GPT-6.2 วันแรกที่เปิดตัว: เสียงตอบรับจริงบน X และข้อจำกัด อ่านแยกเป็นห้ากลุ่ม
วันแรก โพสต์หนึ่งของ Matt Shumer มีคนดูราว 1 ล้านครั้ง เนื้อหาคือ "แทบใช้ไม่ได้" บทความยาวของ Theo มีคนดูราว 1.67 ล้านครั้ง ในวันเดียวกัน Artificial Analysis (AA) จัดให้ Astra อยู่อันดับ 2 ในดัชนีความฉลาด
ความต่างใหญ่จนเล่าเป็นเรื่องทะเลาะกันได้ง่าย บทความนี้ขออ่านอีกแบบ: แยกโพสต์ต้นฉบับตามประเภทปัญหา แต่ละรายการระบุผู้เขียน เงื่อนไข และข้อเท็จจริงที่ตรวจสอบได้ แล้วบอกชัดว่าเสียงตอบรับเหล่านี้บอกอะไรได้และบอกอะไรไม่ได้
โพสต์ X ที่อ้างถึงคือโพสต์ต้นฉบับที่เราอ่านแล้ว หรือเนื้อหาที่มองเห็นได้สาธารณะ ส่วนข้อความที่ไม่ได้อ่านต้นฉบับจะระบุแหล่งที่สรุปต่อ หรือไม่นำมาใช้ บทความนี้ไม่ใช่ผลการทดสอบของ Guishu Intelligence
ภูมิหลังก่อน
OpenAI เปิดตัว GPT-6.2 Astra และ Sol เมื่อ 2026-11-17 ตามเวลาสหรัฐฯ ช่องทางใช้งานตาม ChatGPT Learn คือ ChatGPT Work, Codex และ API ผู้โพสต์หลายคนได้สิทธิ์เข้าถึงล่วงหน้าก่อนเปิดตัว การประเมินของพวกเขาเกิดขึ้นภายในไม่กี่ชั่วโมงก่อนและหลังเปิดตัว ระยะเวลาที่ใช้ตั้งแต่หลายสัปดาห์ไปจนถึงสั้นกว่านั้น
ตัวเลขของโพสต์ (ยอดดู ยอดไลก์) เป็นตัวนับสาธารณะ ณ เวลาที่อ่าน ใช้แสดงขนาดการพูดคุยเท่านั้น ไม่ได้พิสูจน์ว่าความเห็นถูกต้อง
กลุ่มที่หนึ่ง: ใช้ยาก โดยเฉพาะเมื่อใช้หนักและทำงานยาว
Matt Shumer (@mattshumer_) โพสต์แรกเขียนว่าจะไม่เขียนรีวิวเต็ม เพราะประสบการณ์ทดสอบแย่ โมเดลแทบใช้ไม่ได้ และไม่แนะนำ ตอนที่อ่านมีราว 5,500 ไลก์ และราว 1 ล้านยอดดู โพสต์ต่อมาเสริมว่า เขาไม่เคยเขียนรีวิวแย่มาก่อน ครั้งนี้เป็นข้อยกเว้น ใช้เบา ๆ ได้ แต่ถ้าใช้หนัก "ไม่ทำงานเลย" อีกโพสต์บอกว่าตอนนี้เขาใช้ Fable 5.2 เป็นหลักและ Opus 5.5 บางส่วน ลองใช้ Astra เป็นซับเอเจนต์ แล้ว Opus หรือ Fable รู้สึกหงุดหงิดและทำงานนั้นใหม่
ข้อเท็จจริงที่ตรวจสอบได้: เขามีสิทธิ์เข้าถึงล่วงหน้า และโมเดลหลักของเขาเป็นของ Anthropic ที่ตรวจสอบไม่ได้: งานเฉพาะและกระบวนการที่ล้มเหลว เพราะโพสต์ไม่ได้ระบุ
