Your privacy choices

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

Kembali ke blog

GPT-6.2 Astra atau Sol: cara memilih apabila angka jadual tidak sepadan, lihat syarat dahulu

GPT-6.2 AstraGPT-6.2 SolOpenAIpemilihan modelpenanda aras

FrontierCode 2.0: penanda aras yang sama, hari yang sama, Astra yang sama. Carta rasmi OpenAI 44.2%, syarat standard Artificial Analysis (AA) 45.4%, dan halaman ejen pengekodan AA dengan Codex 42. Markah ini berbeza mungkin kerana syarat ujian, harness, paras penaakulan atau pensampelan yang tidak sama, jadi tidak wajar digabungkan untuk dibandingkan secara terus.

Mengenai pilihan Astra atau Sol, kebanyakan artikel hanya memberi satu ayat: "tugas sukar guna Astra, tugas harian guna Sol". Ayat ini betul tetapi tidak mencukupi, kerana di sebalik setiap angka yang anda baca ada satu set syarat. Artikel ini menerangkan dahulu apa yang sama dan berbeza antara dua model, kemudian mengapa angka tidak sepadan, dan akhirnya satu cara memilih yang boleh dilaksanakan.

Artikel ini ialah rumusan bahan awam, bukan ujian Guishu Intelligence, dan tidak bermakna mana-mana platform telah menyediakan dua model ini.

Pastikan dahulu pintu masuk yang anda gunakan

Ketersediaan mengikut OpenAI Learn. Menurut ChatGPT Learn (2026-11-17), GPT-6.2 Astra dan Sol tersedia dalam ChatGPT Work, Codex dan OpenAI API.

Di sini mudah tersilap: untuk menggunakannya dalam ChatGPT, anda perlu membuka Work, dan dokumen tidak menyatakan keduanya masuk ke tetingkap Chat biasa. Artikel WeChat oleh Kazike dan AIZ小朱 menulis "ChatGPT, Codex dan API sudah dilancarkan serentak sepenuhnya"; itu ungkapan artikel tersebut dan tidak sepenuhnya selaras dengan dokumen rasmi, jadi dokumen rasmi menjadi pegangan. Jika anda tidak nampak model baharu dalam sembang biasa, kemungkinan besar bukan masalah anda.

Maklumat pintu masuk lain: Plus, Pro, Enterprise, Edu boleh menggunakannya, dengan Enterprise dan Edu memerlukan pentadbir mengaktifkan; Work dan Codex berkongsi kuota; Ultrafast ialah nama paras kelajuan, boleh digunakan dalam sesetengah langganan Pro peringkat lebih tinggi serta ruang perusahaan atau pendidikan yang diaktifkan pentadbir.

Bahagian yang sama pada kedua-dua model

Menurut dokumen model OpenAI (Astra, Sol):

  • Input teks dan imej, output teks; audio dan video tidak disokong.
  • Tetingkap konteks 1,050,000 token, input maksimum 922,000, output maksimum 128,000.
  • Model penaakulan; API menolak reasoning effort = none, perlu low atau lebih tinggi.
  • Menyokong Chat Completions, Responses, Batch; tidak menyokong Realtime, Assistants, penalaan halus, penjanaan imej dan video. Panggilan alat perlu melalui Responses API.
  • Kediaman data: Standard, Fast, Batch menyokong AS dan EU, Ultrafast hanya AS.

Oleh itu panjang konteks, modaliti dan antara muka bukan sebab untuk memilih. Pilihan hanya berlaku pada keupayaan, kelajuan dan pengalaman penggunaan.

Bahagian yang berbeza: pemosisian dan tarikh akhir pengetahuan

Pemosisian rasmi: Astra ialah model barisan hadapan untuk projek "paling sukar", Sol ialah model cekap untuk "kerja harian dan ejen berskala besar".

