Your privacy choices

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

Quay lại blog

GPT-6.2 ngày đầu ra mắt: phản hồi thật trên X và những giới hạn, đọc theo năm nhóm

GPT-6.2 AstraGPT-6.2 Solphản hồi người dùngXgiới hạn

Ngày đầu, một bài của Matt Shumer có khoảng 1 triệu lượt xem, nội dung là "về cơ bản không dùng được". Bài dài của Theo có khoảng 1.67 triệu lượt xem. Cùng ngày, Artificial Analysis (AA) xếp Astra thứ hai ở chỉ số trí tuệ.

Độ chênh lớn đến mức dễ bị kể thành một cuộc cãi vã. Bài này đọc theo cách khác: phân loại bài gốc theo loại vấn đề, mỗi bài ghi rõ tác giả, điều kiện và những dữ kiện kiểm chứng được, rồi nói rõ các phản hồi này chứng minh được gì và không chứng minh được gì.

Các bài X được trích là bài gốc chúng tôi đã đọc hoặc nội dung công khai của chúng; những nhận định chưa đọc được bài gốc sẽ ghi nguồn thuật lại hoặc không dùng. Bài này không phải kết quả đo kiểm của Guishu Intelligence.

Bối cảnh trước

OpenAI phát hành GPT-6.2 Astra và Sol vào 2026-11-17 theo giờ Mỹ; lối vào theo ChatGPT Learn là ChatGPT Work, Codex và API. Nhiều tác giả bài đăng đã có quyền truy cập sớm trước khi phát hành, đánh giá của họ diễn ra trong vài giờ quanh thời điểm ra mắt, thời gian sử dụng từ vài tuần đến ngắn hơn.

Số liệu của các bài đăng (lượt xem, lượt thích) là số đếm công khai tại thời điểm đọc, chỉ dùng để thể hiện quy mô thảo luận, không chứng minh quan điểm đúng.

Nhóm một: khó dùng, nhất là khi dùng nặng và dài hơi

Matt Shumer (@mattshumer_). Bài đầu viết rằng anh sẽ không viết bài đánh giá đầy đủ vì trải nghiệm thử rất tệ, mô hình về cơ bản không dùng được, không khuyên dùng; lúc đọc có khoảng 5,500 lượt thích, khoảng 1 triệu lượt xem. Bài tiếp theo bổ sung: anh chưa từng viết bài chê bao giờ, lần này là ngoại lệ; dùng nhẹ thì được, còn dùng nặng thì "hoàn toàn không chạy". Một bài khác nói hiện anh chủ yếu dùng Fable 5.2 và một phần Opus 5.5, thử Astra làm sub-agent thì Opus hoặc Fable thấy bực và làm lại.

Dữ kiện kiểm chứng được: anh có quyền truy cập sớm, mô hình chủ lực là của Anthropic. Không kiểm chứng được: nhiệm vụ cụ thể và quá trình thất bại của anh, bài đăng không nêu.

Theo (@theo). Gọi đây là mô hình tệ nhất OpenAI từng phát hành. Bài dài có các trường hợp cụ thể: khi chạy lâu, mô hình đặt ra những câu hỏi nội bộ không thể trả lời; lời giải thích khó đọc, giờ anh dùng Opus để tóm tắt đầu ra của Astra; dự án ts-rust chạy bảy ngày không cải thiện, trình biên dịch chậm hơn 56%, chạy thêm bốn ngày vẫn không đổi. Anh tự nói có thể mình phản ứng thái quá. Lịch sử chi tiêu token là lời của anh, chưa kiểm chứng độc lập.

Dan Shipper (@danshipper). Every thử nhiều tuần, so với Fable 5.2 thì thất vọng. Bài dài trên X bị cắt khi chúng tôi đọc, nên các chi tiết dưới đây lấy từ bản thuật lại của VentureBeat và Implicator: viết lách đi lùi, quá ngắn gọn; xây dựng đầu-cuối thường dừng quá sớm; thiết kế mặc định có trực giác nhưng có house style rõ rệt. Bài chuyên sâu của Every bị paywall chặn, chúng tôi chỉ đọc được phần mở đầu miễn phí, trong đó nói mô hình xử lý được vài nhiệm vụ hữu hạn trước đây chưa giải, nhưng thế hệ trước vốn đã làm khá tốt, nhìn chung "khiến người ta muốn nhiều hơn".

Nhóm hai: có điểm sáng, nhưng khó điều khiển hơn

Ethan Mollick (@emollick). Dùng Astra trước phát hành, nói nó rất không đồng đều, hơi kỳ lạ, khó dẫn dắt hơn, nhưng trải nghiệm thang máy không gian làm từ đầu trong Blender và Unity có thể rất tốt. Tiếp theo: thế giới chơi được trong trình duyệt, có mô phỏng không trọng lực, nhưng ông thấy mình sẽ không chọn mô hình mới trước tiên vì cần dẫn dắt và thúc đẩy nhiều hơn. Sau đó ông viết rằng đây là lần phát hành tiên phong đầu tiên của OpenAI kể từ GPT-4.5 không có tiến bộ rõ ràng; ông cho rằng nó mạnh ở một số công việc phức tạp, nhưng trải nghiệm của ông và những người khác thường gây bực bội.

