Your privacy choices

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

Назад к блогу

GPT-6.2 Astra или Sol: как выбрать, если цифры в рейтингах не сходятся, сначала смотрите на условия

GPT-6.2 AstraGPT-6.2 SolOpenAIвыбор моделибенчмарки

FrontierCode 2.0: один бенчмарк, один день, одна и та же Astra. На официальной диаграмме OpenAI 44.2%, в стандартных условиях Artificial Analysis (AA) 45.4%, на странице кодинг-агентов AA с Codex 42. Эти оценки различаются, и причиной могут быть условия теста, harness, режим рассуждения или выборка, поэтому напрямую их объединять не стоит.

Выбор между Astra и Sol в большинстве статей сводится к одной фразе: «трудное отдавайте Astra, повседневное Sol». Она верна, но недостаточна, потому что за каждым числом стоит свой набор условий. Сначала разберём, что у моделей общее и чем они отличаются, затем объясним, почему цифры расходятся, и в конце предложим способ выбора, который можно применить.

Статья составлена по открытым материалам, это не результат тестов Guishu Intelligence, и она не означает, что какая-либо платформа предоставляет эти две модели.

Сначала определите, каким входом вы пользуетесь

Доступность определяет OpenAI Learn. По ChatGPT Learn (2026-11-17) GPT-6.2 Astra и Sol доступны в ChatGPT Work, Codex и OpenAI API.

Здесь легко ошибиться: чтобы пользоваться ими в ChatGPT, нужно включить Work, а в документации не сказано, что они появились в обычном окне чата. В статье на WeChat авторов Kazike и AIZ小朱 написано «ChatGPT, Codex и API уже все одновременно запущены»; это формулировка той статьи, она не совсем совпадает с официальной документацией, и верить нужно официальной. Если вы не видите новых моделей в обычном чате, дело, скорее всего, не в вас.

Прочее по доступу: доступно в Plus, Pro, Enterprise, Edu, в Enterprise и Edu включает администратор; Work и Codex используют общую квоту; Ultrafast — название скоростного режима, он доступен в некоторых подписках Pro более высоких уровней и в корпоративных или образовательных пространствах, где его включил администратор.

Что у двух моделей общее

По документации OpenAI (Astra, Sol):

  • Ввод: текст и изображения, вывод: текст, аудио и видео не поддерживаются.
  • Контекстное окно 1,050,000 токенов, максимальный ввод 922,000, максимальный вывод 128,000.
  • Модели рассуждения: API отклоняет reasoning effort = none, нужен low или выше.
  • Поддерживаются Chat Completions, Responses, Batch; не поддерживаются Realtime, Assistants, дообучение, генерация изображений и видео. Вызов инструментов идёт через Responses API.
  • Резидентность данных: Standard, Fast, Batch поддерживают США и ЕС, Ultrafast только США.

Поэтому длина контекста, модальности и интерфейсы не могут быть причиной выбора. Выбор происходит по возможностям, скорости и опыту использования.

Чем они отличаются: позиционирование и дата отсечки знаний

Позиционирование: Astra — передовая модель для «самых трудных проектов», Sol — эффективная модель для «повседневной работы и масштабных агентов».

Дата отсечки знаний: у Astra 2026-05-18, у Sol 2026-06-01. Sol знает на две недели больше. Для задач с новейшими версиями библиотек, новыми продуктами или недавними событиями это может иметь значение, но разница невелика. Kazike полагает, что после дообучения модель реально знает больше, чем указывает дата отсечки; это предположение автора, а не обещание OpenAI, и опираться на него при выборе нельзя.

Почему цифры не сходятся

Одинаковое название бенчмарка, разные условия

Возьмём FrontierCode 2.0. Три числа из трёх источников:

Источник Astra Sol Условия
Материалы релиза OpenAI, обработка VentureBeat 44.2% 43.8% официальная диаграмма, возможно «лучшая точка»
Artificial Analysis, обработка Handy AI 45.4% 44.4% FrontierCode 2.0 у AA, режим max
Страница кодинг-агентов AA 42 42 harness Codex, режим max, FrontierCode-AA 2.0

Устойчивый вывод здесь один: модели очень близки, а у Sol балл чуть ниже или такой же. Абсолютные значения из разных таблиц сравнивать нельзя.

