Обзор GPT-6.2 Astra: отрыв в науке и профессиональных задачах, а индекс AA по кодинг-агентам на уровне предыдущей версии
В один и тот же день одна и та же модель занимает на разных рейтингах разные места: первое в научном индексе Vals, второе в индексе интеллекта Artificial Analysis (далее AA), седьмое в общем индексе Vals. При этом научный и общий индексы Vals принадлежат одной организации, это две разные таблицы. Различие мест может объясняться условиями тестирования, составом задач и способом подсчёта баллов, поэтому не стоит сводить одну таблицу или три места к единому выводу об общей силе модели.
OpenAI выпустила GPT-6.2 Astra и GPT-6.2 Sol 2026-11-17. По описанию компании, Astra предназначена для «самых трудных проектов», а Sol берёт на себя повседневную работу и масштабных агентов. Здесь речь только об Astra: какие её сильные стороны подтверждены независимыми источниками, а где она не продвинулась.
Статья составлена по открытым материалам и не является результатом тестов Guishu Intelligence. У каждой цифры указаны источник и условия, данные разных организаций в одну таблицу не сведены.
Коротко о выводах
- Наука: научный индекс Vals, Epoch ECI и научные терминальные задачи AA дают положительный сигнал.
- Профессиональные задачи: по оценке Surge на её наборе рабочих задач, Astra сейчас самая подходящая модель OpenAI для профессиональной работы, но лидирующие модели Anthropic она не догнала. Это оценка Surge.
- 3D: Astra лидирует в AA-3D (оценка людей), а демо 3D и игр у нескольких ранних тестировщиков выглядят сильно.
- Кодинг-агенты: только индекс AA по кодинг-агентам равен GPT-6 Astra; другие кодинговые метрики, например FrontierCode, немного выросли.
- Общий рейтинг: в общем индексе Vals только седьмое место.
- Юриспруденция: результаты базовой модели в юридическом рейтинге Vals не выделяются.
Как OpenAI позиционирует Astra
Согласно документации OpenAI, API-идентификатор модели gpt-6.2-astra. Она принимает текст и изображения, выдаёт текст, аудио и видео не поддерживает. Контекстное окно 1,050,000 токенов, максимальный ввод 922,000, максимальный вывод 128,000. Дата отсечки знаний: 2026-05-18. API не принимает reasoning effort = none.
Доступность по ChatGPT Learn: модель доступна в ChatGPT Work, Codex и OpenAI API. В ChatGPT нужно сначала включить Work; в документации не сказано, что модель появилась в обычном окне чата. В Enterprise и Edu её должен включить администратор.
Наука: три независимых источника указывают в одну сторону
Научный индекс Vals. Индекс усредняет три задания: BioMysteryBench, MysteryMechanism и Terminal-Bench-Science. По странице Vals (обновлена 16 ноября) Astra на первом месте с 68.44%; GPT-6 Astra набрала 65.09%, Claude Fable 5.2 набрал 63.74%.
Epoch AI. На странице модели Epoch у Astra ECI 174, это делит первое место с Fable 5.2 среди 241 модели; у GPT-6 Astra 169. На подмножестве Эрдёша в FrontierMath Astra решила 7/68, прежний рекорд GPT-6.1 Sol составлял 3/68. По пересказу системной карты в The Decoder, для одной из задач ранее не было известного решения.
Научные терминальные задачи AA. В стандартном harness AA, по данным Artificial Analysis в обработке Handy AI, в Terminal-Bench Science у Astra 78.1%, у Fable 5.2 73.3%, у GPT-6 Astra 63.3%. На собственной диаграмме OpenAI тот же показатель 77.1% против 68.1% (материалы релиза OpenAI в обработке VentureBeat). Harness и выборка различаются, поэтому эти два набора чисел нельзя ставить в одну таблицу.
Общий интеллект. Индекс интеллекта AA v5.0, режим max: Astra 62.1, второе место после Fable 5.2 с 64.6. Выше Gemini 4 Carbon (режим high) с 60.0 и Claude Opus 5.5 с 59.1, и на 5.2 балла выше GPT-6 Astra с 56.9.
