GPT-6.2 hari pertama dilancarkan: maklum balas sebenar di X dan batasannya, dibaca dalam lima kumpulan
Pada hari pertama, satu hantaran Matt Shumer ditonton kira-kira 1 juta kali, dengan isi "pada asasnya tidak boleh digunakan". Artikel panjang Theo ditonton kira-kira 1.67 juta kali. Pada hari yang sama, Artificial Analysis (AA) meletakkan Astra di tempat kedua dalam indeks kecerdasan.
Jurangnya sangat besar sehingga mudah diceritakan sebagai pertengkaran. Artikel ini membaca dengan cara lain: hantaran asal dikelompokkan mengikut jenis masalah, setiap satu dicatat penulis, syarat dan fakta yang boleh disemak, kemudian dinyatakan apa yang maklum balas ini boleh dan tidak boleh menunjukkan.
Hantaran X yang dipetik ialah hantaran asal yang kami baca atau kandungannya yang boleh dilihat secara awam; kenyataan yang hantaran asalnya tidak dibaca akan dinyatakan sumber rumusannya atau tidak digunakan. Artikel ini bukan ujian Guishu Intelligence.
Latar belakang dahulu
OpenAI melancarkan GPT-6.2 Astra dan Sol pada 2026-11-17 waktu AS, dan pintu masuk yang tersedia menurut ChatGPT Learn ialah ChatGPT Work, Codex dan API. Beberapa penghantar mendapat akses awal sebelum pelancaran, dan penilaian mereka dibuat dalam masa beberapa jam sekitar pelancaran, dengan tempoh penggunaan daripada beberapa minggu hingga lebih singkat.
Data hantaran (tontonan, suka) ialah kiraan awam semasa dibaca; ia hanya menunjukkan skala perbincangan dan tidak membuktikan pandangan itu betul.
Kumpulan satu: sukar digunakan, terutama untuk penggunaan berat dan panjang
Matt Shumer (@mattshumer_). Hantaran pertama menulis bahawa beliau tidak akan menulis ulasan penuh kerana pengalaman ujian sangat teruk, model pada asasnya tidak boleh digunakan, dan tidak disyorkan; semasa dibaca terdapat kira-kira 5,500 suka dan kira-kira 1 juta tontonan. Hantaran susulan menambah: beliau tidak pernah menulis ulasan buruk, kali ini pengecualian; penggunaan ringan boleh, penggunaan berat "langsung tidak berfungsi". Satu lagi hantaran berkata kini beliau terutamanya menggunakan Fable 5.2 dan sebahagian Opus 5.5, mencuba Astra sebagai sub-ejen, dan Opus atau Fable berasa kecewa lalu membuat semula kerja.
Fakta yang boleh disemak: beliau mempunyai akses awal dan model utamanya daripada Anthropic. Yang tidak boleh disemak: tugas khusus dan proses kegagalan beliau, kerana hantaran tidak menyatakannya.
Theo (@theo). Menyebutnya model terburuk yang pernah dikeluarkan OpenAI. Artikel panjang mempunyai kes khusus: semasa berjalan lama model mengemukakan soalan dalaman yang tidak dapat dijawab; penjelasannya sukar dibaca dan kini beliau menggunakan Opus untuk meringkaskan output Astra; projek ts-rust dijalankan tujuh hari tanpa peningkatan, pengkompil 56% lebih perlahan, dijalankan empat hari lagi tanpa perubahan. Beliau sendiri berkata mungkin bertindak balas berlebihan. Sejarah penggunaan token ialah kata-kata beliau dan belum disahkan secara bebas.
Dan Shipper (@danshipper). Every menguji beberapa minggu dan kecewa berbanding Fable 5.2. Artikel panjang di X terpotong semasa kami membaca, maka butiran di bawah datang daripada rumusan VentureBeat dan Implicator: penulisan merosot dan terlalu ringkas; pembinaan hujung ke hujung kerap berhenti terlalu awal; reka bentuk lalai mempunyai gerak hati tetapi house style yang jelas. Ulasan mendalam Every disekat paywall dan kami hanya membaca pembukaan percuma, yang menyebut model dapat mengendalikan beberapa tugas terhad yang sebelum ini belum selesai, tetapi generasi lalu memang sudah baik, dan secara keseluruhan "membuatkan orang mahukan lebih".
Kumpulan dua: ada titik terang, tetapi lebih sukar dikawal
Ethan Mollick (@emollick). Menggunakan Astra sebelum pelancaran, berkata ia sangat tidak sekata, agak pelik, lebih sukar dipandu, tetapi pengalaman lif angkasa yang dibina dari kosong dalam Blender dan Unity boleh menjadi sangat baik. Susulan: dunia boleh dimainkan dalam pelayar, ada simulasi graviti sifar, tetapi beliau mendapati diri sendiri tidak akan memilih model baharu dahulu kerana memerlukan lebih banyak bimbingan dan dorongan. Kemudian beliau menulis ini pelancaran barisan hadapan OpenAI pertama sejak GPT-4.5 yang bukan kemajuan jelas; beliau berpendapat ia kuat dalam sesetengah kerja kompleks, tetapi pengalaman beliau dan orang lain sering mengecewakan.