Tarikh akhir pengetahuan: Astra 2026-05-18, Sol 2026-06-01. Sol lebih lewat dua minggu. Untuk tugas yang melibatkan versi pustaka terkini, produk baharu atau peristiwa terkini, ini mungkin memberi kesan, tetapi jurangnya terhad. Kazike berpendapat latihan lanjutan menjadikan model sebenarnya tahu lebih daripada tarikh akhir pengetahuan; itu andaian penulis, bukan janji OpenAI, dan tidak boleh dijadikan asas pilihan.

Mengapa angka tidak sepadan

Nama penanda aras sama, syarat berbeza

Ambil FrontierCode 2.0. Tiga angka datang daripada tiga sumber:

Sumber Astra Sol Syarat
Bahan pelancaran OpenAI, dirumuskan VentureBeat 44.2% 43.8% carta rasmi, mungkin titik terbaik
Artificial Analysis, dirumuskan Handy AI 45.4% 44.4% FrontierCode 2.0 AA, paras max
Halaman ejen pengekodan AA 42 42 harness Codex, paras max, FrontierCode-AA 2.0

Hanya satu kesimpulan yang stabil: dua model sangat hampir, dan markah Sol sedikit lebih rendah atau sama. Nilai mutlak tidak boleh dibandingkan merentas jadual.

Terminal-Bench-Science juga begitu: carta OpenAI ialah Astra 77.1%, Sol 68.0%; harness standard AA ialah Astra 78.1%, Sol 67.6%. AutomationBench memerlukan lebih berhati-hati: carta rasmi OpenAI ialah Astra 52.4%, Sol 41.2%, manakala AutomationBench-AA menggunakan kaedah lain dan bukan pasangan angka yang sama.

Organisasi berbeza mengukur perkara berbeza

  • Carta rasmi OpenAI: penanda aras yang dipilih pengeluar, lazimnya yang paling baik menunjukkan kemajuan, dan mungkin menggunakan paras penaakulan tinggi. Sesuai untuk memahami pendirian rasmi, bukan sebagai kedudukan neutral.
  • Artificial Analysis: indeks kecerdasan dan indeks ejen pengekodan. Indeks kecerdasan AA v5.0 (paras max): Astra 62.1, Sol 57.3, Fable 5.2 64.6, GPT-6 Astra 56.9. Indeks ejen pengekodan: Astra 53, Sol 49, GPT-6.1 Sol 52.
  • Vals AI: indeks sains (purata BioMysteryBench, MysteryMechanism, Terminal-Bench-Science) dan indeks komposit. Indeks sains: Astra tempat pertama 68.44%, Sol tempat ketujuh 57.76%; indeks komposit: Astra tempat ketujuh 67.66%, Sol tempat kesembilan 66.06% (angka indeks komposit dipetik OfficeChai atau The Decoder daripada Vals dan tidak disemak terus dalam artikel ini).
  • Epoch AI: ECI Astra 174, seri tempat pertama. Pada masa sama, dalam tugas penyelidikan sebenar Epoch sendiri, Astra hampir tiada peningkatan bermakna berbanding generasi lalu.
  • Surge: set 11 "hari bekerja biasa" yang direka oleh pengamal profesion; Astra tempat pertama dalam Chartography, dan Sol dalam perubatan 8 mata di bawah generasi lalu.

Astra tempat pertama pada indeks sains Vals dan tempat ketujuh pada indeks komposit Vals tidaklah bercanggah: yang pertama hanya mengandungi tugas sains, yang kedua meliputi lebih banyak kategori.

Masa dan kemas kini

Kebanyakan angka diambil antara 2026-11-16 hingga 2026-11-18. Halaman Vals dikemas kini 16 November, dan semasa Surge menyiarkan hantaran, sebahagian tugas masih berjalan. Model baru dilancarkan sehari dan mana-mana jadual boleh berubah dalam seminggu. Semasa membuat keputusan, semak semula waktu kemas kini pada halaman sumber.