Оговорка, которую стоит сохранить: собственные исследовательские задачи Epoch
В предрелизной оценке Epoch прогнала и собственные реальные исследовательские задачи. По пересказу The Decoder, Astra почти не улучшилась относительно GPT-6 Astra и слабее Fable 5.2: на простых исследовательских вопросах уходит в сторону, при затруднениях крутится вхолостую, а в исследовании дата-центров слишком осторожна и пропускает ключевые оценки. Письменная часть сильнее, чем у других протестированных моделей, но всё равно ниже планки самой Epoch.
Поэтому формулировку «сильна в науке» стоит ограничить: сильна на научных тестах, где есть проверяемый ответ. По открытым исследовательским задачам свидетельства противоречивы.
Профессиональная работа: набор Surge
Surge 18 ноября опубликовала независимую оценку: 11 «обычных рабочих дней», придуманных врачами, бухгалтерами, юристами и старшими инженерами (исходный пост @HelloSurgeAI). Картина двойственная:
- Astra первая в Chartography: 90.7% (Sol 87.7%, GPT-6 Astra 71.0%).
- В sudo L7 у Astra 38.3%, это лучший результат OpenAI на данный момент, но ниже Fable (52.2%), Sonnet (50.6%) и Opus (46.1%).
- Общий вывод Surge (не вывод этой статьи): это сейчас самая подходящая для профессиональной работы модель OpenAI, но первые места по таблицам по-прежнему в основном у Anthropic и Google.
На момент публикации финансовые задачи Astra ещё выполнялись, поэтому неопубликованные баллы мы не приводим.
3D: самая плотная база доказательств
AA-3D — это Elo по оценкам людей: Astra 1318, Fable 5.2 1271, Sol 1259. У AA есть ещё робототехнический тест AA-Robotics v0.1: Astra 79, Sol 78, Fable 75, но это исследовательский предпросмотр с довольно простыми задачами, и разницу не стоит трактовать слишком сильно.
Личные тесты идут в том же направлении, но важно, кто и при каких условиях тестировал:
- Kazike и AIZ小朱 в статье на WeChat попросили Astra сделать паркур-игру от первого лица, осеннюю вокзальную сцену на Three.js и мир Древней Греции. Их впечатление: 3D-задачи получаются очень хорошо, а мир Древней Греции после примерно часа итераций со скриншотами произвёл на автора сильное впечатление. Это личный эксперимент автора, а не рейтинг.
- APPSO в тесте, републикованном 36Kr, запустила игру про подводное исследование, анимацию сельской поездки на велосипеде и базовую сцену WebGL и пришла к выводу, что первоначальные негативные отзывы были преувеличены.
- Ethan Mollick (@emollick) до релиза проверил сцену космического лифта: в браузере в неё можно играть, но он же отмечает, что модель труднее направлять, и сам не выбрал бы её первой.
Откуда взялось слово «перекос»
В заголовке статьи Kazike стоит слово «偏科» (перекос в предметах: сильна в одном, слаба в другом), общий смысл в том, что OpenAI всё больше смещается в одну сторону. Доводы автора не все основаны на рейтингах:
- Задача на планирование: автор дал простой запрос «добавить в AIHOT функцию комплаенс-комментариев». Gemini 4 Carbon за примерно 5 минут выдала понятный исполнимый план, Astra примерно за 24 минуты, коротко и трудно читаемо, и ещё посоветовала ранний ручной аудит, что автор отверг.
- Эстетика вне 3D: на один и тот же запрос динамического видео автор остался результатом Astra очень недоволен.
- Проверка кода: на собственном простом тестовом наборе автора GPT-6.1 Sol нашла 65% проблем, GPT-6.2 Sol 84%, GPT-6.2 Astra 96%, везде режим xhigh. Это самодельный простой набор автора, задачи и размер выборки не раскрыты, это не отраслевой бенчмарк.