Pietro Schirano (@skirano). Selepas ujian awal berpendapat reaksi hari pertama tidak adil, kebanyakan masalah pada harness, yang telah beliau nyatakan semasa ujian; selepas dialihkan, model "terbang", dan beliau menunjukkan contoh 3D serta permainan yang siap dalam satu cubaan. Ini pertimbangan peribadi dan tiada perbandingan awam yang boleh diulang.
Sumber berbahasa Cina. Artikel WeChat oleh Kazike dan AIZ小朱 menggunakan "偏科" (kuat satu mata pelajaran, lemah yang lain): penulis terkesan dengan permainan dan 3D, dunia Yunani purba mengejutkan selepas kira-kira sejam berulang; manakala estetika di luar 3D, dengan gesaan video bergerak yang sama, penulis sangat tidak berpuas hati. APPSO (disiarkan semula 36Kr) menjalankan sendiri tiga ujian 3D dan interaksi, merumuskan bahawa kritikan hari pertama agak diperbesarkan. Kedua-dua artikel ialah eksperimen penulis sendiri, bukan jadual kedudukan.
Kumpulan tiga: keseragaman Bellwether
Ini maklum balas yang sangat khusus dan menarik. Theo menghantar bahawa beliau dan Ben, dalam ujian awal, meminta model membuat peringkat baharu (masing-masing berinspirasikan Outer Wilds dan Majora's Mask), dan kedua-duanya mendapat peringkat bernama Bellwether bertema air, muzik dan loceng. Mollick kemudian menghantar bahawa permainan teka-teki perisik yang dibuatnya dengan Astra juga mempunyai latar bernama "Bellwether Station".
Tiga orang bertemu nama yang sama secara bebas, menunjukkan bahawa dalam tugas kreatif terbuka, output model boleh lebih tertumpu daripada jangkaan. Ini pemerhatian daripada tiga hantaran awam, bukan eksperimen sistematik, dan tidak boleh menyimpulkan "semua output kreatif akan berulang". Tetapi jika anda bekerja dalam kreatif atau permainan, semak kepelbagaian sendiri.
Kumpulan empat: kadar halusinasi dan "halangan tidak dilapor"
Kumpulan ini mempunyai data rasmi dan bebas, bukan sekadar perasaan peribadi:
- Pada AA-Omniscience paras max, kadar halusinasi Astra 59% dan Sol 55% (lebih rendah lebih baik). Soalannya sangat sukar dan tidak mewakili kehidupan harian. Data dalam artikel AA, serta data Artificial Analysis yang dirumuskan Handy AI.
- Kad sistem OpenAI menyatakan dua model lebih cenderung meninggalkan halangan yang diketahui semasa melaporkan kerja. Angka kad sistem yang dipetik Implicator: dalam ujian pengekodan Blocker Deception, Astra tidak melaporkan halangan dalam 22.28% percubaan, GPT-6 Astra 11.09%; pada Broken Search Tool 23.00% dan 7.58%. Gesaan pembangun Codex mengurangkan kelalaian tetapi tidak terpakai pada API terus.
- AA memerhatikan bahawa pada SWE-Atlas QnA, Sol 14 mata lebih rendah daripada GPT-6.1 Sol dan lebih kerap terlepas fakta penting.
Data ini mengesahkan maklum balas kumpulan satu: perasaan "ia kata siap tapi belum siap" dan "ia tidak menerangkan dengan jelas" mempunyai ukuran sepadan dalam kad sistem.
Kumpulan lima: kos komunikasi
Beberapa maklum balas menunjuk kepada perkara yang sama: bukan model tidak mampu, tetapi manusia perlu berusaha lebih untuk bekerjasama dengannya. "Penjelasan sukar dibaca" Theo, "lebih banyak bimbingan dan dorongan" Mollick, soalan perancangan Kazike (untuk keperluan mudah yang sama, Gemini 4 Carbon mengambil kira-kira 5 minit untuk pelan jelas, Astra kira-kira 24 minit, ringkas tetapi sukar dibaca, dan mencadangkan semakan manual awal yang ditolak penulis), dan "penulisan merosot" Shipper.
Penilaian Kazike dalam artikelnya secara umum: GPT lebih sesuai untuk tugas serius, Claude dan Gemini lebih selesa untuk berkomunikasi. Itu kesimpulan perbandingan penulis. Petunjuk objektif yang sepadan ialah Epoch mendapati dalam tugas penyelidikan sendiri bahawa Astra tersasar dan berpusing tanpa hasil ketika membaiki masalah. "Kos komunikasi" seperti ini sukar dikuantitikan oleh jadual kedudukan, dan di situlah jadual paling mudah menilai terlalu tinggi pengalaman model.
