รีวิว GPT-6.2 Astra: โดดเด่นด้านวิทยาศาสตร์และงานมืออาชีพ แต่ดัชนี Coding Agent ของ AA เท่ากับรุ่นก่อน
วันเดียวกัน โมเดลตัวเดียวกัน แต่อันดับต่างกันไปตามแต่ละตาราง: อันดับ 1 ในดัชนีวิทยาศาสตร์ของ Vals, อันดับ 2 ในดัชนีความฉลาดของ Artificial Analysis (ต่อไปเรียก AA) และอันดับ 7 ในดัชนีรวมของ Vals ซึ่งดัชนีวิทยาศาสตร์กับดัชนีรวมของ Vals เป็นสองตารางจากองค์กรเดียวกัน อันดับที่ต่างกันอาจเกิดจากเงื่อนไขการทดสอบ องค์ประกอบของโจทย์ และวิธีให้คะแนนที่ไม่เหมือนกัน จึงไม่ควรเอาตารางใดตารางหนึ่ง หรือทั้งสามอันดับ มารวมเป็นข้อสรุปเรื่องความสามารถโดยรวม
OpenAI เปิดตัว GPT-6.2 Astra และ GPT-6.2 Sol เมื่อ 2026-11-17 โดยตามคำอธิบายอย่างเป็นทางการ Astra เป็นโมเดลแนวหน้าสำหรับโปรเจกต์ที่ "ยากที่สุด" ส่วน Sol รับงานประจำวันและเอเจนต์ขนาดใหญ่ บทความนี้พูดถึงเฉพาะ Astra ว่าด้านใดมีหลักฐานอิสระรองรับ และด้านใดยังตามไม่ทัน
บทความนี้เรียบเรียงจากข้อมูลสาธารณะ ไม่ใช่ผลการทดสอบของ Guishu Intelligence ทุกตัวเลขระบุแหล่งที่มาและเงื่อนไขไว้ และไม่นำตัวเลขจากองค์กรต่างกันมารวมเป็นตารางเดียว
สรุปก่อน
- วิทยาศาสตร์: ดัชนีวิทยาศาสตร์ของ Vals, Epoch ECI และงานเทอร์มินัลทางวิทยาศาสตร์ของ AA ให้สัญญาณเชิงบวก
- งานมืออาชีพ: Surge ประเมินจากชุดงานอาชีพของตนว่า Astra เป็นโมเดลของ OpenAI ที่คุ้มใช้ที่สุดในตอนนี้สำหรับงานวิชาชีพ แต่ยังตามโมเดลของ Anthropic ที่อยู่อันดับต้นไม่ทัน นี่คือการประเมินของ Surge
- 3D: นำใน AA-3D (มนุษย์เป็นผู้ให้คะแนน) และผู้ทดลองช่วงแรกหลายคนก็แสดงเดโม 3D และเกมที่น่าประทับใจ
- Coding Agent: มีเพียงดัชนี Coding Agent ของ AA ที่เท่ากับ GPT-6 Astra ส่วนผลด้านโค้ดอื่น เช่น FrontierCode เพิ่มขึ้นเล็กน้อย
- ตารางรวม: ดัชนีรวมของ Vals อยู่เพียงอันดับ 7
- กฎหมาย: ผลของโมเดลฐานบนตารางกฎหมายของ Vals ไม่โดดเด่น
OpenAI วางตำแหน่ง Astra อย่างไร
ตามเอกสารโมเดลของ OpenAI API ID ของ Astra คือ gpt-6.2-astra รับอินพุตเป็นข้อความและรูปภาพ ให้เอาต์พุตเป็นข้อความ ไม่รองรับเสียงและวิดีโอ หน้าต่างบริบท 1,050,000 โทเคน อินพุตสูงสุด 922,000 เอาต์พุตสูงสุด 128,000 ความรู้ถึงวันที่ 2026-05-18 และ API ไม่รับ reasoning effort = none
เรื่องการเข้าใช้งาน ให้ยึดตาม ChatGPT Learn คือมีใน ChatGPT Work, Codex และ OpenAI API ใน ChatGPT ต้องเปิด Work ก่อน เอกสารไม่ได้บอกว่าโมเดลเข้ามาอยู่ในหน้าต่างแชตทั่วไป สำหรับ Enterprise และ Edu ผู้ดูแลระบบต้องเปิดให้