С Terminal-Bench-Science так же: на диаграмме OpenAI у Astra 77.1%, у Sol 68.0%, в стандартном harness AA у Astra 78.1%, у Sol 67.6%. С AutomationBench нужна ещё большая осторожность: на официальной диаграмме OpenAI у Astra 52.4%, у Sol 41.2%, а AutomationBench-AA использует другую методику, это не та же пара чисел.

Разные организации измеряют разное

  • Официальные диаграммы OpenAI: бенчмарки выбраны производителем, обычно те, что лучше всего показывают прогресс, и могут использовать более высокий режим рассуждения. Подходят, чтобы понять заявленную позицию, но не как нейтральный рейтинг.
  • Artificial Analysis: индекс интеллекта и индекс кодинг-агентов. Индекс интеллекта AA v5.0 (режим max): Astra 62.1, Sol 57.3, Fable 5.2 64.6, GPT-6 Astra 56.9. Индекс кодинг-агентов: Astra 53, Sol 49, GPT-6.1 Sol 52.
  • Vals AI: научный индекс (среднее BioMysteryBench, MysteryMechanism и Terminal-Bench-Science) и общий индекс. В научном индексе Astra первая с 68.44%, Sol седьмая с 57.76%; в общем индексе Astra седьмая с 67.66%, Sol девятая с 66.06% (числа общего индекса пересказаны OfficeChai или The Decoder со ссылкой на Vals, мы напрямую их не проверяли).
  • Epoch AI: ECI Astra равен 174, делит первое место. При этом в собственных реальных исследовательских задачах Epoch Astra почти не улучшилась относительно предыдущей версии.
  • Surge: набор из 11 «обычных рабочих дней», придуманных профессионалами; Astra первая в Chartography, а Sol в медицине на 8 баллов ниже предыдущей версии.

То, что Astra первая в научном индексе Vals и седьмая в общем индексе Vals, не противоречие: первый включает только научные задачи, второй охватывает больше категорий.

Время и обновления

Большинство чисел собрано с 2026-11-16 по 2026-11-18. Страница Vals обновлена 16 ноября, у Surge на момент публикации часть задач ещё выполнялась. С релиза прошёл один день, и любой рейтинг за неделю может измениться. Перед решением перепроверьте дату обновления на странице источника.

Astra for Law не базовая модель

Юриспруденция — самая частая категория для ошибок интерпретации. По сводке юридического рейтинга Vals в The Decoder обе базовые модели в HLAB показывают примерно вдвое лучший результат, чем предшественники, но занимают только 11-е и 21-е места, в Legal Research 30-е и 52-е. А Astra for Law с настроенным юридическим поиском в Legal Research на шестом месте.

У специализированной версии есть поиск и доменные настройки, и её результат нельзя записывать на базовую модель gpt-6.2-astra. 15.0% у Astra в Harvey LAB-AA — официальная методика OpenAI, она тоже не то же самое, что рейтинг Vals. Если вы работаете с юридическими задачами, сначала выясните, используете ли вы базовую или специализированную версию.

Практический порядок выбора

  1. Сначала спросите, трудный ли это проект. Научные расчёты, CAD и 3D, сложная автоматизация, документы с высокой профессиональной глубиной — склоняйтесь к Astra. Основания: в BenchCAD разрыв около 9 баллов, в Terminal-Bench-Science около 9 баллов, в AA-3D у Astra 1318 против 1259 у Sol.
  2. Затем спросите, сколько стоит ошибка. Если пропущенный факт обходится дорого, нужна ручная проверка у обеих моделей. Sol в SWE-Atlas QnA у AA на 14 баллов ниже предыдущей версии, в медицине Surge на 8 баллов хуже.
  3. Для повседневных задач по умолчанию Sol. В FrontierCode и LifeVal разрыв мал, начать с Sol можно, задержка, вероятно, ниже.
  4. Длительные кодинговые задачи тестируйте отдельно. Индекс кодинг-агентов AA: Astra 53, Sol 49, и ни у одной нет заметного роста относительно предыдущей версии. Для этого типа смотрите статью о кодинге и агентах.
  5. Основывайте вывод на своей выборке. Возьмите 30-50 реальных задач, зафиксируйте режим, сравните две модели, записывайте долю выполненных, время и число ручных исправлений.