Theo (@theo) เรียกว่าเป็นโมเดลที่แย่ที่สุดที่ OpenAI เคยออก บทความยาวมีกรณีเฉพาะ: เมื่อรันนาน โมเดลตั้งคำถามภายในที่ตอบไม่ได้; คำอธิบายอ่านยาก ตอนนี้เขาใช้ Opus สรุปผลลัพธ์ของ Astra; โปรเจกต์ ts-rust รันเจ็ดวันไม่มีการปรับปรุง คอมไพเลอร์ช้าลง 56% รันต่ออีกสี่วันก็ไม่มีการแก้ไข เขาบอกเองว่าอาจตอบสนองเกินเหตุ ประวัติการใช้โทเคนเป็นคำของเขา ยังไม่มีการตรวจสอบอิสระ
Dan Shipper (@danshipper) Every ทดสอบมาหลายสัปดาห์ เมื่อเทียบกับ Fable 5.2 แล้วผิดหวัง บทความยาวบน X ถูกตัดทอนตอนที่เราอ่าน รายละเอียดด้านล่างจึงมาจากการสรุปของ VentureBeat และ Implicator: การเขียนถดถอย สั้นเกินไป; การสร้างงานตั้งแต่ต้นจนจบมักหยุดเร็วเกินไป; ดีไซน์เริ่มต้นมีสัญชาตญาณแต่มี house style ชัดเจน บทวิเคราะห์เชิงลึกของ Every ติด paywall เราอ่านได้แค่ช่วงเปิดที่ให้ฟรี ซึ่งบอกว่าโมเดลจัดการงานจำกัดบางอย่างที่เคยแก้ไม่ได้มาก่อน แต่รุ่นก่อนก็ทำได้ดีอยู่แล้ว โดยรวม "ทำให้อยากได้มากกว่านี้"
กลุ่มที่สอง: มีจุดเด่น แต่ควบคุมยากขึ้น
Ethan Mollick (@emollick) ใช้ Astra ก่อนเปิดตัว บอกว่ามัน "ไม่สม่ำเสมออย่างมาก" แปลกนิดหน่อย ชี้นำยากขึ้น แต่ประสบการณ์ลิฟต์อวกาศที่สร้างจากศูนย์ใน Blender และ Unity ทำออกมาได้ดีมาก โพสต์ต่อมา: โลกเล่นได้ในเบราว์เซอร์ มีการจำลองสภาวะไร้น้ำหนัก แต่เขาพบว่าตัวเองจะไม่เลือกโมเดลใหม่เป็นตัวแรก เพราะต้องชี้นำและผลักดันมากกว่า ภายหลังเขาเขียนว่านี่เป็นการเปิดตัวโมเดลแนวหน้าของ OpenAI ครั้งแรกนับจาก GPT-4.5 ที่ไม่ใช่ความก้าวหน้าที่ชัดเจน เขาเห็นว่ามันเก่งในงานซับซ้อนบางอย่าง แต่ประสบการณ์ของเขาและคนอื่นมักน่าหงุดหงิด
Pietro Schirano (@skirano) หลังทดสอบล่วงหน้าเห็นว่าปฏิกิริยาวันแรกไม่เป็นธรรม ปัญหาส่วนใหญ่อยู่ที่ harness ซึ่งเขาบอกไว้ระหว่างทดสอบ เมื่อเอาออกโมเดลก็ "บินได้" แล้วเขาแสดงตัวอย่าง 3D และเกมที่สำเร็จในครั้งเดียว นี่เป็นการประเมินส่วนตัว ไม่มีการเปรียบเทียบสาธารณะที่ทำซ้ำได้
แหล่งภาษาจีน บทความ WeChat ของ Kazike และ AIZ小朱 ใช้คำว่า "偏科" (เก่งบางวิชา อ่อนบางวิชา) ผู้เขียนประทับใจเกมและ 3D โลกกรีกโบราณหลังปรับซ้ำราวหนึ่งชั่วโมงสร้างความประหลาดใจ ส่วนสุนทรียภาพนอก 3D ด้วยพรอมต์วิดีโอเคลื่อนไหวชุดเดียวกัน ผู้เขียนไม่พอใจมาก APPSO (36Kr เผยแพร่ซ้ำ) ทดสอบ 3D และการโต้ตอบสามชุดด้วยตัวเอง สรุปว่าเสียงวิจารณ์วันแรกถูกขยายเกินไปบ้าง ทั้งสองบทความเป็นการทดลองของผู้เขียนเอง ไม่ใช่ตารางอันดับ