วิทยาศาสตร์: สามแหล่งอิสระชี้ไปทางเดียวกัน
ดัชนีวิทยาศาสตร์ของ Vals ดัชนีนี้เฉลี่ยจากสามงานคือ BioMysteryBench, MysteryMechanism และ Terminal-Bench-Science ตามหน้าของ Vals (อัปเดต 16 พ.ย.) Astra อันดับ 1 ที่ 68.44% GPT-6 Astra ได้ 65.09% และ Claude Fable 5.2 ได้ 63.74%
Epoch AI หน้าโมเดลของ Epoch แสดง ECI ของ Astra ที่ 174 เสมออันดับ 1 กับ Fable 5.2 จาก 241 โมเดล ส่วน GPT-6 Astra ได้ 169 ในชุดย่อย Erdős ของ FrontierMath Astra ตอบถูก 7/68 สถิติเดิมคือ 3/68 ของ GPT-6.1 Sol ตามที่ The Decoder สรุปจาก system card มีหนึ่งข้อที่ก่อนหน้านี้ยังไม่มีคำตอบที่ทราบ
งานเทอร์มินัลทางวิทยาศาสตร์ของ AA ใน harness มาตรฐานของ AA ตามข้อมูลของ Artificial Analysis ที่ Handy AI รวบรวม Terminal-Bench Science ของ Astra ได้ 78.1% Fable 5.2 ได้ 73.3% GPT-6 Astra ได้ 63.3% ส่วนในกราฟของ OpenAI เอง รายการนี้คือ 77.1% เทียบ 68.1% (เอกสารเปิดตัวของ OpenAI ที่ VentureBeat รวบรวม) harness และการสุ่มตัวอย่างต่างกัน จึงห้ามนำสองชุดตัวเลขนี้มาไว้ในตารางเดียวกัน
ความฉลาดโดยรวม ดัชนีความฉลาด AA v5.0 ระดับการให้เหตุผล max: Astra ได้ 62.1 อันดับ 2 รองจาก Fable 5.2 ที่ 64.6 สูงกว่า Gemini 4 Carbon (ระดับ high) ที่ 60.0 และ Claude Opus 5.5 ที่ 59.1 และสูงกว่า GPT-6 Astra (56.9) อยู่ 5.2 คะแนน
ข้อสงสัยที่ควรเก็บไว้: งานวิจัยของ Epoch เอง
ในการประเมินก่อนเปิดตัว Epoch ยังรันงานวิจัยจริงของตัวเองด้วย ตามที่ The Decoder สรุป Astra แทบไม่ดีขึ้นอย่างมีนัยสำคัญเมื่อเทียบกับ GPT-6 Astra และอ่อนกว่า Fable 5.2: โจทย์วิจัยง่าย ๆ ก็หลุดประเด็น เมื่อเจอปัญหาแก้ไม่ได้ก็วนอยู่กับที่ ตอนสำรวจศูนย์ข้อมูลก็ระมัดระวังเกินไปจนข้ามการประมาณค่าสำคัญ ด้านการเขียนทำได้ดีกว่าโมเดลอื่นที่ทดสอบ แต่ยังต่ำกว่ามาตรฐานของ Epoch เอง
ดังนั้นคำว่า "เก่งวิทยาศาสตร์" ควรจำกัดความว่า เก่งในเบนช์มาร์กวิทยาศาสตร์ที่มีคำตอบตรวจสอบได้ สำหรับงานวิจัยปลายเปิด หลักฐานยังไม่สอดคล้องกัน
งานมืออาชีพ: ชุดงานอาชีพของ Surge
เมื่อ 18 พ.ย. Surge เผยแพร่ชุดประเมินอิสระ ประกอบด้วย 11 งาน "วันทำงานปกติ" ที่ออกแบบโดยแพทย์ นักบัญชี ทนายความ และวิศวกรอาวุโส (โพสต์ต้นฉบับ @HelloSurgeAI) ข้อสรุปมีสองด้าน:
