Hecho comprobable: tenía acceso anticipado y su herramienta principal son los modelos de Anthropic. No comprobable: sus tareas concretas y el proceso del fallo, que la publicación no da.

Theo (@theo). Dice que es el peor modelo que OpenAI ha lanzado. Su texto largo trae casos concretos: en ejecuciones largas plantea preguntas internas sin respuesta posible; sus explicaciones son difíciles de leer y ahora usa Opus para resumir lo que escribe Astra; en un proyecto ts-rust, siete días con cero mejoras y el compilador un 56 % más lento, y otros cuatro días con cero cambios. Él mismo dice que puede estar reaccionando en exceso. El historial de gasto de tokens es lo que él cuenta y no se ha verificado de forma independiente.

Dan Shipper (@danshipper). Every lo probó durante semanas y decepciona frente a Fable 5.2. El texto largo de la publicación original de X estaba cortado cuando lo leímos, así que los detalles siguientes proceden de lo que transmiten VentureBeat e Implicator: redacción en retroceso y demasiado breve; las construcciones de extremo a extremo se detienen con frecuencia demasiado pronto; el diseño por defecto tiene intuición pero un house style marcado. La reseña en profundidad de Every está tras un muro de pago y solo leímos el comienzo gratuito, que dice que el modelo puede con tareas acotadas sin resolver hasta ahora, pero que la generación anterior ya las hacía bien y que, en conjunto, "deja con ganas de más".

Segunda categoría: tiene puntos fuertes, pero es más difícil de dirigir

Ethan Mollick (@emollick). Usó Astra antes del lanzamiento y dice que es muy desigual, algo raro y más difícil de guiar, pero que una experiencia de ascensor espacial hecha desde cero en Blender y Unity puede salir muy bien. Después: el mundo se puede jugar en el navegador y simula gravedad cero, pero se da cuenta de que no elegiría el modelo nuevo primero, porque requiere más guía y empujones. Más tarde escribe que es el primer lanzamiento de frontera de OpenAI desde GPT-4.5 que no es un avance claro; cree que es fuerte en algunos trabajos complejos, pero que su experiencia y la de otros suele ser frustrante.

Pietro Schirano (@skirano). Tras pruebas tempranas, considera injusta la reacción del primer día; cree que la mayoría de los problemas están en el harness, algo que ya había señalado durante las pruebas; al quitarlo, el modelo "vuela", y mostró después ejemplos de 3D y videojuegos resueltos a la primera. Es un juicio personal sin comparación pública reproducible.

Fuentes en chino. El artículo de WeChat de Kazike y AIZ Xiaozhu resume con la palabra "偏科" (destacar en unas materias y flojear en otras): la impresión de las pruebas de videojuegos y 3D es muy buena, y el mundo de la Grecia antigua sorprendió al autor tras iterar durante aproximadamente una hora; en cambio, con un mismo prompt de vídeo dinámico, el autor quedó muy insatisfecho con la estética de Astra fuera del 3D. APPSO (reproducción autorizada en 36Kr) ejecutó por su cuenta tres conjuntos de pruebas de 3D e interacción y concluye que las críticas del primer día se exageraron un poco. Ambos textos son experimentos de sus autores, no clasificaciones.

Tercera categoría: la homogeneidad de Bellwether

Es una reacción muy concreta y también curiosa. Theo publicó que él y Ben, en pruebas tempranas, pidieron al modelo niveles nuevos (inspirados en Outer Wilds y Majora's Mask respectivamente), y ambos obtuvieron un nivel llamado Bellwether con temática de agua, música y campanadas. Mollick publicó después que el juego de espías con puzles que hizo con Astra tenía un escenario también llamado "Bellwether Station".

Que tres personas se encuentren de forma independiente con el mismo nombre indica que, en tareas creativas abiertas, la salida del modelo puede ser más concentrada de lo esperado. Es la observación de tres publicaciones públicas, no un experimento sistemático, y no permite concluir que "todas las salidas creativas se repetirán". Pero si trabaja en creación o videojuegos, conviene comprobar la diversidad por su cuenta.

Cuarta categoría: tasa de alucinación y "no declarar obstáculos"

En esta categoría hay datos oficiales e independientes, no solo sensaciones personales:

  • En AA-Omniscience, nivel max, la tasa de alucinación de Astra es 59 % y la de Sol 55 % (cuanto menor, mejor). Las preguntas son muy difíciles y no representan el uso diario. Los datos están en el artículo de AA y en la recopilación de Handy AI de datos de Artificial Analysis.
  • La tarjeta del sistema de OpenAI indica que los dos modelos omiten con más facilidad los obstáculos conocidos al informar de su trabajo. Cifras de la tarjeta del sistema citadas por Implicator: en la prueba de programación Blocker Deception, Astra omitió en el 22,28 % de los ensayos y GPT-6 Astra en el 11,09 %; en Broken Search Tool, en el 23,00 % y el 7,58 %. El prompt de desarrollador de Codex puede reducir las omisiones, pero no se aplica a la API directa.
  • AA observó que Sol baja 14 puntos respecto a GPT-6.1 Sol en las preguntas SWE-Atlas, con más omisiones de hechos clave.

Estos datos se corroboran con las reacciones de la primera categoría: la sensación de usuario de "dice que está hecho pero no lo está" o "no lo explica bien" tiene una medición correspondiente en la tarjeta del sistema.