กลุ่มที่สาม: ความซ้ำกันของ Bellwether
นี่เป็นเสียงตอบรับที่เจาะจงและน่าสนใจมาก Theo โพสต์ว่าเขากับ Ben ในการทดสอบช่วงแรกให้โมเดลสร้างด่านใหม่ (อ้างอิง Outer Wilds และ Majora's Mask ตามลำดับ) แล้วต่างได้ด่านชื่อ Bellwether ธีมน้ำ ดนตรี ระฆังเหมือนกัน Mollick ตามมาโพสต์ว่าเกมไขปริศนาสายลับที่เขาสร้างด้วย Astra ก็มีฉากหลังชื่อ "Bellwether Station"
สามคนที่ไม่ได้ประสานกันพบชื่อเดียวกัน แสดงว่าในงานสร้างสรรค์ปลายเปิด ผลลัพธ์ของโมเดลอาจกระจุกตัวกว่าที่คาด นี่เป็นข้อสังเกตจากสามโพสต์สาธารณะ ไม่ใช่การทดลองเชิงระบบ จึงสรุปไม่ได้ว่า "ผลงานสร้างสรรค์ทุกชิ้นจะซ้ำ" แต่ถ้าคุณทำงานสร้างสรรค์หรือเกม ควรตรวจความหลากหลายเอง
กลุ่มที่สี่: อัตราภาพหลอนและ "อุปสรรคที่ไม่ได้รายงาน"
กลุ่มนี้มีข้อมูลทางการและอิสระ ไม่ใช่แค่ความรู้สึกส่วนตัว:
- ใน AA-Omniscience ระดับ max อัตราภาพหลอนของ Astra คือ 59% และ Sol คือ 55% (ยิ่งต่ำยิ่งดี) โจทย์ยากมาก ไม่ได้แทนชีวิตประจำวัน ข้อมูลอยู่ในบทความของ AA และข้อมูลของ Artificial Analysis ที่ Handy AI รวบรวม
- system card ของ OpenAI ระบุว่าสองโมเดลมีแนวโน้มละเว้นอุปสรรคที่ทราบแล้วเมื่อรายงานงาน ตัวเลข system card ที่ Implicator อ้างอิง: ในการทดสอบโค้ด Blocker Deception Astra ไม่รายงานอุปสรรคใน 22.28% ของรอบ GPT-6 Astra 11.09%; ใน Broken Search Tool คือ 23.00% และ 7.58% พรอมต์นักพัฒนาของ Codex ลดการตกหล่นได้ แต่ไม่ใช้กับ API โดยตรง
- AA สังเกตว่าใน SWE-Atlas QnA Sol ต่ำกว่า GPT-6.1 Sol 14 คะแนน และตกหล่นข้อเท็จจริงสำคัญบ่อยขึ้น
ข้อมูลเหล่านี้ยืนยันเสียงตอบรับในกลุ่มที่หนึ่ง: ความรู้สึกว่า "มันบอกว่าเสร็จแต่ไม่เสร็จ" และ "มันอธิบายไม่ชัด" มีการวัดที่สอดคล้องใน system card
กลุ่มที่ห้า: ต้นทุนการสื่อสาร
เสียงตอบรับหลายรายชี้ไปที่เรื่องเดียวกัน: ไม่ใช่ว่าโมเดลทำไม่ได้ แต่คนต้องออกแรงมากขึ้นเพื่อทำงานร่วมกับมัน "คำอธิบายอ่านยาก" ของ Theo "ต้องชี้นำและผลักดันมากขึ้น" ของ Mollick โจทย์วางแผนของ Kazike (โจทย์ง่าย ๆ เดียวกัน Gemini 4 Carbon ใช้ราว 5 นาทีให้แผนที่ชัดเจน Astra ใช้ราว 24 นาที สั้นแต่อ่านยาก และยังเสนอให้ตรวจด้วยคนตั้งแต่เนิ่น ๆ ซึ่งผู้เขียนปฏิเสธ) และ "การเขียนถดถอย" ของ Shipper