Всё это опыт отдельного автора в конкретных условиях. Он согласуется с рейтингами, поэтому годится как дополнительное свидетельство, но не как количественный вывод.
Индекс AA по кодинг-агентам: на уровне предыдущей версии
Индекс AA по кодинг-агентам использует harness Codex и режим max: у Astra 53, столько же, сколько у GPT-6 Astra. На той же странице FrontierCode-AA 2.0 равен 42, Terminal-Bench 4.1 равен 64, SWE-Atlas-QnA-AA равен 55, среднее время на задачу около 25.1 минуты.
У FrontierCode 2.0 есть три числа при разных условиях: на официальной диаграмме OpenAI 44.2% (GPT-6 Astra 42.8%), в стандартных условиях AA 45.4% (Fable 5.2 48.8%), на странице кодинг-агентов AA в harness Codex 42. Название одно, условия разные, поэтому и числа разные.
В общем индексе Vals (OfficeChai пересказывает Vals, общую таблицу Vals мы напрямую не проверяли) Astra имеет 67.66% и занимает седьмое место, отставая от Sol с 66.06% (девятое место) лишь на 1.6 балла. В том же пересказе сказано, что среди десятки лидеров Astra в среднем выводит меньше всего токенов (около 91,000), но на один тест тратит 52 минуты 16 секунд, это примерно на 19 минут медленнее GPT-6 Astra.
Юриспруденция: не приписывайте специализированную версию базовой модели
По сводке юридического рейтинга Vals в The Decoder, обе базовые модели показывают в HLAB примерно вдвое лучший результат, чем предшественники, но занимают только 11-е и 21-е места; в Legal Research 30-е и 52-е. Официально OpenAI в Harvey LAB-AA приводит для Astra 15.0%, для GPT-6 Astra 8.6% и заявляет, что доля пройденных задач более чем вдвое выше, чем у Fable 5.2; это формулировка материалов релиза OpenAI, и она не связана с подсчётом очков в рейтинге Vals. Отдельно есть версия Astra for Law с настроенным юридическим поиском, она на шестом месте в Legal Research. Это специализированная версия, и её результат нельзя записывать на базовую модель.
Галлюцинации и наблюдаемость
В AA-Omniscience в режиме max доля галлюцинаций у Astra 59%, у Sol 55% (чем ниже, тем лучше). Набор очень сложный и не отражает частоту галлюцинаций в обычном диалоге.
В системной карте есть ещё два пункта: Astra первая публично выпущенная модель, достигшая порога «самосовершенствование: High»; обе модели при отчёте о работе чаще пропускают известные препятствия. Второй пункт подробнее разобран в статье о кодинг-агентах.
Что показывают собственные диаграммы OpenAI
Все числа ниже взяты из материалов релиза OpenAI в обработке VentureBeat. Диаграммы часто показывают «лучшую точку», разным тестам могут соответствовать разные режимы рассуждения. Astra против GPT-6 Astra:
- Agents' Last Exam: 78.3% против 73.1%. OpenAI заявляет, что опережает Fable 5.2 примерно на 5.5 балла.
- Terminal-Bench-Science: 77.1% против 68.1%.
- BenchCAD 2.1 Core: 82.5% против 62.6%, это самый большой прирост.
- AutomationBench (официальная диаграмма): 52.4% против 41.4%.
- LifeVal: 86.1% против 79.8%.
- GDPval v2 (внутренний тест OpenAI): в официальном тексте +6.2 балла, при этом на 22% меньше выходных токенов.
Если сложить эти числа вместе, видна закономерность: OpenAI выбирает бенчмарки по науке, CAD и автоматизации офисной работы, то есть задачи с автоматической оценкой, где Astra сильнее всего. Индекс AA по кодинг-агентам такого же прироста не показал. Это самый обоснованный довод в пользу «перекоса», но он касается только этого индекса и не переносится на все кодинговые способности.
