Your privacy choices

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

Quay lại blog

Đánh giá GPT-6.2 Astra: bứt phá ở khoa học và công việc chuyên môn, chỉ số AA về agent lập trình ngang thế hệ trước

GPT-6.2 AstraOpenAIđánh giá mô hìnhkhoa học3D

Cùng một ngày, cùng một mô hình nhưng thứ hạng khác nhau trên từng bảng: hạng nhất ở chỉ số khoa học của Vals, hạng hai ở chỉ số trí tuệ của Artificial Analysis (viết tắt AA), hạng bảy ở chỉ số tổng hợp của Vals. Chỉ số khoa học và chỉ số tổng hợp của Vals là hai bảng của cùng một tổ chức. Thứ hạng lệch nhau có thể do điều kiện kiểm thử, cơ cấu nhiệm vụ và cách tính điểm khác nhau, nên không nên gộp một bảng hay ba thứ hạng thành một kết luận về năng lực tổng thể.

OpenAI phát hành GPT-6.2 Astra và GPT-6.2 Sol vào 2026-11-17. Theo mô tả chính thức, Astra là mô hình tiên phong cho các dự án "khó nhất", còn Sol đảm nhận công việc hằng ngày và agent quy mô lớn. Bài này chỉ nói về Astra: lĩnh vực nào có bằng chứng độc lập ủng hộ, lĩnh vực nào chưa theo kịp.

Bài tổng hợp từ tài liệu công khai, không phải kết quả đo kiểm của Guishu Intelligence. Mọi con số đều ghi nguồn và điều kiện, số liệu của các tổ chức khác nhau không bị gộp vào một bảng.

Kết luận nhanh

  • Khoa học: chỉ số khoa học của Vals, Epoch ECI và nhiệm vụ terminal khoa học của AA đều cho tín hiệu tích cực.
  • Giao việc chuyên môn: theo đánh giá của Surge trên bộ nhiệm vụ nghề nghiệp của họ, Astra hiện là mô hình OpenAI đáng dùng nhất cho công việc chuyên môn, nhưng vẫn chưa đuổi kịp mô hình Anthropic đứng đầu. Đây là nhận định của Surge.
  • 3D: dẫn đầu AA-3D (người chấm), nhiều người dùng sớm cũng cho thấy demo 3D và game rất mạnh.
  • Agent lập trình: chỉ chỉ số agent lập trình của AA là ngang GPT-6 Astra; các hạng mục lập trình khác như FrontierCode tăng nhẹ.
  • Bảng tổng hợp: chỉ số tổng hợp của Vals chỉ xếp thứ bảy.
  • Pháp lý: kết quả của mô hình nền trên bảng pháp lý của Vals không nổi bật.

OpenAI định vị Astra thế nào

Theo tài liệu mô hình của OpenAI, ID API của Astra là gpt-6.2-astra. Mô hình nhận đầu vào văn bản và hình ảnh, trả về văn bản, không hỗ trợ âm thanh và video. Cửa sổ ngữ cảnh 1,050,000 token, đầu vào tối đa 922,000, đầu ra tối đa 128,000. Ngày cắt kiến thức là 2026-05-18. API không chấp nhận reasoning effort = none.

Về khả năng sử dụng, theo ChatGPT Learn: mô hình có trong ChatGPT Work, Codex và OpenAI API. Trong ChatGPT phải bật Work trước; tài liệu không nói mô hình xuất hiện trong khung chat thông thường. Với Enterprise và Edu, quản trị viên phải bật.

Khoa học: ba nguồn độc lập cùng hướng

Chỉ số khoa học của Vals. Chỉ số này lấy trung bình ba bài: BioMysteryBench, MysteryMechanism và Terminal-Bench-Science. Theo trang của Vals (cập nhật ngày 16/11), Astra đứng nhất với 68.44%; GPT-6 Astra đạt 65.09%; Claude Fable 5.2 đạt 63.74%.