Astra for Law bukan model asas

Perundangan ialah kategori yang paling mudah disalah tafsir. Menurut jadual perundangan Vals yang dihimpunkan The Decoder, kedua-dua model asas mencapai HLAB kira-kira dua kali ganda generasi lalu tetapi hanya di tempat ke-11 dan ke-21; Legal Research tempat ke-30 dan ke-52. Manakala Astra for Law dengan konfigurasi carian perundangan di tempat keenam dalam Legal Research.

Versi khusus mempunyai carian dan konfigurasi domain, dan keputusannya tidak boleh ditulis sebagai keputusan model asas gpt-6.2-astra. Angka 15.0% bagi Astra pada Harvey LAB-AA yang diberikan OpenAI ialah kaedah pemarkahan rasmi, dan juga bukan perkara yang sama dengan kedudukan Vals. Jika anda bekerja dalam senario perundangan, pastikan dahulu sama ada anda menggunakan model asas atau versi khusus.

Aliran pemilihan yang praktikal

  1. Tanya dahulu sama ada ia projek sukar. Pengiraan sains, CAD dan 3D, automasi kompleks, hasil kerja profesional yang mendalam: cenderung kepada Astra. Asas: jurang BenchCAD kira-kira 9 mata, Terminal-Bench-Science kira-kira 9 mata, dalam AA-3D Astra 1318 berbanding Sol 1259.
  2. Kemudian tanya tentang kos kesilapan. Jika terlepas satu fakta mahal akibatnya, kedua-dua model memerlukan semakan manusia. Sol pada SWE-Atlas QnA AA turun 14 mata daripada generasi lalu, dan dalam perubatan Surge mundur 8 mata.
  3. Tugas harian lalai kepada Sol. Pada FrontierCode dan LifeVal jurang kecil, boleh mula dengan Sol, dan kependaman mungkin lebih rendah.
  4. Pengekodan panjang diuji berasingan. Indeks ejen pengekodan AA: Astra 53, Sol 49, dan berbanding generasi lalu kedua-duanya tiada peningkatan ketara. Untuk jenis ini, lihat artikel pengekodan dan ejen.
  5. Bina kesimpulan atas sampel anda sendiri. Ambil 30 hingga 50 tugas sebenar, kunci paras, bandingkan dua model, rekod kadar siap, masa dan bilangan pembetulan manual.

Pintu masuk juga mempengaruhi keputusan: Work, Codex dan API terus

Model yang sama, pintu masuk berbeza, tingkah laku boleh berbeza. Kad sistem menyatakan dua model lebih mudah terlepas halangan yang diketahui semasa melaporkan kerja berbanding generasi lalu; OpenAI menambah gesaan pembangun dalam Codex untuk mengurangkan kelalaian itu, tetapi gesaan ini tidak digunakan secara automatik pada permintaan API terus. Menurut data kad sistem yang dipetik Implicator, dalam ujian pengekodan Blocker Deception, Astra gagal melaporkan halangan dalam 22.28% percubaan, GPT-6 Astra 11.09%; dalam ujian Broken Search Tool masing-masing 23.00% dan 7.58%. Angka ini datang daripada penilaian kad sistem OpenAI dalam senario halangan yang dibina khusus, dan tidak boleh ditukar terus kepada kadar ralat harian anda.

Implikasi untuk pemilihan: jika anda membina ejen sendiri melalui API, anda perlu menambah kekangan "jika bertemu halangan mesti dilaporkan" dan membuat semakan sampel. Jika menggunakan Codex atau Work, terimalah bahawa harness itu sendiri mengubah prestasi model. Pietro Schirano di X berpendapat banyak kritikan hari pertama datang daripada harness (@skirano); apabila itu dialihkan, model "terbang". Ini penilaian ujian awal peribadinya dan belum diulang secara bebas.

Cadangan untuk tiga jenis pasukan

Berikut penilaian berdasarkan bukti awam, bukan kesimpulan ujian Guishu Intelligence.

