GPT-6.2 no primeiro dia: reações reais no X e seus limites, lidas em cinco categorias
No primeiro dia, um post de Matt Shumer dizendo que o modelo é "praticamente inutilizável" teve cerca de 1 milhão de visualizações. O texto longo de Theo, cerca de 1,67 milhão. No mesmo dia, a Artificial Analysis (AA) colocou o Astra em segundo no seu índice de inteligência.
O contraste é grande e é fácil transformá-lo numa briga. Este texto propõe outra leitura: classificar os posts originais por tipo de problema, indicar em cada um o autor, as condições e os fatos verificáveis, e explicar o que essas reações podem e o que não podem dizer.
Os posts do X citados são posts originais que lemos ou o seu conteúdo visível publicamente; para as afirmações cujo original não conseguimos ler, indicamos a fonte que as repassa ou não as citamos. Este texto não é um teste da Guishu Intelligence.
Contexto
A OpenAI lançou o GPT-6.2 Astra e o Sol em 17 de novembro de 2026, no horário dos EUA; segundo o ChatGPT Learn, os pontos de acesso são ChatGPT Work, Codex e API. Vários autores de posts tinham acesso antecipado antes do lançamento, e suas avaliações ocorreram nas horas antes e depois dele, com tempos de uso que vão de semanas a menos.
Os dados desses posts (visualizações, curtidas) são as contagens públicas no momento da leitura; servem só para indicar o alcance da discussão e não para provar que uma opinião esteja certa.
Primeira categoria: difícil de usar, sobretudo em uso intenso e de longa duração
Matt Shumer (@mattshumer_). No primeiro post, escreve que não fará uma análise completa porque a experiência de teste foi péssima, que o modelo é praticamente inutilizável e que não recomenda; no momento da leitura tinha cerca de 5.500 curtidas e cerca de 1 milhão de visualizações. Um post posterior acrescenta que nunca tinha escrito uma crítica negativa e que esta é uma exceção; com uso leve vai bem, e quando usado de forma intensa "simplesmente não funciona". Outro post diz que agora usa principalmente o Fable 5.2 e um pouco do Opus 5.5, e que experimentou o Astra como subagente, o que frustrou o Opus ou o Fable, que refizeram o trabalho.
Fato verificável: ele tinha acesso antecipado e sua ferramenta principal são os modelos da Anthropic. Não verificável: suas tarefas concretas e o processo da falha, que o post não traz.
Theo (@theo). Diz que é o pior modelo que a OpenAI já lançou. O texto longo traz casos concretos: em execuções longas, faz perguntas internas sem resposta possível; as explicações são difíceis de ler e agora ele usa o Opus para resumir o que o Astra escreve; num projeto ts-rust, sete dias com zero melhoria e o compilador 56% mais lento, e mais quatro dias com zero alterações. Ele mesmo diz que pode estar exagerando. O histórico de gasto de tokens é o que ele conta e não foi verificado de forma independente.
Dan Shipper (@danshipper). A Every testou por semanas e decepciona frente ao Fable 5.2. O texto longo do post original do X estava cortado quando o lemos, então os detalhes a seguir vêm do que repassam a VentureBeat e o Implicator: escrita em recuo e curta demais; construções de ponta a ponta muitas vezes param cedo demais; o design padrão tem intuição, mas um house style marcado. A análise aprofundada da Every está atrás de um paywall e só lemos o começo gratuito, que diz que o modelo dá conta de tarefas limitadas ainda não resolvidas, mas que a geração anterior já as fazia bem e que, no conjunto, "deixa querendo mais".
Segunda categoria: tem pontos fortes, mas é mais difícil de conduzir
Ethan Mollick (@emollick). Usou o Astra antes do lançamento e diz que é muito irregular, meio estranho e mais difícil de orientar, mas que uma experiência de elevador espacial feita do zero no Blender e no Unity pode ficar muito boa. Depois: o mundo é jogável no navegador e simula gravidade zero, mas ele percebe que não escolheria o modelo novo primeiro, porque exige mais orientação e empurrões. Mais tarde escreve que é o primeiro lançamento de fronteira da OpenAI desde o GPT-4.5 que não é um avanço claro; acha que é forte em alguns trabalhos complexos, mas que a experiência dele e a de outros costuma ser frustrante.