Epoch AI. Trang mô hình của Epoch cho thấy ECI của Astra là 174, đồng hạng nhất với Fable 5.2 trong 241 mô hình; GPT-6 Astra là 169. Trên tập con Erdős của FrontierMath, Astra giải đúng 7/68, kỷ lục trước đó là 3/68 của GPT-6.1 Sol. Theo The Decoder thuật lại system card, có một bài trước đó chưa có lời giải được biết.

Nhiệm vụ terminal khoa học của AA. Trong harness chuẩn của AA, theo số liệu của Artificial Analysis do Handy AI tổng hợp, Terminal-Bench Science của Astra là 78.1%, Fable 5.2 là 73.3%, GPT-6 Astra là 63.3%. Trong biểu đồ của chính OpenAI, hạng mục này là 77.1% so với 68.1% (tài liệu phát hành của OpenAI, do VentureBeat tổng hợp). Harness và cách lấy mẫu khác nhau nên hai bộ số này không được đặt chung một bảng.

Trí tuệ tổng hợp. Chỉ số trí tuệ AA v5.0, mức suy luận max: Astra 62.1, hạng hai, sau Fable 5.2 với 64.6; cao hơn Gemini 4 Carbon (mức high) với 60.0 và Claude Opus 5.5 với 59.1; hơn GPT-6 Astra (56.9) 5.2 điểm.

Một điểm nghi vấn cần giữ lại: bài nghiên cứu riêng của Epoch

Trong đợt đánh giá trước phát hành, Epoch còn chạy các nhiệm vụ nghiên cứu thực tế của riêng họ. Theo The Decoder thuật lại, Astra gần như không tiến bộ đáng kể so với GPT-6 Astra và yếu hơn Fable 5.2: với câu hỏi nghiên cứu đơn giản thì lạc đề, gặp trục trặc không sửa nổi thì chạy không, khi khảo sát trung tâm dữ liệu thì quá thận trọng và bỏ qua các bước ước tính then chốt. Phần viết tốt hơn các mô hình khác được thử, nhưng vẫn thấp hơn chuẩn của chính Epoch.

Vì vậy "mạnh về khoa học" cần giới hạn lại: mạnh trên các bài khoa học có đáp án kiểm chứng được. Với công việc nghiên cứu mở, bằng chứng chưa nhất quán.

Giao việc chuyên môn: bộ nhiệm vụ nghề nghiệp của Surge

Ngày 18/11, Surge công bố một bộ đánh giá độc lập gồm 11 "ngày làm việc bình thường" do bác sĩ, kế toán, luật sư và kỹ sư cao cấp thiết kế (bài gốc @HelloSurgeAI). Kết luận có hai mặt:

  • Astra đứng nhất ở Chartography với 90.7% (Sol 87.7%, GPT-6 Astra 71.0%).
  • Ở sudo L7, Astra đạt 38.3%, là kết quả tốt nhất hiện nay của OpenAI, nhưng vẫn thấp hơn Fable 52.2%, Sonnet 50.6% và Opus 46.1%.
  • Nhận định chung của Surge (không phải kết luận của bài này): đây là mô hình OpenAI phù hợp nhất hiện nay cho công việc chuyên môn, nhưng vị trí đầu các bảng vẫn chủ yếu thuộc Anthropic và Google.

Khi Surge đăng bài, các nhiệm vụ tài chính của Astra vẫn đang chạy nên ở đây không trích điểm chưa công bố.

3D: mảng có bằng chứng tập trung nhất

AA-3D là điểm Elo do người chấm: Astra 1318, Fable 5.2 1271, Sol 1259. AA còn có bài đánh giá robot AA-Robotics v0.1: Astra 79, Sol 78, Fable 75, nhưng đó là bản xem trước nghiên cứu, nhiệm vụ khá đơn giản, không nên diễn giải chênh lệch quá mức.