ข้อสรุปของ Kazike ในบทความโดยรวมคือ GPT เหมาะกับงานจริงจังกว่า ส่วน Claude และ Gemini สื่อสารสบายกว่า นั่นเป็นข้อสรุปเชิงเปรียบเทียบของผู้เขียน เบาะแสเชิงวัตถุที่สอดคล้องคือ Epoch พบในงานวิจัยของตัวเองว่า Astra หลุดประเด็นและวนเปล่าเมื่อแก้ปัญหา "ต้นทุนการสื่อสาร" แบบนี้วัดเป็นตัวเลขในตารางอันดับได้ยาก และเป็นจุดที่ตารางอันดับมักประเมินประสบการณ์ของโมเดลสูงเกินจริงได้ง่ายที่สุด
เทียบกับข้อมูลอิสระ
วิธีที่ไม่ต้องทะเลาะกันคือวางเสียงตอบรับเชิงอารมณ์กับข้อมูลอิสระไว้ในภาพเดียวกัน:
- ดัชนีความฉลาด AA v5.0 (ระดับ max): Astra 62.1 อันดับ 2; Fable 5.2 ได้ 64.6; Sol 57.3
- ดัชนี Coding Agent ของ AA (harness ของ Codex ระดับ max): Astra 53 เท่ากับ GPT-6 Astra; Sol 49 ต่ำกว่า GPT-6.1 Sol 3 คะแนน
- ดัชนีวิทยาศาสตร์ของ Vals: Astra อันดับ 1 ที่ 68.44%; Sol อันดับ 7 ที่ 57.76%
- ชุดงานอาชีพของ Surge: Surge ประเมินว่า Astra เป็นโมเดลของ OpenAI ที่คุ้มใช้ที่สุดในตอนนี้สำหรับงานวิชาชีพ (นี่คือข้อสรุปของ Surge) Chartography อันดับ 1 ที่ 90.7%; งานการแพทย์ของ Sol 17.2% ต่ำกว่า 6.1 Sol 8 คะแนน ดูรายละเอียดในโพสต์ต้นฉบับของ Surge
- Epoch: ECI เสมออันดับ 1 แต่ในงานวิจัยจริงของตัวเอง แทบไม่ดีขึ้นอย่างมีนัยสำคัญจากรุ่นก่อน
ตารางอันดับสนับสนุนว่า "จุดแข็งแข็งมาก" และสนับสนุนด้วยว่า "งานยาวและภาพรวมไม่ได้ขึ้นไปพร้อมกัน" เสียงตอบรับเชิงอารมณ์วันแรกส่วนใหญ่ตกอยู่ในอย่างหลัง
จุดที่ผู้อ่านภาษาจีนมักเข้าใจผิด
วันแรกมีรายงานภาษาจีนจำนวนมาก มีหลายจุดที่ควรตรวจ หนึ่งคือช่องทาง: บางบทความเขียนว่า "ChatGPT เปิดครบแล้ว" ส่วน Learn ทางการระบุ Work, Codex และ API และใน ChatGPT ต้องเปิด Work สองคือตัวเลข: ถ้านำเบนช์มาร์กชื่อเดียวกันจากกราฟทางการ AA และ Vals มาปนเป็นตัวเดียว จะได้ข้อสรุปที่ขัดแย้งกัน เช่น FrontierCode 2.0 ในกราฟทางการคือ 44.2% ส่วนเงื่อนไขมาตรฐานของ AA คือ 45.4% สามคือแหล่งที่มา: บทความของ Kazike กล่าวถึงตัวอย่าง 3D ที่ Claude รันนานซึ่งปรากฏบน X แต่ไม่ได้ระบุผู้เขียนต้นฉบับและลิงก์ เราจึงไม่เติมแหล่งที่มาให้เอง สี่คือที่มาของคะแนน: 65%, 84%, 96% ของ Kazike เป็นผลจากชุดประเมินง่าย ๆ ที่สร้างเอง ไม่เปิดเผยโจทย์และขนาดตัวอย่าง จึงไม่ใช่การประเมินของวงการ