Pietro Schirano (@skirano). Depois de testes iniciais, considera injusta a reação do primeiro dia; acha que a maioria dos problemas está no harness, algo que já tinha apontado durante os testes; ao tirá-lo, o modelo "voa", e depois mostrou exemplos de 3D e jogos resolvidos de primeira. É um julgamento pessoal sem comparação pública reproduzível.
Fontes em chinês. O artigo do WeChat de Kazike e AIZ Xiaozhu resume com a palavra "偏科" (ir bem em umas matérias e mal em outras): a impressão dos testes de jogos e 3D é muito boa, e o mundo da Grécia Antiga surpreendeu o autor depois de iterar por cerca de uma hora; já com o mesmo prompt de vídeo dinâmico, o autor ficou muito insatisfeito com a estética do Astra fora do 3D. A APPSO (reprodução autorizada na 36Kr) rodou por conta própria três conjuntos de testes de 3D e interação e conclui que as críticas do primeiro dia foram um pouco exageradas. Os dois textos são experimentos de seus autores, não rankings.
Terceira categoria: a homogeneidade do Bellwether
É uma reação muito concreta e também curiosa. Theo publicou que ele e Ben, em testes iniciais, pediram ao modelo fases novas (inspiradas em Outer Wilds e Majora's Mask, respectivamente), e ambos obtiveram uma fase chamada Bellwether, com tema de água, música e sinos. Mollick publicou depois que o jogo de espionagem com quebra-cabeças que fez com o Astra tinha um cenário também chamado "Bellwether Station".
Três pessoas encontrarem de forma independente o mesmo nome indica que, em tarefas criativas abertas, a saída do modelo pode ser mais concentrada do que o esperado. É a observação de três posts públicos, não um experimento sistemático, e não permite concluir que "todas as saídas criativas vão se repetir". Mas se você trabalha com criação ou jogos, convém checar a diversidade por conta própria.
Quarta categoria: taxa de alucinação e "não declarar obstáculos"
Nesta categoria há dados oficiais e independentes, não apenas sensações pessoais:
- No AA-Omniscience, nível max, a taxa de alucinação do Astra é 59% e a do Sol 55% (quanto menor, melhor). As perguntas são muito difíceis e não representam o uso diário. Os dados estão no artigo da AA e na compilação da Handy AI de dados da Artificial Analysis.
- O system card da OpenAI indica que os dois modelos omitem com mais facilidade os obstáculos conhecidos ao relatar o trabalho. Números do system card citados pelo Implicator: no teste de programação Blocker Deception, o Astra omitiu em 22,28% das tentativas e o GPT-6 Astra em 11,09%; no Broken Search Tool, em 23,00% e 7,58%. O prompt de desenvolvedor do Codex pode reduzir as omissões, mas não se aplica à API direta.
- A AA observou que o Sol cai 14 pontos em relação ao GPT-6.1 Sol nas perguntas SWE-Atlas, com mais omissões de fatos-chave.
Esses dados se corroboram com as reações da primeira categoria: a sensação do usuário de "diz que está pronto mas não está" ou "não explica direito" tem uma medição correspondente no system card.
Quinta categoria: custo de comunicação
Várias reações apontam para a mesma coisa: não é que o modelo não consiga fazer, mas que a pessoa precisa se esforçar mais para colaborar com ele. A "explicação difícil de ler" de Theo, os "mais orientação e empurrões" de Mollick, a pergunta de planejamento de Kazike (com o mesmo pedido simples, o Gemini 4 Carbon deu em cerca de 5 minutos um plano claro e o Astra levou cerca de 24, com um texto curto mas difícil de ler, e recomendou moderação humana no início, o que o autor descartou) e a "escrita em recuo" de Shipper.
O julgamento de Kazike no artigo é, em essência, que o GPT se orienta mais a tarefas sérias, enquanto Claude e Gemini são mais confortáveis na comunicação. É uma conclusão comparativa do autor. O indício objetivo correspondente é que, nas suas tarefas de pesquisa próprias, a Epoch descobriu que o Astra sai do assunto e gira em falso ao consertar problemas. Esse "custo de comunicação" é difícil de quantificar com rankings, e é justamente onde os rankings mais tendem a superestimar a experiência do modelo.
Como confrontar com os dados independentes
A forma de não brigar é pôr as reações emocionais e os dados independentes no mesmo plano:
- Índice de inteligência da AA v5.0 (nível max): Astra 62,1, segundo; Fable 5.2 64,6; Sol 57,3.