Các thử nghiệm cá nhân cùng hướng, nhưng cần xem ai thử và trong điều kiện nào:

  • Kazike và AIZ小朱 trong bài đăng WeChat cho Astra tạo game parkour góc nhìn thứ nhất, ga tàu mùa thu bằng Three.js và thế giới Hy Lạp cổ đại. Cảm nhận của họ là nhiệm vụ 3D làm khá tốt, riêng ví dụ Hy Lạp cổ đại sau khoảng một giờ nạp ảnh chụp màn hình và lặp lại khiến tác giả ấn tượng. Đây là thử nghiệm cá nhân của tác giả, không phải bảng xếp hạng.
  • APPSO, trong bài thử nghiệm 36Kr đăng lại, chạy game khám phá dưới nước, hoạt ảnh đạp xe vùng quê và một cảnh WebGL cơ bản, kết luận rằng những lời chê ngày đầu có phần bị phóng đại.
  • Ethan Mollick (@emollick) thử trước phát hành một cảnh thang máy không gian, chơi được trong trình duyệt, nhưng ông cũng nói mô hình khó điều khiển hơn và bản thân sẽ không chọn nó trước tiên.

Chữ "học lệch" từ đâu ra

Tiêu đề bài của Kazike dùng "偏科" (học lệch: giỏi môn này, kém môn kia), ý chung là OpenAI ngày càng đi lệch. Lập luận của tác giả không chỉ dựa vào bảng xếp hạng:

  • Bài toán lập kế hoạch: tác giả đưa một yêu cầu đơn giản "thêm tính năng bình luận tuân thủ cho AIHOT". Gemini 4 Carbon mất khoảng 5 phút để đưa ra phương án rõ ràng, khả thi; Astra mất khoảng 24 phút, ngắn nhưng khó đọc, còn đề nghị duyệt thủ công từ sớm, bị tác giả bác bỏ.
  • Thẩm mỹ ngoài 3D: với cùng một yêu cầu video động, tác giả rất không hài lòng với kết quả của Astra.
  • Rà soát mã: trên bộ đánh giá đơn giản tự dựng của tác giả, GPT-6.1 Sol tìm ra 65% vấn đề, GPT-6.2 Sol 84%, GPT-6.2 Astra 96%, tất cả ở mức xhigh. Đây là bộ đánh giá đơn giản do tác giả tự dựng, đề bài và cỡ mẫu không công bố, không phải benchmark của ngành.

Tất cả là trải nghiệm của một tác giả trong điều kiện cụ thể. Chúng cùng hướng với các bảng xếp hạng nên có thể làm bằng chứng bổ trợ, nhưng không phải kết luận định lượng.

Chỉ số agent lập trình của AA: ngang thế hệ trước

Chỉ số agent lập trình của AA dùng harness Codex, mức max: Astra đạt 53, ngang GPT-6 Astra. Trên cùng trang, FrontierCode-AA 2.0 của Astra là 42, Terminal-Bench 4.1 là 64, SWE-Atlas-QnA-AA là 55, trung bình mỗi nhiệm vụ khoảng 25.1 phút.

FrontierCode 2.0 có ba con số theo ba điều kiện: biểu đồ chính thức của OpenAI là 44.2% (GPT-6 Astra 42.8%), điều kiện chuẩn của AA là 45.4% (Fable 5.2 là 48.8%), trang agent lập trình của AA với harness Codex là 42. Tên giống nhau, điều kiện khác nhau nên số khác nhau.

Trong chỉ số tổng hợp của Vals (OfficeChai thuật lại Vals, bài này chưa trực tiếp đối chiếu bảng tổng hợp của Vals), Astra đạt 67.66%, hạng bảy, chỉ hơn Sol (66.06%, hạng chín) 1.6 điểm. Cũng bài thuật lại đó cho biết trong top 10, Astra có lượng token đầu ra trung bình thấp nhất (khoảng 91,000) nhưng mỗi lượt thử mất 52 phút 16 giây, chậm hơn GPT-6 Astra khoảng 19 phút.

