GPT-6.2 в первый день: реальные отзывы в X и их ограничения, пять категорий
В первый день один пост Matt Shumer набрал около 1 млн просмотров, и в нём говорилось «практически непригодна». Длинный текст Theo набрал около 1.67 млн просмотров. В тот же день Artificial Analysis (AA) поставила Astra на второе место в индексе интеллекта.
Контраст так велик, что обсуждение легко превратить в перепалку. Здесь предлагается другой способ чтения: оригинальные посты разложены по типам проблем, у каждого указаны автор, условия и проверяемые факты, а затем сказано, о чём эти отзывы говорят и о чём не говорят.
Цитируемые посты X — это оригинальные посты, которые мы читали, или их публично видимое содержание; если оригинал прочитан не был, указан источник пересказа или пост не используется. Статья не является результатом тестов Guishu Intelligence.
Сначала контекст
OpenAI выпустила GPT-6.2 Astra и Sol 2026-11-17 по времени США, а доступные входы по ChatGPT Learn: ChatGPT Work, Codex и API. Многие авторы постов получили ранний доступ до релиза, их оценки сделаны за считаные часы до и после выхода, а время использования у них варьировалось от нескольких недель до меньшего.
Данные постов (просмотры, лайки) — это публичные счётчики на момент чтения; они лишь показывают масштаб обсуждения и не доказывают правоту взглядов.
Категория 1: трудно работать, особенно при тяжёлом и длинном использовании
Matt Shumer (@mattshumer_). В первом посте он пишет, что не будет писать полноценный обзор, потому что опыт тестирования плохой, модель практически непригодна, и он её не рекомендует; на момент чтения около 5,500 лайков и около 1 млн просмотров. Продолжение: он никогда раньше не писал негативных отзывов, это исключение; лёгкое использование нормально, а при тяжёлой нагрузке «просто не работает». Ещё один пост: он в основном использует Fable 5.2 и отчасти Opus 5.5, Astra пробовал как субагента, и Opus или Fable были недовольны и переделывали работу.
Проверяемые факты: у него ранний доступ, основная модель — от Anthropic. Непроверяемое: его конкретные задачи и ход неудач, в посте их нет.
Theo (@theo). Называет её худшей моделью, выпускавшейся OpenAI. В длинном тексте есть конкретные случаи: в долгих запусках модель задаёт внутренние вопросы, на которые нельзя ответить; её объяснения трудно читать, и теперь он использует Opus, чтобы пересказывать вывод Astra; в проекте ts-rust семь дней без улучшений, компилятор медленнее на 56%, ещё четыре дня без изменений. Он сам говорит, что мог отреагировать слишком остро. История расходов на токены — его слова, независимо не проверены.
Dan Shipper (@danshipper). Every тестировала несколько недель и осталась разочарована по сравнению с Fable 5.2. Длинный текст X-поста при нашем чтении был обрезан, поэтому детали ниже взяты из пересказов VentureBeat и Implicator: письмо стало хуже и слишком кратким; сквозная сборка часто останавливается слишком рано; у дизайна по умолчанию есть интуиция, но выраженный house style. Подробный обзор Every закрыт платным доступом, мы прочитали только бесплатное начало: там сказано, что модель справляется с ранее нерешёнными ограниченными задачами, но предыдущая и так справлялась неплохо, и в целом остаётся желание «большего».
Категория 2: есть сильные стороны, но управлять труднее
Ethan Mollick (@emollick). Пользовался Astra до релиза, говорит, что она очень неровная, немного странная и хуже поддаётся управлению, но опыт с космическим лифтом, собранный с нуля в Blender и Unity, получился очень хорошим. Продолжение: мир играбелен в браузере, есть имитация невесомости, но он обнаружил, что сам не выбрал бы новую модель первой, потому что ей нужно больше направления и подталкивания. Позже он написал, что это первый после GPT-4.5 передовой релиз OpenAI без очевидного прогресса; по его мнению, в некоторых сложных задачах она сильна, но его опыт и опыт других часто вызывает раздражение.