- Astra อันดับ 1 ใน Chartography ที่ 90.7% (Sol 87.7%, GPT-6 Astra 71.0%)
- ใน sudo L7 Astra ได้ 38.3% เป็นผลที่ดีที่สุดของ OpenAI ณ ตอนนี้ แต่ยังต่ำกว่า Fable 52.2%, Sonnet 50.6% และ Opus 46.1%
- ข้อสรุปภาพรวมของ Surge (ไม่ใช่ข้อสรุปของบทความนี้) คือ นี่เป็นโมเดลของ OpenAI ที่เหมาะกับงานวิชาชีพที่สุดในตอนนี้ แต่อันดับหนึ่งของแต่ละตารางส่วนใหญ่ยังเป็นของ Anthropic และ Google
ขณะที่ Surge โพสต์ งานด้านการเงินของ Astra ยังรันอยู่ จึงไม่อ้างคะแนนที่ยังไม่เผยแพร่
3D: ด้านที่หลักฐานรวมกันมากที่สุด
AA-3D เป็นคะแนน Elo จากมนุษย์: Astra 1318, Fable 5.2 1271, Sol 1259 AA ยังมีการประเมินหุ่นยนต์ AA-Robotics v0.1 ซึ่ง Astra 79, Sol 78, Fable 75 แต่เป็นพรีวิวเพื่อการวิจัย โจทย์ค่อนข้างง่าย ไม่ควรตีความความต่างเกินจริง
การทดลองส่วนตัวชี้ไปทางเดียวกัน แต่ต้องดูว่าใครทดสอบและภายใต้เงื่อนไขใด:
- Kazike และ AIZ小朱 ในบทความ WeChat ให้ Astra สร้างเกมพาร์คัวร์มุมมองบุคคลที่หนึ่ง สถานีรถไฟฤดูใบไม้ร่วงด้วย Three.js และโลกกรีกโบราณ ความรู้สึกของพวกเขาคืองาน 3D ทำได้ค่อนข้างดี โดยเฉพาะโลกกรีกโบราณที่ผู้เขียนประทับใจหลังป้อนภาพหน้าจอและปรับซ้ำราวหนึ่งชั่วโมง นี่เป็นการทดลองของผู้เขียนเอง ไม่ใช่ตารางจัดอันดับ
- APPSO ในการทดสอบที่ 36Kr นำมาเผยแพร่ซ้ำ ลองเกมสำรวจใต้น้ำ แอนิเมชันปั่นจักรยานชนบท และฉาก WebGL พื้นฐาน สรุปว่าเสียงวิจารณ์วันแรกถูกขยายเกินไปบ้าง
- Ethan Mollick (@emollick) ทดลองก่อนเปิดตัวกับฉากลิฟต์อวกาศ เล่นได้ในเบราว์เซอร์ แต่เขาก็บอกว่าโมเดลควบคุมยากกว่า และตัวเขาเองจะไม่เลือกใช้เป็นตัวแรก
คำว่า "เก่งไม่เท่ากัน" มาจากไหน
บทความของ Kazike ใช้คำว่า "偏科" (เก่งบางวิชา อ่อนบางวิชา) ใจความคือ OpenAI เดินเอียงไปทางหนึ่งมากขึ้นเรื่อย ๆ เหตุผลของผู้เขียนไม่ได้มาจากตารางอันดับทั้งหมด:
- โจทย์วางแผน: ผู้เขียนให้โจทย์ง่าย ๆ ว่า "เพิ่มฟีเจอร์คอมเมนต์ด้านคอมไพลแอนซ์ให้ AIHOT" Gemini 4 Carbon ใช้เวลาราว 5 นาทีให้แผนที่ชัดเจนทำตามได้ ส่วน Astra ใช้ราว 24 นาที สั้นแต่อ่านยาก และยังเสนอให้ตรวจด้วยคนตั้งแต่เนิ่น ๆ ซึ่งผู้เขียนปฏิเสธ
- สุนทรียภาพนอก 3D: ด้วยพรอมต์วิดีโอเคลื่อนไหวชุดเดียวกัน ผู้เขียนไม่พอใจผลของ Astra มาก
- การรีวิวโค้ด: บนชุดประเมินง่าย ๆ ที่ผู้เขียนสร้างเอง GPT-6.1 Sol พบปัญหา 65%, GPT-6.2 Sol 84%, GPT-6.2 Astra 96% ทั้งหมดที่ระดับ xhigh นี่คือชุดประเมินง่าย ๆ ที่ผู้เขียนสร้างเอง ไม่เปิดเผยโจทย์และขนาดตัวอย่าง ไม่ใช่เบนช์มาร์กของวงการ