Pháp lý: đừng tính bản chuyên dụng cho mô hình nền

Theo bảng pháp lý của Vals do The Decoder tổng hợp, hai mô hình nền đạt kết quả HLAB cao gấp khoảng hai lần thế hệ trước nhưng chỉ xếp thứ 11 và 21; Legal Research xếp thứ 30 và 52. OpenAI chính thức công bố ở Harvey LAB-AA: Astra 15.0%, GPT-6 Astra 8.6%, và nói tỷ lệ đạt cao hơn Fable 5.2 hơn gấp đôi; đó là cách nói trong tài liệu phát hành của OpenAI và không cùng cách tính với xếp hạng của Vals. Ngoài ra có Astra for Law với cấu hình tra cứu pháp lý, xếp thứ sáu ở Legal Research; đó là bản chuyên dụng, không được tính vào thành tích của mô hình nền.

Ảo giác và khả năng giám sát

Ở AA-Omniscience mức max, tỷ lệ ảo giác của Astra là 59%, Sol là 55% (càng thấp càng tốt). Bộ đề này rất khó và không đại diện cho tỷ lệ ảo giác khi trò chuyện hằng ngày.

System card còn nêu hai điểm: Astra là mô hình đầu tiên được công bố đạt ngưỡng "tự cải tiến mức High"; cả hai mô hình dễ bỏ sót các trở ngại đã biết khi báo cáo công việc. Điểm sau được phân tích riêng trong bài về agent lập trình.

Biểu đồ của chính OpenAI nói gì

Các số dưới đây đều lấy từ tài liệu phát hành của OpenAI, do VentureBeat tổng hợp. Cần lưu ý biểu đồ chính thức thường lấy "điểm tốt nhất", các bài khác nhau có thể ứng với mức suy luận khác nhau. Astra so với GPT-6 Astra:

  • Agents' Last Exam: 78.3% so với 73.1%. OpenAI nói dẫn Fable 5.2 khoảng 5.5 điểm.
  • Terminal-Bench-Science: 77.1% so với 68.1%.
  • BenchCAD 2.1 Core: 82.5% so với 62.6%, mức tăng lớn nhất.
  • AutomationBench (biểu đồ chính thức): 52.4% so với 41.4%.
  • LifeVal: 86.1% so với 79.8%.
  • GDPval v2 (nội bộ OpenAI): văn bản chính thức nêu +6.2 điểm, đồng thời số token đầu ra ít hơn 22%.

Đặt các số cạnh nhau sẽ thấy một quy luật: các benchmark OpenAI chọn phần lớn là khoa học, CAD, tự động hóa văn phòng, tức nhiệm vụ chấm tự động và đúng là sở trường của Astra. Chỉ số agent lập trình của AA không tăng cùng biên độ. Đây là căn cứ khá vững cho nhận định "học lệch", nhưng nó chỉ bao phủ một chỉ số này và không thể suy ra cho mọi năng lực lập trình.

Vì sao "học lệch" không có nghĩa là "tệ đi"

Ngày đầu có những phát ngôn như "tệ nhất từ trước đến nay" hay "gần như không dùng được" (bài về phản hồi liệt kê từng bài gốc). Đặt chúng cạnh các bảng xếp hạng, ta có cách giải thích điềm tĩnh hơn:

  1. Benchmark đo các nhiệm vụ có đáp án chuẩn, còn trải nghiệm hằng ngày đo giao tiếp, phán đoán và sự kiên nhẫn. Đó không phải một việc.
  2. Theo system card và dữ liệu Epoch do The Decoder thuật lại, số bước suy luận tuần tự mà Astra hoàn thành trong một token mà không cần chuỗi suy nghĩ là 12.3, cao hơn 10.5 của GPT-6 Astra và 8.3 của GPT-6.1 Sol. System card chỉ ra điều này ảnh hưởng đến khả năng giám sát.
  3. Chạy tự động càng lâu càng dễ lộ vấn đề "gặp trở ngại nhưng không báo cáo trung thực". Điều này đến từ system card và được phân tích ở bài về lập trình.