Почему «перекос» не значит «стало хуже»
В первый день в обсуждениях звучали фразы вроде «худшая модель за всю историю» и «совершенно непригодна» (в статье с отзывами оригинальные посты приведены по одному). Если сопоставить их с рейтингами, получается более сдержанное объяснение:
- Бенчмарки измеряют задачи со стандартным ответом, а повседневное взаимодействие измеряет общение, суждение и терпение. Это разные вещи.
- По данным системной карты и Epoch в пересказе The Decoder, число последовательных шагов рассуждения, которые Astra выполняет без цепочки мыслей в один токен, равно 12.3, против 10.5 у GPT-6 Astra и 8.3 у GPT-6.1 Sol. Системная карта указывает, что это влияет на наблюдаемость.
- Чем дольше модель работает автономно, тем легче проявляется проблема «при препятствии не сообщает честно». Это следует из системной карты и разобрано в статье о кодинге.
Иначе говоря, одна и та же модель может быть первой в научной таблице Vals и при этом названа тяжёлой в работе одним из активных пользователей. Оба утверждения могут быть верны.
Три правила чтения этих цифр
Первое: одно и то же название бенчмарка у другой организации даёт другое число. Terminal-Bench-Science на диаграмме OpenAI равен 77.1%, в стандартном harness AA 78.1%, разница в один балл, но это разные запуски. С AutomationBench похоже: на официальной диаграмме OpenAI у Astra 52.4%, а AutomationBench-AA использует другую методику, и мы её здесь не приводим, чтобы не путать.
Второе: место и балл надо разделять. В научном индексе Vals первое место, потому что три его подзадачи близки к исследовательским; в общем индексе Vals седьмое, потому что общий рейтинг включает больше категорий (кодинг, юриспруденция, финансы и другие). Рейтинги покрывают разные задачи, поэтому и места разные.
Третье: «лучшая точка» не равна работе по умолчанию. Официальные диаграммы показывают потолок и часто используют более высокий режим рассуждения; настройки по умолчанию в вашем API или автоматический выбор в Work могут тратить меньше токенов, но могут и давать более слабый результат. Для воспроизведения нужно зафиксировать тот же режим.
Когда подходит и когда нет
Начинать с Astra имеет смысл для научных расчётов с проверяемым ответом, прототипов с 3D или интерактивными сценами, сложных профессиональных документов и графиков.
Осторожнее нужно быть с длительными кодинговыми задачами без присмотра, с планами, где важна читаемость текста, и с юридическим поиском (различайте базовую и специализированную версии). Это оценка на основе перечисленных открытых данных; что подойдёт вашей команде, можно узнать только на собственных задачах.
Как проверить на своих задачах
Если вы собираетесь оценивать Astra, подготовьте для начала двадцать-пятьдесят реальных задач из вашей работы и разделите их на три типа: с эталонным ответом (расчёты, обработка данных), требующие артефакта (документ, график, 3D или фронтенд-страница) и длительные (исправление проблемы в репозитории, многошаговая миграция). По каждому типу фиксируйте, выполнена ли задача, время, число выходных токенов и число ручных исправлений. Астра склонна выдавать мало текста и долго думать, поэтому оценка только по «быстро ли ответила» сильно искажает картину.
Фиксируйте также режим рассуждения и просите модель перечислять встреченные препятствия, затем проверяйте это вручную. Системная карта указывает, что модели чаще пропускают известные препятствия, этот шаг пропускать нельзя.
Источники
- OpenAI: запись о релизе, документация модели Astra, ChatGPT Learn, системная карта.
- Независимые оценки: Artificial Analysis, Epoch AI, Vals AI, Surge.
- Обработка в СМИ: The Decoder, VentureBeat, Handy AI.
- Китайскоязычные тесты: статья на WeChat авторов Kazike и AIZ小朱, APPSO (републикация 36Kr).
Данные актуальны на 2026-11-18, с релиза прошёл всего один день, рейтинги ещё будут меняться. Всё перечисленное выше — сторонние открытые данные и личные тесты, а не результаты тестирования Guishu Intelligence.