Pietro Schirano (@skirano). После раннего тестирования считает реакцию первого дня несправедливой: основные проблемы в harness, о чём он говорил во время тестов; без него модель «летает», и он показал примеры 3D и игр с первого раза. Это личное мнение, публично воспроизводимого сравнения нет.
Китайскоязычные источники. В статье на WeChat Kazike и AIZ小朱 используют слово «偏科» (перекос: сильна в одном, слаба в другом): у автора хорошее впечатление от игр и 3D, мир Древней Греции после примерно часа итераций приятно удивил; а в эстетике вне 3D на тот же запрос динамического видео автор остался очень недоволен. APPSO (републикация 36Kr) сама провела три теста по 3D и интерактиву и пришла к выводу, что негатив первого дня несколько раздут. Обе статьи — личные эксперименты авторов, а не рейтинги.
Категория 3: однообразие и Bellwether
Это очень конкретный и любопытный отзыв. Theo написал, что он и Ben в ранних тестах просили модель сделать новые уровни (в духе Outer Wilds и Majora's Mask соответственно), и оба получили уровень под названием Bellwether с темами воды, музыки и колоколов. Mollick затем написал, что в детективной игре-головоломке, сделанной им с Astra, место действия тоже называлось «Bellwether Station».
Трое независимо встретили одно и то же имя, и это говорит, что в открытых творческих задачах вывод модели может быть более однообразным, чем ожидается. Это наблюдение по трём публичным постам, а не систематический эксперимент, и из него нельзя сделать вывод, что «любой творческий результат повторяется». Но если вы занимаетесь творчеством или играми, разнообразие нужно проверить самостоятельно.
Категория 4: галлюцинации и «несообщённые препятствия»
Здесь есть официальные и независимые данные, а не только личные ощущения:
- В AA-Omniscience в режиме max доля галлюцинаций у Astra 59%, у Sol 55% (чем ниже, тем лучше). Задачи очень сложные, и это не про повседневность. Данные в статье AA, а также в обработке Handy AI данных Artificial Analysis.
- В системной карте OpenAI указано, что обе модели при отчёте о работе чаще опускают известные препятствия. Числа системной карты в цитировании Implicator: в кодинговом тесте Blocker Deception Astra не сообщила о препятствии в 22.28% испытаний, GPT-6 Astra в 11.09%; в Broken Search Tool 23.00% и 7.58%. Подсказка для разработчиков Codex снижает пропуски, но к прямому API не относится.
- AA заметила, что в SWE-Atlas QnA Sol на 14 баллов ниже GPT-6.1 Sol и чаще упускает ключевые факты.
Эти данные подтверждают отзывы категории 1: ощущение «сказала, что готово, а не готово» и «не объясняет внятно» имеет соответствующие измерения в системной карте.
Категория 5: цена общения
Несколько отзывов указывают на одно и то же: дело не в том, что модель не может, а в том, что человеку приходится прикладывать больше усилий для совместной работы. «Трудночитаемые объяснения» у Theo, «больше направления и подталкивания» у Mollick, задача на планирование у Kazike (на один и тот же простой запрос Gemini 4 Carbon за примерно 5 минут выдала понятный план, Astra за примерно 24 минуты, коротко и трудно читаемо, и ещё предложила ранний ручной аудит, что автор отверг), «письмо стало хуже» у Shipper.
Вывод Kazike в статье в целом таков: GPT больше подходит для серьёзных задач, а с Claude и Gemini общаться приятнее. Это сравнение самого автора. Объективная зацепка — то, что в собственных исследовательских задачах Epoch обнаружила, что Astra уходит в сторону и крутится вхолостую при починке проблем. Такую «цену общения» трудно выразить в рейтингах, и именно здесь рейтинги легче всего завышают впечатление от модели.
Как сопоставить с независимыми данными
Чтобы не спорить, можно положить эмоциональные отзывы и независимые данные на одну картину:
- Индекс интеллекта AA v5.0 (режим max): Astra 62.1, второе место; Fable 5.2 64.6; Sol 57.3.