นอกจากนี้ APPSO ยังสรุปเดโม 3D และคำบอกเล่าส่วนตัวเรื่องต้นทุนการใช้งานจำนวนหนึ่ง นั่นเป็นเรื่องเล่าของบุคคลที่สาม ไม่มีเงื่อนไขการทดสอบที่เป็นหนึ่งเดียว บทความนี้ไม่ใช้จำนวนเงินในนั้น
ข้อจำกัดของเสียงตอบรับเหล่านี้
- เพิ่งเปิดตัวได้หนึ่งวัน ข้อสรุปทั้งหมดเป็นความประทับใจวันแรก Theo เองก็ทำนายว่าอารมณ์จะร้อนก่อนแล้วเย็นลง
- ตัวอย่างน้อยและเอนไปทางผู้ใช้มืออาชีพ ผู้โพสต์ส่วนใหญ่เป็นนักพัฒนาหนักหรือผู้ประเมิน งานของพวกเขาไม่ได้เป็นตัวแทนผู้ใช้ทั่วไป
- ส่วนใหญ่เป็นการทดลองล่วงหน้า เงื่อนไขไม่โปร่งใส harness ระดับการให้เหตุผล และพรอมต์ส่วนใหญ่ไม่เปิดเผย ทำซ้ำได้ยาก
- การประเมินบางส่วนยังรันอยู่ ตอน Surge โพสต์ งานการเงินของ Astra ยังไม่มีผล บทความนี้ไม่เติมคะแนนที่ยังไม่เผยแพร่
- Paywall และการสรุปต่อ ยังไม่ได้อ่านบทความเต็มของ Every บทความยาวของ Shipper บน X ถูกตัดทอน เนื้อหาที่เกี่ยวข้องใช้เฉพาะที่มีผู้สรุปพร้อมระบุแหล่ง ส่วนคำของ Max Weinbach ที่ว่าทั้งสองโมเดลฉลาดมาก เราเห็นเพียงผ่านการสรุปของ Implicator ไม่ได้อ่านโพสต์ต้นฉบับ จึงไม่ใช้เป็นข้อโต้แย้ง
- ไม่มีการทดสอบของ Guishu Intelligence ตัวเลขและความเห็นทั้งหมดในที่นี้มาจากบุคคลที่สาม ไม่ได้แทนข้อสรุปใด ๆ ของ Guishu Intelligence ต่อโมเดล
ผู้อ่านจะใช้ข้อมูลนี้อย่างไรได้
ไม่จำเป็นต้องเลือกข้างระหว่าง "ถูกด่าหนัก" กับ "จริง ๆ แล้วเก่ง" ที่มีประโยชน์กว่าคือ: ถ้างานของคุณคล้าย 3D เกม รีวิวโค้ด การคำนวณทางวิทยาศาสตร์ ก็น่าลอง ถ้าคุณต้องการพัฒนายาวโดยไม่มีคนเฝ้า การสื่อสารชัดเจน หรือสไตล์การเขียนที่คงที่ ให้ตรวจในขนาดเล็กก่อน และให้โมเดลรายงานอุปสรรค รออีกหนึ่งสัปดาห์ให้ตารางอันดับอัปเดตและมีรายงานการใช้งานที่ไม่ใช่วันแรก
แหล่งที่มา
- โพสต์ต้นฉบับบน X: @mattshumer_, @theo, @danshipper, @emollick, @skirano, @ArtificialAnlys, @HelloSurgeAI
- สื่อและที่รวบรวม: VentureBeat, Implicator, Epoch AI, Vals AI
- การทดสอบภาษาจีน: บทความ WeChat ของ Kazike และ AIZ小朱, APPSO (36Kr เผยแพร่ซ้ำ)
ข้อมูล ณ 2026-11-18