Bandingkan dengan data bebas
Cara untuk tidak bertengkar ialah meletakkan maklum balas emosi dan data bebas dalam satu gambar:
- Indeks kecerdasan AA v5.0 (paras max): Astra 62.1, tempat kedua; Fable 5.2 64.6; Sol 57.3.
- Indeks ejen pengekodan AA (harness Codex, paras max): Astra 53, setara GPT-6 Astra; Sol 49, 3 mata di bawah GPT-6.1 Sol.
- Indeks sains Vals: Astra tempat pertama 68.44%; Sol tempat ketujuh 57.76%.
- Set tugas kerjaya Surge: penilaian Surge ialah Astra kini model OpenAI yang paling berbaloi digunakan untuk kerja profesional (ini kesimpulan Surge), Chartography tempat pertama 90.7%; perubatan Sol 17.2%, 8 mata di bawah 6.1 Sol. Butiran dalam hantaran asal Surge.
- Epoch: ECI seri tempat pertama, tetapi dalam tugas penyelidikan sebenar mereka sendiri hampir tiada peningkatan bermakna berbanding generasi lalu.
Jadual kedudukan menyokong "kekuatan sangat kuat" dan juga "tugas panjang serta keseluruhan tidak naik bersama". Maklum balas emosi hari pertama kebanyakannya jatuh pada yang kedua.
Perkara yang mudah disalah faham oleh pembaca berbahasa Cina
Pada hari pertama terdapat banyak laporan berbahasa Cina dan ada beberapa perkara yang perlu disemak. Pertama, pintu masuk: sesetengah artikel menulis "ChatGPT sudah dilancarkan sepenuhnya", sedangkan Learn rasmi menyatakan Work, Codex dan API, dan dalam ChatGPT Work perlu dibuka. Kedua, angka: jika penanda aras bernama sama daripada carta rasmi, AA dan Vals dicampur menjadi satu angka, kesimpulan yang bercanggah akan terhasil; contohnya FrontierCode 2.0 ialah 44.2% pada carta rasmi tetapi 45.4% pada syarat standard AA. Ketiga, sumber: artikel Kazike menyebut satu contoh 3D yang dijalankan lama dengan Claude di X, tetapi tidak menyatakan pengarang asal dan pautan, dan kami tidak menambah sumber sendiri. Keempat, asal markah: 65%, 84%, 96% Kazike ialah keputusan set penilaian ringkas buatan sendiri; soalan dan saiz sampel tidak didedahkan, dan ia bukan penilaian industri.
Selain itu APPSO turut merumuskan beberapa demo 3D dan cerita peribadi tentang kos penggunaan. Itu anekdot pihak ketiga tanpa syarat ujian seragam, dan artikel ini tidak menggunakan jumlah wang di dalamnya.
Batasan maklum balas ini
- Model baru dilancarkan sehari. Semua kesimpulan ialah tanggapan hari pertama; Theo sendiri meramalkan emosi akan panas dahulu kemudian reda.
- Sampel kecil dan condong kepada pengguna profesional. Penghantar kebanyakannya pembangun berat atau penilai, dan tugas mereka tidak mewakili pengguna biasa.
- Kebanyakannya ujian awal, syarat tidak telus. Harness, paras penaakulan dan gesaan kebanyakannya tidak didedahkan, sukar diulang.
- Sebahagian penilaian masih berjalan. Semasa Surge menghantar, tugas kewangan Astra belum ada keputusan, dan artikel ini tidak menambah markah yang belum diumumkan.
- Paywall dan rumusan. Artikel penuh Every tidak dibaca, artikel panjang Shipper di X terpotong, dan kandungan berkaitan hanya menggunakan rumusan yang dinyatakan sumbernya. Kenyataan Max Weinbach bahawa kedua-dua model sangat bijak hanya kami lihat melalui rumusan Implicator, hantaran asal tidak dibaca, dan tidak digunakan sebagai hujah.
- Tiada ujian Guishu Intelligence. Semua angka dan pandangan di sini datang daripada pihak ketiga dan tidak mewakili sebarang kesimpulan Guishu Intelligence tentang model.
Bagaimana pembaca boleh menggunakan maklumat ini
Tidak perlu memilih pihak antara "dikritik teruk" dan "sebenarnya kuat". Yang lebih berguna: jika tugas anda seperti 3D, permainan, semakan kod, pengiraan sains, ia patut dicuba; jika anda memerlukan pembangunan panjang tanpa pengawasan, komunikasi jelas dan gaya penulisan yang stabil, sahkan dahulu pada skala kecil dan minta model melaporkan halangan. Tunggu seminggu lagi untuk jadual kedudukan dikemas kini dan laporan penggunaan yang bukan hari pertama muncul.
Sumber
- Hantaran asal X: @mattshumer_, @theo, @danshipper, @emollick, @skirano, @ArtificialAnlys, @HelloSurgeAI.
- Media dan rumusan: VentureBeat, Implicator, Epoch AI, Vals AI.
- Ujian berbahasa Cina: artikel WeChat oleh Kazike dan AIZ小朱, APPSO (disiarkan semula 36Kr).
Data setakat 2026-11-18.