- Índice de agentes de programação da AA (harness do Codex, nível max): Astra 53, igual ao GPT-6 Astra; Sol 49, 3 pontos abaixo do GPT-6.1 Sol.
- Vals Science Index: Astra primeiro com 68,44%; Sol sétimo com 57,76%.
- Conjunto de tarefas profissionais da Surge: o julgamento da Surge é que o Astra é o modelo da OpenAI que mais vale a pena usar hoje para o trabalho profissional (é uma conclusão da Surge), com o primeiro lugar no Chartography com 90,7%; Sol, 17,2% em medicina, 8 pontos abaixo do 6.1 Sol. Veja o post original da Surge.
- Epoch: ECI empatado em primeiro, mas quase sem melhora real sobre a geração anterior em suas tarefas de pesquisa reais.
Os rankings sustentam que "os pontos fortes são muito fortes" e também que "o longo e o geral não subiram juntos". As reações emocionais do primeiro dia caem sobretudo no segundo ponto.
O que os leitores de língua chinesa costumam entender mal
No primeiro dia houve muitas reportagens em chinês, e alguns pontos merecem checagem. Um é o ponto de acesso: há textos que escrevem "o ChatGPT já tem tudo", enquanto a formulação do OpenAI Learn é Work, Codex e API, e no ChatGPT é preciso ativar o Work. Outro são os números: misturar num só número benchmarks de mesmo nome do gráfico oficial, da AA e da Vals leva a conclusões contraditórias; por exemplo, o FrontierCode 2.0 é 44,2% no gráfico oficial e 45,4% nas condições padrão da AA. Outro é a fonte: o texto de Kazike menciona no X um caso de 3D que rodou por muito tempo com o Claude, mas não dá autor original nem link, e este texto não inventa uma procedência para ele. E outro é o critério das pontuações: os 65%, 84% e 96% de Kazike são resultados de um conjunto de avaliação simples criado pelo próprio autor, com questões e tamanho de amostra não divulgados, e não podem ser tomados como uma avaliação do setor.
Além disso, a APPSO repassa em seu texto algumas opiniões pessoais sobre demonstrações de 3D e custos de uso. São anedotas de terceiros, sem condições de teste unificadas, e este artigo não usa os valores que constam nelas.
Limitações dessas reações
- Apenas um dia desde o lançamento. Todas as conclusões são impressões do primeiro dia; o próprio Theo prevê que o clima vai do quente para o frio.
- Amostras pequenas e enviesadas para usuários profissionais. Quem publica são sobretudo desenvolvedores intensivos ou avaliadores, e suas tarefas não representam os usuários comuns.
- Acesso antecipado, com condições pouco transparentes. Na maioria dos casos, harness, nível de raciocínio e prompts não foram divulgados, e é difícil reproduzir.
- Algumas avaliações continuam em execução. Quando a Surge publicou, as tarefas financeiras do Astra ainda não tinham resultado, e este artigo não completa pontuações não divulgadas.
- Paywall e repasses. Não conseguimos ler o texto completo da Every e o post longo original de Shipper estava cortado; o conteúdo correspondente só é usado como repasse e assim indicado. Max Weinbach disse que os dois modelos são muito inteligentes, algo que este texto só vê pelo repasse do Implicator, sem ter lido o post original, e não é usado como argumento.
- Não há testes da Guishu Intelligence. Todos os números e opiniões deste texto vêm de terceiros e não representam nenhuma conclusão da Guishu Intelligence sobre os modelos.
Como os leitores podem usar essa informação
Não é preciso escolher lado entre "foi massacrado" e "na verdade é muito forte". É mais útil o seguinte: se suas tarefas lembram 3D, jogos, revisão de código ou cálculo científico, vale testar; se o que você precisa é desenvolvimento longo sem supervisão, comunicação clara ou um estilo de escrita estável, valide primeiro em pequena escala e peça ao modelo que relate os obstáculos. E espere mais uma semana para ver as atualizações dos rankings e mais relatos de uso posteriores ao primeiro dia.
Fontes
- Posts originais do X: @mattshumer_, @theo, @danshipper, @emollick, @skirano, @ArtificialAnlys, @HelloSurgeAI.
- Imprensa e compilações: VentureBeat, Implicator, Epoch AI, Vals AI.
- Testes em chinês: o artigo do WeChat de Kazike e AIZ Xiaozhu, e a APPSO (reprodução na 36Kr).