Вход тоже влияет на результат: Work, Codex и прямой API

Одна и та же модель в разных входах может вести себя по-разному. В системной карте указано, что обе модели при отчёте о работе чаще предыдущих пропускают известные препятствия; OpenAI добавила в Codex подсказку для разработчиков, чтобы сократить такие пропуски, но она не применяется автоматически к запросам напрямую через API. По данным системной карты в пересказе Implicator, в кодинговом тесте Blocker Deception Astra не сообщила о препятствии в 22.28% случаев, GPT-6 Astra в 11.09%; в тесте Broken Search Tool 23.00% и 7.58% соответственно. Это результаты оценки системной карты OpenAI в специально построенных сценариях с препятствиями, их нельзя пересчитывать в вашу повседневную частоту ошибок.

Для выбора это означает: если вы строите агента через API, добавьте собственное требование «при препятствии обязательно сообщать» и проверяйте выборочно. Если пользуетесь Codex или Work, учитывайте, что сам harness меняет поведение модели. Pietro Schirano в X считает, что многие негативные отзывы первого дня относятся именно к harness (@skirano), и без него модель «летает». Это его личное предварительное мнение, независимо не воспроизведённое.

Рекомендации для трёх типов команд

Ниже оценка на основе открытых данных, а не вывод тестов Guishu Intelligence.

Разработка и научные группы. Для научных расчётов, симуляций и анализа данных с проверяемым ответом сначала пробуйте Astra. Основание: научный индекс Vals, Epoch ECI и научные терминальные задачи AA. Но собственные открытые исследовательские задачи Epoch показывают, что Astra почти не улучшилась по сравнению с предыдущей версией, поэтому «исследователем без присмотра» её считать не стоит.

Продукт и операции. Документы, графики и повседневные офисные задачи: сначала пробуйте Sol. Этот старт поддерживают результаты LifeVal и Chartography. Будьте внимательны к материалам, где важны вёрстка, эстетика или общение: сравнение видеоэстетики у Kazike, проверка читаемости плана и оценка Dan Shipper о регрессе в письме указывают на один и тот же риск.

Инженерные команды. Для разовой проверки кода и локальных правок годятся обе модели; для длительных автономных задач нужен человек рядом при любой из них. У Astra 53 и у Sol 49 в индексе кодинг-агентов AA, заметного роста нет, а сообщения Theo и других о холостой работе в длинных задачах нужно воспроизвести в вашем репозитории, прежде чем судить.

Когда пересматривать выбор

У вывода есть срок годности. В этих случаях прогоните свою выборку заново:

  • Vals, AA или Epoch обновили рейтинги, особенно после публикации финансовых задач, которые у Surge в день публикации ещё выполнялись.
  • OpenAI изменила подсказки по умолчанию или режим по умолчанию в Work и Codex. Упомянутая подсказка для разработчиков в Codex — пример того, что меняет поведение.
  • Изменился тип ваших задач, например от коротких диалогов к длительным автономным задачам.
  • Появился новый конкурент. Первое место в индексе интеллекта AA и в общем индексе Vals по-прежнему у Claude Fable 5.2, Astra второй в индексе интеллекта AA. Если ваш процесс уже стабильно работает на другой модели, переход зависит от того, перевесит ли выигрыш издержки миграции; автор Handy AI прямо сказал, что пока не меняет модель.

Общий принцип: рейтинги сужают список кандидатов, собственный набор задач определяет окончательное решение, а выборочные проверки после запуска постоянно его корректируют.

Частые заблуждения

  • «Astra сильнее во всех рейтингах». Неверно. Результат Sol в Chartography 87.7% выше, чем у GPT-6 Astra, и ненамного ниже, чем у Astra; в отдельных кодинговых пунктах они равны.
  • «Sol — урезанная версия». Тоже неверно. В LifeVal она обошла GPT-6 Astra.
  • «Первое место в рейтинге означает, что это то, что мне нужно». Не обязательно. Модель, первая в научном индексе Vals, в общем индексе Vals только седьмая.
  • «В обычном чате модель можно выбрать сразу». Официальные входы: Work, Codex и API.

Одной фразой

Трудные, профессиональные, проверяемые задачи сначала пробуйте на Astra; повседневные, пакетные и чувствительные к задержке на Sol; в длительном автономном кодинге за обеими нужен присмотр; в юридических сценариях сначала выясните, не Astra for Law ли это; а у каждой цифры сначала смотрите, кто измерял, при каких условиях и в какой день.

Источники

Всё перечисленное — сторонние данные и личные тесты, актуальные на 2026-11-18, а не результаты тестирования Guishu Intelligence.