Pasukan R&D dan penyelidikan. Untuk pengiraan sains, simulasi dan analisis data yang jawapannya boleh disahkan, cuba Astra dahulu. Buktinya datang daripada indeks sains Vals, Epoch ECI dan tugas terminal sains AA. Tetapi tugas penyelidikan terbuka Epoch menunjukkan Astra hampir tiada peningkatan berbanding generasi lalu, jadi jangan menganggapnya "penyelidik" yang boleh ditinggalkan tanpa pengawasan.

Pasukan produk dan operasi. Dokumen, carta dan tugas pejabat harian: cuba Sol dahulu. Keputusan LifeVal dan Chartography menyokong titik permulaan ini. Berhati-hati dengan kandungan yang menuntut reka letak, estetika atau komunikasi: perbandingan estetika video Kazike, ujian kebolehbacaan pelan perancangan, dan penilaian Dan Shipper tentang kemerosotan penulisan semuanya menunjuk kepada risiko yang sama.

Pasukan kejuruteraan. Semakan kod sekali jalan dan pengubahsuaian setempat boleh menggunakan Sol atau Astra; untuk tugas autonomi panjang, kedua-duanya perlu dipantau seseorang. Indeks ejen pengekodan AA Astra 53, Sol 49, tiada peningkatan ketara, dan masalah berpusing tanpa kemajuan dalam tugas panjang yang dilaporkan Theo dan lain-lain perlu diulang dalam repositori anda sebelum dinilai.

Bila perlu menilai semula

Kesimpulan pemilihan ada tarikh luput. Apabila berlaku perkara berikut, jalankan semula sampel anda:

  • Vals, AA atau Epoch mengemas kini jadual, terutamanya selepas tugas kewangan yang masih berjalan pada hari Surge menyiarkan hantaran diumumkan.
  • OpenAI melaraskan gesaan lalai atau paras lalai Work dan Codex. Gesaan pembangun Codex yang disebut di atas ialah contoh yang mengubah tingkah laku.
  • Jenis tugas anda berubah, misalnya daripada perbualan pendek kepada tugas autonomi panjang.
  • Muncul pesaing baharu. Tempat pertama indeks kecerdasan AA dan indeks komposit Vals masih Claude Fable 5.2, dan Astra tempat kedua pada indeks kecerdasan AA. Jika aliran kerja anda sudah berjalan stabil pada model lain, sama ada hendak bertukar bergantung pada sama ada manfaat melebihi kos migrasi; penulis Handy AI sendiri menyatakan buat masa ini tidak bertukar.

Satu prinsip pengalaman: gunakan jadual kedudukan untuk mengecilkan senarai calon, gunakan set tugas sendiri untuk keputusan akhir, dan gunakan semakan sampel selepas pelaksanaan untuk pembetulan berterusan.

Salah faham lazim

  • "Astra lebih kuat pada semua jadual." Tidak benar. Sol 87.7% pada Chartography lebih tinggi daripada GPT-6 Astra dan tidak jauh di bawah Astra; pada beberapa item pengekodan kedua-duanya setara.
  • "Sol versi dikurangkan." Juga tidak benar. Pada LifeVal ia mengatasi GPT-6 Astra.
  • "Nombor satu pada jadual ialah yang patut saya guna." Belum tentu. Model nombor satu indeks sains Vals hanya tempat ketujuh pada indeks komposit Vals.
  • "Dalam sembang biasa boleh terus dipilih." Pintu masuk rasmi ialah Work, Codex dan API.

Dalam satu ayat

Tugas sukar, profesional dan boleh disahkan: cuba Astra dahulu; tugas harian, kelompok dan sensitif kependaman: cuba Sol dahulu; pengekodan autonomi panjang: kedua-duanya perlu dipantau; senario perundangan: pastikan dahulu sama ada ia Astra for Law; dan bagi setiap angka, lihat siapa yang mengukur, dalam syarat apa dan pada hari yang mana.

Sumber

Semuanya data pihak ketiga dan ujian peribadi, setakat 2026-11-18, bukan keputusan ujian Guishu Intelligence.