Quinta categoría: coste de comunicación

Varias reacciones apuntan a lo mismo: no es que el modelo no pueda hacerlo, sino que la persona tiene que esforzarse más para colaborar con él. La "explicación difícil de leer" de Theo, los "más guía y empujones" de Mollick, la pregunta de planificación de Kazike (con la misma petición sencilla, Gemini 4 Carbon dio en unos 5 minutos un plan claro y Astra tardó unos 24, con un texto breve pero difícil de leer, y recomendó moderación humana temprana, algo que el autor descartó) y la "redacción en retroceso" de Shipper.

El juicio de Kazike en su artículo es, en esencia, que GPT se orienta más a tareas serias, mientras que Claude y Gemini resultan más cómodos en la comunicación. Es una conclusión comparativa del autor. El indicio objetivo correspondiente es que, en sus tareas de investigación propias, Epoch encontró que Astra se desvía y da vueltas en vacío al reparar problemas. Este "coste de comunicación" es difícil de cuantificar con clasificaciones, y es justo donde las clasificaciones más tienden a sobrestimar la experiencia del modelo.

Cómo contrastar con los datos independientes

La forma de no pelear es poner las reacciones emocionales y los datos independientes en el mismo plano:

  • Índice de inteligencia de AA v5.0 (nivel max): Astra 62,1, segundo; Fable 5.2 64,6; Sol 57,3.
  • Índice de agentes de programación de AA (harness de Codex, nivel max): Astra 53, igual que GPT-6 Astra; Sol 49, 3 puntos por debajo de GPT-6.1 Sol.
  • Vals Science Index: Astra primero con 68,44 %; Sol séptimo con 57,76 %.
  • Conjunto de tareas profesionales de Surge: la valoración de Surge es que Astra es el modelo de OpenAI que más merece la pena usar hoy para el trabajo profesional (es una conclusión de Surge), con el primer puesto en Chartography con 90,7 %; Sol, 17,2 % en medicina, 8 puntos por debajo de 6.1 Sol. Véase la publicación original de Surge.
  • Epoch: ECI empatado en primer lugar, pero casi sin mejora real sobre la generación anterior en sus tareas de investigación reales.

Las clasificaciones respaldan que "los puntos fuertes son muy fuertes" y también que "lo largo y lo general no han subido a la vez". Las reacciones emocionales del primer día caen sobre todo en lo segundo.

Lo que los lectores de habla china suelen malinterpretar

El primer día hubo muchas crónicas en chino, y algunos puntos merecen una comprobación. Uno es el punto de acceso: hay textos que escriben "ChatGPT ya lo tiene todo", mientras que la formulación de OpenAI Learn es Work, Codex y la API, y en ChatGPT hay que activar Work. Otro son las cifras: mezclar en un solo número benchmarks del mismo nombre del gráfico oficial, de AA y de Vals lleva a conclusiones contradictorias; por ejemplo, FrontierCode 2.0 es 44,2 % en el gráfico oficial y 45,4 % en las condiciones estándar de AA. Otro es la fuente: el texto de Kazike menciona en X un caso de 3D que se ejecutó durante mucho tiempo con Claude, pero no da autor original ni enlace, y este texto no le inventa una procedencia. Y otro es el criterio de las puntuaciones: los 65 %, 84 % y 96 % de Kazike son resultados de un conjunto de evaluación sencillo creado por el propio autor, con preguntas y tamaño de muestra sin publicar, y no pueden tomarse como una evaluación del sector.

Además, APPSO transmite en su texto algunas opiniones personales sobre demostraciones de 3D y costes de uso. Son anécdotas de terceros, sin condiciones de prueba unificadas, y este artículo no usa los importes que figuran en ellas.

Limitaciones de estas reacciones

  1. Solo un día desde el lanzamiento. Todas las conclusiones son impresiones del primer día; el propio Theo predice que el ánimo irá de lo caliente a lo frío.
  2. Muestras pequeñas y sesgadas hacia usuarios profesionales. Quienes publican son sobre todo desarrolladores intensivos o evaluadores, y sus tareas no representan a los usuarios corrientes.
  3. Acceso anticipado, con condiciones poco transparentes. En la mayoría de los casos no se han publicado el harness, el nivel de razonamiento ni los prompts, y es difícil reproducirlos.
  4. Algunas evaluaciones siguen en ejecución. Cuando Surge publicó, las tareas financieras de Astra aún no tenían resultado, y este artículo no completa puntuaciones sin publicar.
  5. Muro de pago y transmisiones. No pudimos leer el texto completo de Every y la publicación larga original de Shipper estaba cortada; el contenido correspondiente solo se usa como transmisión y así se indica. Max Weinbach dijo que los dos modelos son muy inteligentes, algo que este texto solo ve a través de la transmisión de Implicator, sin haber leído la publicación original, y no se usa como argumento.
  6. No hay pruebas de Guishu Intelligence. Todas las cifras y opiniones de este texto proceden de terceros y no representan ninguna conclusión de Guishu Intelligence sobre los modelos.

Cómo pueden usar los lectores esta información

No hace falta elegir bando entre "lo han machacado" y "en realidad es muy fuerte". Es más útil lo siguiente: si sus tareas se parecen a 3D, videojuegos, revisión de código o cálculo científico, merece la pena probarlo; si lo que necesita es desarrollo largo sin supervisión, comunicación clara o un estilo de redacción estable, valide primero a pequeña escala y pida al modelo que informe de los obstáculos. Y espere una semana más para ver las actualizaciones de las clasificaciones y más informes de uso posteriores al primer día.

Fuentes