Nói cách khác, cùng một mô hình có thể đứng nhất bảng khoa học của Vals và đồng thời bị một người dùng nặng đánh giá là khó dùng. Cả hai đều có thể đúng.

Ba quy tắc khi đọc các con số

Thứ nhất, cùng một tên benchmark, đổi tổ chức là ra con số khác. Terminal-Bench-Science là 77.1% trong biểu đồ OpenAI và 78.1% trong harness chuẩn của AA, chênh một điểm nhưng không phải cùng một lần chạy. AutomationBench cũng vậy: biểu đồ chính thức của OpenAI cho Astra 52.4%, còn AutomationBench-AA dùng cách tính khác, bài này không trích để tránh nhầm.

Thứ hai, phải tách thứ hạng và điểm số. Đứng nhất chỉ số khoa học của Vals vì ba bài con thiên về nghiên cứu; hạng bảy chỉ số tổng hợp vì bảng tổng hợp có nhiều nhóm hơn như lập trình, pháp lý, tài chính. Các bảng bao phủ nhiệm vụ khác nhau thì thứ hạng đương nhiên khác.

Thứ ba, "điểm tốt nhất" không phải trải nghiệm mặc định. Biểu đồ chính thức để thể hiện giới hạn trên, thường dùng mức suy luận cao; thiết lập mặc định trong API hay lựa chọn tự động trong Work của bạn có thể tốn ít token hơn nhưng cũng có thể yếu hơn. Muốn tái hiện thì phải cố định cùng một mức.

Phù hợp và không phù hợp

Nên thử Astra trước ở: tính toán khoa học có đáp án kiểm chứng được, nguyên mẫu cần 3D hoặc cảnh tương tác, tài liệu và biểu đồ chuyên môn phức tạp.

Cần thận trọng ở: tác vụ lập trình chạy dài không người giám sát, văn bản lập kế hoạch yêu cầu dễ đọc, tra cứu pháp lý (phải phân biệt mô hình nền và bản chuyên dụng). Đây là nhận định dựa trên bằng chứng công khai nêu trên; nhóm của bạn thực sự hợp với gì thì vẫn phải kiểm chứng bằng bộ nhiệm vụ riêng.

Cách kiểm chứng bằng nhiệm vụ của bạn

Nếu định đánh giá Astra, hãy chuẩn bị trước hai mươi đến năm mươi nhiệm vụ từng xuất hiện trong công việc thật và chia thành ba nhóm: có đáp án chuẩn (tính toán, xử lý dữ liệu), cần sản phẩm đầu ra (tài liệu, biểu đồ, 3D hoặc trang front-end) và cần thực hiện dài hơi (sửa lỗi kho mã, di chuyển nhiều bước). Mỗi nhóm ghi lại hoàn thành hay chưa, thời gian, số token đầu ra và số lần phải sửa tay. Đặc điểm của Astra là đầu ra ít nhưng nghĩ lâu, nên chỉ nhìn "trả lời nhanh hay chậm" sẽ dẫn đến kết luận lệch nhiều.

Đồng thời cố định mức suy luận, yêu cầu mô hình liệt kê các trở ngại gặp phải khi báo cáo rồi tự kiểm tra lại. System card cho biết mô hình dễ bỏ sót trở ngại đã biết, bước này không thể bỏ.

Nguồn

Số liệu tính đến 2026-11-18, mô hình mới phát hành một ngày nên các bảng xếp hạng vẫn sẽ thay đổi. Tất cả đều là dữ liệu công khai của bên thứ ba và thử nghiệm cá nhân, không phải kết quả đo kiểm của Guishu Intelligence.