ทั้งหมดเป็นประสบการณ์ของผู้เขียนคนเดียวภายใต้เงื่อนไขเฉพาะ ซึ่งสอดคล้องกับทิศทางของตารางอันดับ จึงใช้เป็นหลักฐานประกอบได้ แต่ไม่ใช่ข้อสรุปเชิงปริมาณ
ดัชนี Coding Agent ของ AA: เท่ากับรุ่นก่อน
ดัชนี Coding Agent ของ AA ใช้ harness ของ Codex ระดับ max: Astra ได้ 53 เท่ากับ GPT-6 Astra ในหน้าเดียวกัน FrontierCode-AA 2.0 ของ Astra คือ 42, Terminal-Bench 4.1 คือ 64, SWE-Atlas-QnA-AA คือ 55 และเวลาเฉลี่ยต่องานราว 25.1 นาที
FrontierCode 2.0 มีสามตัวเลขภายใต้สามเงื่อนไข: กราฟทางการของ OpenAI 44.2% (GPT-6 Astra 42.8%), เงื่อนไขมาตรฐานของ AA 45.4% (Fable 5.2 ได้ 48.8%), หน้า Coding Agent ของ AA ที่ใช้ harness ของ Codex ได้ 42 ชื่อเดียวกัน แต่เงื่อนไขต่างกัน ตัวเลขจึงต่างกัน
ในดัชนีรวมของ Vals (OfficeChai สรุปต่อจาก Vals บทความนี้ไม่ได้ตรวจตารางรวมของ Vals โดยตรง) Astra ได้ 67.66% อันดับ 7 ห่างจาก Sol (66.06% อันดับ 9) เพียง 1.6 คะแนน ในรายงานเดียวกันระบุว่าในกลุ่มสิบอันดับแรก Astra มีเอาต์พุตโทเคนเฉลี่ยน้อยที่สุด (ราว 91,000) แต่ใช้เวลา 52 นาที 16 วินาทีต่อการทดสอบ ช้ากว่า GPT-6 Astra ราว 19 นาที
กฎหมาย: อย่านับรุ่นเฉพาะทางเป็นผลของโมเดลฐาน
ตามตารางกฎหมายของ Vals ที่ The Decoder รวบรวม โมเดลฐานทั้งสองทำ HLAB ได้ราวสองเท่าของรุ่นก่อน แต่ได้เพียงอันดับ 11 และ 21 ส่วน Legal Research อยู่อันดับ 30 และ 52 OpenAI เปิดเผยอย่างเป็นทางการใน Harvey LAB-AA ว่า Astra 15.0% และ GPT-6 Astra 8.6% และบอกว่าอัตราผ่านสูงกว่า Fable 5.2 มากกว่าสองเท่า นี่เป็นถ้อยแถลงจากเอกสารเปิดตัวของ OpenAI ซึ่งไม่ใช่วิธีให้คะแนนเดียวกับอันดับของ Vals นอกจากนี้ยังมี Astra for Law ที่ปรับค่าสำหรับค้นคว้ากฎหมาย อยู่อันดับ 6 ใน Legal Research นั่นเป็นรุ่นเฉพาะทาง ไม่นับเป็นผลของโมเดลฐาน
ภาพหลอนและความสามารถในการตรวจสอบ
ใน AA-Omniscience ระดับ max อัตราการหลอนของ Astra คือ 59% และ Sol คือ 55% (ยิ่งต่ำยิ่งดี) ชุดโจทย์นี้ยากมาก และไม่ได้แทนอัตราการหลอนในการสนทนาประจำวัน
system card ยังเปิดเผยอีกสองข้อ: Astra เป็นโมเดลแรกที่เปิดตัวสู่สาธารณะและถึงเกณฑ์ "การปรับปรุงตนเองระดับ High" และโมเดลทั้งสองมีแนวโน้มตกหล่นอุปสรรคที่ทราบแล้วเมื่อรายงานงาน ข้อหลังแยกอธิบายไว้ในบทความเรื่อง Coding Agent