- Индекс AA по кодинг-агентам (harness Codex, режим max): Astra 53, как у GPT-6 Astra; Sol 49, на 3 балла ниже GPT-6.1 Sol.
- Научный индекс Vals: Astra первая с 68.44%; Sol седьмая с 57.76%.
- Набор профессиональных задач Surge: по оценке Surge, Astra сейчас самая подходящая для профессиональной работы модель OpenAI (это вывод Surge), Chartography первое место 90.7%; медицина у Sol 17.2%, на 8 баллов ниже 6.1 Sol. Подробности в оригинальном посте Surge.
- Epoch: ECI делит первое место, но в её реальных исследовательских задачах относительно предыдущей версии почти нет существенного прогресса.
Рейтинги подтверждают «сильные стороны очень сильны», а также «в длинных задачах и в общем зачёте не всё выросло вместе». Эмоциональные отзывы первого дня в основном относятся ко второму.
Что могут неверно понять читатели
В первый день в китайскоязычных материалах было много публикаций, и кое-что стоит проверить. Первое, вход: в некоторых статьях написано «ChatGPT уже полностью запущен», а в официальном Learn указаны Work, Codex и API, и в ChatGPT нужно включить Work. Второе, числа: если смешать одноимённые бенчмарки официальной диаграммы, AA и Vals в одно число, получатся противоречивые выводы; например, FrontierCode 2.0 на официальной диаграмме 44.2%, а в стандартных условиях AA 45.4%. Третье, источник: в статье Kazike упомянут случай с 3D, который долго делал Claude и который появился в X, но автор и ссылка не указаны, и мы не подставляем источник от себя. Четвёртое, происхождение результатов: 65%, 84%, 96% у Kazike — результаты самодельного простого набора, задачи и размер выборки не раскрыты, это не отраслевая оценка.
Кроме того, APPSO пересказывает ряд демо 3D и личных замечаний о расходах на использование. Это сторонние истории без единых условий тестирования, и мы не используем содержащиеся в них суммы.
Ограничения этих отзывов
- С релиза прошёл один день. Все выводы — впечатления первого дня; Theo сам предсказывает, что настроение сначала разгорится, потом остынет.
- Выборки малы и смещены к профессионалам. Авторы в основном активные разработчики или оценщики, их задачи не представляют обычных пользователей.
- В основном ранний доступ, условия непрозрачны. Harness, режим рассуждения и промпты в большинстве случаев не опубликованы, и воспроизвести трудно.
- Часть оценок ещё идёт. На момент публикации Surge финансовые задачи Astra ещё не имели результата, и неопубликованные баллы мы не дописываем.
- Платный доступ и пересказы. Полный текст Every не прочитан, длинный пост Shipper в X был обрезан, соответствующее содержимое взято из пересказов с указанием источника. Утверждение Max Weinbach о том, что обе модели очень умны, мы видели только в пересказе Implicator, оригинального поста не читали, и в качестве довода не используем.
- Нет тестов Guishu Intelligence. Все числа и мнения здесь взяты у третьих лиц и не отражают каких-либо выводов Guishu Intelligence о моделях.
Как использовать эту информацию
Не нужно выбирать между «её разгромили» и «на самом деле она сильна». Полезнее так: если ваши задачи похожи на 3D, игры, проверку кода, научные расчёты, стоит попробовать; если вам нужна длительная разработка без присмотра, понятное общение и стабильный стиль письма, сначала проверьте в малом масштабе и требуйте от модели отчёта о препятствиях. Подождите ещё неделю, пока обновятся рейтинги и появятся отчёты не первого дня.
Источники
- Оригинальные посты X: @mattshumer_, @theo, @danshipper, @emollick, @skirano, @ArtificialAnlys, @HelloSurgeAI.
- СМИ и обработка: VentureBeat, Implicator, Epoch AI, Vals AI.
- Китайскоязычные тесты: статья на WeChat авторов Kazike и AIZ小朱, APPSO (републикация 36Kr).
Данные актуальны на 2026-11-18.