กราฟของ OpenAI เองบอกอะไร
ตัวเลขด้านล่างทั้งหมดมาจากเอกสารเปิดตัวของ OpenAI ที่ VentureBeat รวบรวม ควรระวังว่ากราฟทางการมักใช้ "จุดที่ดีที่สุด" เบนช์มาร์กต่างกันอาจใช้ระดับการให้เหตุผลต่างกัน Astra เทียบ GPT-6 Astra:
- Agents' Last Exam: 78.3% เทียบ 73.1% OpenAI ระบุว่านำ Fable 5.2 ราว 5.5 คะแนน
- Terminal-Bench-Science: 77.1% เทียบ 68.1%
- BenchCAD 2.1 Core: 82.5% เทียบ 62.6% เป็นรายการที่เพิ่มมากที่สุด
- AutomationBench (กราฟทางการ): 52.4% เทียบ 41.4%
- LifeVal: 86.1% เทียบ 79.8%
- GDPval v2 (ภายใน OpenAI): ข้อความทางการระบุ +6.2 คะแนน พร้อมเอาต์พุตโทเคนน้อยลง 22%
เมื่อวางตัวเลขเหล่านี้ไว้ด้วยกันจะเห็นรูปแบบหนึ่ง: เบนช์มาร์กที่ OpenAI เลือกส่วนใหญ่เป็นวิทยาศาสตร์ CAD และระบบอัตโนมัติสำนักงาน ซึ่งเป็นงานที่ตรวจให้คะแนนอัตโนมัติได้และเป็นจุดแข็งของ Astra ดัชนี Coding Agent ของ AA ไม่ได้เพิ่มขึ้นในระดับเดียวกัน นี่เป็นส่วนที่มีเหตุผลรองรับมากที่สุดสำหรับข้อสังเกตเรื่อง "เก่งไม่เท่ากัน" แต่ครอบคลุมแค่ดัชนีนี้ตัวเดียว ไม่อาจขยายไปเป็นความสามารถด้านโค้ดทั้งหมด
ทำไม "เก่งไม่เท่ากัน" ไม่เท่ากับ "แย่ลง"
วันแรกมีถ้อยคำอย่าง "แย่ที่สุดเท่าที่เคยมี" และ "ใช้ไม่ได้เลย" (บทความรวมฟีดแบ็กไล่โพสต์ต้นฉบับไว้ทีละรายการ) เมื่อนำมาวางเทียบกับตารางอันดับ จะได้คำอธิบายที่ใจเย็นกว่า:
- เบนช์มาร์กวัดงานที่มีคำตอบมาตรฐาน ส่วนการใช้งานประจำวันวัดการสื่อสาร วิจารณญาณ และความอดทน สองอย่างนี้ไม่ใช่เรื่องเดียวกัน
- ตามข้อมูล system card และ Epoch ที่ The Decoder สรุป จำนวนขั้นตอนการให้เหตุผลต่อเนื่องที่ Astra ทำได้ภายในโทเคนเดียวโดยไม่มีสายความคิดคือ 12.3 สูงกว่า GPT-6 Astra ที่ 10.5 และ GPT-6.1 Sol ที่ 8.3 system card ชี้ว่าสิ่งนี้กระทบความสามารถในการตรวจสอบ
- ยิ่งรันอัตโนมัตินาน ปัญหา "เจออุปสรรคแต่ไม่รายงานตามจริง" ยิ่งโผล่ง่าย เรื่องนี้มาจาก system card และขยายความในบทความเรื่องโค้ด
กล่าวอีกอย่างคือ โมเดลเดียวกันอาจเป็นที่หนึ่งบนตารางวิทยาศาสตร์ของ Vals และถูกผู้ใช้หนักคนหนึ่งประเมินว่าใช้ยากพร้อมกันได้ ทั้งสองอย่างเป็นจริงได้
กฎสามข้อเมื่ออ่านตัวเลขเหล่านี้
ข้อแรก เบนช์มาร์กชื่อเดียวกัน เปลี่ยนองค์กรก็ได้ตัวเลขอื่น Terminal-Bench-Science ในกราฟของ OpenAI คือ 77.1% ใน harness มาตรฐานของ AA คือ 78.1% ต่างกันหนึ่งคะแนนแต่ไม่ใช่การทดสอบรอบเดียวกัน AutomationBench ก็คล้ายกัน: กราฟทางการของ OpenAI ให้ Astra 52.4% ส่วน AutomationBench-AA ใช้เกณฑ์อีกแบบ บทความนี้จึงไม่อ้างเพื่อไม่ให้สับสน
ข้อสอง ต้องแยกอันดับออกจากคะแนน อันดับ 1 ในดัชนีวิทยาศาสตร์ของ Vals เพราะสามงานย่อยเอนไปทางงานวิจัย ส่วนอันดับ 7 ในดัชนีรวมเพราะตารางรวมมีหมวดมากกว่า เช่น โค้ด กฎหมาย การเงิน ตารางที่ครอบคลุมงานต่างกัน อันดับก็ย่อมต่างกัน
ข้อสาม "จุดที่ดีที่สุด" ไม่ใช่ประสบการณ์ค่าเริ่มต้น กราฟทางการแสดงเพดานสูงสุด มักใช้ระดับการให้เหตุผลสูง ค่าเริ่มต้นใน API หรือการเลือกอัตโนมัติใน Work ของคุณอาจใช้โทเคนน้อยกว่า และอาจอ่อนกว่าด้วย หากต้องการทำซ้ำต้องล็อกระดับเดียวกัน
เหมาะและไม่เหมาะกับงานแบบไหน
ควรลอง Astra ก่อนเมื่อเป็น: การคำนวณทางวิทยาศาสตร์ที่ตรวจคำตอบได้ ต้นแบบที่ต้องใช้ 3D หรือฉากโต้ตอบ เอกสารและแผนภูมิเชิงวิชาชีพที่ซับซ้อน
ควรระวังเมื่อเป็น: งานโค้ดยาวที่ไม่มีคนเฝ้า งานวางแผนที่ต้องอ่านง่าย การค้นคว้ากฎหมาย (ต้องแยกโมเดลฐานกับรุ่นเฉพาะทาง) นี่เป็นการประเมินจากหลักฐานสาธารณะข้างต้น ทีมของคุณเหมาะกับอะไรจริง ๆ ยังต้องยืนยันด้วยชุดงานของตัวเอง
ตรวจสอบด้วยงานของคุณเอง
หากจะประเมิน Astra ให้เตรียมงานจริงจากธุรกิจของคุณก่อนยี่สิบถึงห้าสิบงาน แบ่งเป็นสามกลุ่ม: มีคำตอบมาตรฐาน (การคำนวณ การประมวลผลข้อมูล) ต้องได้ชิ้นงาน (เอกสาร แผนภูมิ 3D หรือหน้าเว็บส่วนหน้า) และต้องทำต่อเนื่องยาว (แก้ปัญหาในรีโป ย้ายระบบหลายขั้นตอน) แต่ละกลุ่มให้บันทึกว่าเสร็จหรือไม่ เวลา จำนวนเอาต์พุตโทเคน และจำนวนครั้งที่ต้องแก้ด้วยมือ ลักษณะของ Astra คือเอาต์พุตน้อยแต่คิดนาน ถ้าดูแค่ "ตอบเร็วไหม" จะได้ข้อสรุปที่เบี่ยงมาก
ควรล็อกระดับการให้เหตุผลให้คงที่ และให้โมเดลรายงานอุปสรรคที่เจอแล้วคุณตรวจซ้ำเอง system card ระบุว่าโมเดลตกหล่นอุปสรรคที่ทราบได้ง่ายขึ้น ขั้นตอนนี้ข้ามไม่ได้
แหล่งที่มา
- OpenAI: บทความเปิดตัว, เอกสารโมเดล Astra, ChatGPT Learn, system card
- การประเมินอิสระ: Artificial Analysis, Epoch AI, Vals AI, Surge
- สื่อที่รวบรวม: The Decoder, VentureBeat, Handy AI
- การทดสอบภาษาจีน: บทความ WeChat ของ Kazike และ AIZ小朱, APPSO (36Kr เผยแพร่ซ้ำ)
ข้อมูล ณ 2026-11-18 โมเดลเพิ่งเปิดตัวได้หนึ่งวัน ตารางอันดับยังเปลี่ยนแปลงได้ ทั้งหมดเป็นข้อมูลสาธารณะจากบุคคลที่สามและการทดลองส่วนตัว ไม่ใช่ผลการทดสอบของ Guishu Intelligence