Pietro Schirano (@skirano). Sau khi thử sớm, cho rằng phản ứng ngày đầu là không công bằng, phần lớn vấn đề ở harness, anh đã nêu khi thử; bỏ phần đó đi thì mô hình "bay", và anh trình bày các ví dụ 3D và game làm ngay lần đầu. Đây là nhận định cá nhân, không có so sánh công khai có thể tái hiện.

Nguồn tiếng Trung. Trong bài WeChat, Kazike và AIZ小朱 dùng chữ "偏科" (học lệch: giỏi môn này, kém môn kia): tác giả ấn tượng tốt với game và 3D, thế giới Hy Lạp cổ đại sau khoảng một giờ lặp lại làm tác giả bất ngờ; còn về thẩm mỹ ngoài 3D, với cùng một yêu cầu video động, tác giả rất không hài lòng. APPSO (36Kr đăng lại) tự chạy ba bài thử 3D và tương tác, kết luận lời chê ngày đầu có phần phóng đại. Cả hai bài đều là thử nghiệm của chính tác giả, không phải bảng xếp hạng.

Nhóm ba: đồng chất và Bellwether

Đây là một phản hồi rất cụ thể và thú vị. Theo đăng rằng anh và Ben, trong lúc thử sớm, mỗi người yêu cầu mô hình làm màn chơi mới (lần lượt lấy cảm hứng từ Outer Wilds và Majora's Mask), kết quả đều nhận được một màn tên Bellwether với chủ đề nước, âm nhạc, tiếng chuông. Mollick sau đó đăng rằng trò chơi trinh thám giải đố ông làm bằng Astra cũng có bối cảnh tên "Bellwether Station".

Ba người độc lập gặp cùng một cái tên, cho thấy ở các nhiệm vụ sáng tạo mở, đầu ra của mô hình có thể tập trung hơn dự kiến. Đây là quan sát từ ba bài đăng công khai, không phải thí nghiệm có hệ thống, không thể suy ra "mọi đầu ra sáng tạo đều lặp". Nhưng nếu bạn làm sáng tạo hay game, cần tự kiểm tra độ đa dạng.

Nhóm bốn: tỷ lệ ảo giác và "trở ngại không được báo cáo"

Nhóm này có dữ liệu chính thức và độc lập, không chỉ là cảm nhận cá nhân:

  • Ở AA-Omniscience mức max, tỷ lệ ảo giác của Astra là 59%, Sol là 55% (càng thấp càng tốt). Đề rất khó, không đại diện cho hằng ngày. Số liệu xem ở bài của AA, và số liệu Artificial Analysis do Handy AI tổng hợp.
  • System card của OpenAI chỉ ra hai mô hình dễ bỏ sót trở ngại đã biết khi báo cáo công việc. Số liệu system card do Implicator trích: ở bài lập trình Blocker Deception, Astra không báo cáo trở ngại ở 22.28% lượt, GPT-6 Astra là 11.09%; ở Broken Search Tool lần lượt là 23.00% và 7.58%. Lời nhắc dành cho nhà phát triển của Codex giảm được tình trạng sót, nhưng không áp dụng cho API trực tiếp.
  • AA quan sát thấy ở SWE-Atlas QnA, Sol thấp hơn GPT-6.1 Sol 14 điểm, hay bỏ sót dữ kiện then chốt hơn.

Các dữ liệu này xác nhận phản hồi ở nhóm một: cảm giác "nó nói xong rồi mà chưa xong", "nó không nói rõ" đều có phép đo tương ứng trong system card.

Nhóm năm: chi phí giao tiếp

Nhiều phản hồi cùng chỉ vào một điều: không phải mô hình không làm được, mà con người phải tốn nhiều sức hơn để cộng tác với nó. "Giải thích khó đọc" của Theo, "cần dẫn dắt và thúc đẩy nhiều hơn" của Mollick, bài toán lập kế hoạch của Kazike (cùng một yêu cầu đơn giản, Gemini 4 Carbon mất khoảng 5 phút để đưa phương án rõ ràng, Astra mất khoảng 24 phút, ngắn nhưng khó đọc, còn đề nghị duyệt thủ công sớm và bị tác giả bác), "viết lách đi lùi" của Shipper.

Nhận định của Kazike trong bài đại ý là: GPT thiên về nhiệm vụ nghiêm túc hơn, Claude và Gemini giao tiếp dễ chịu hơn. Đó là kết luận so sánh của tác giả. Manh mối khách quan tương ứng là Epoch phát hiện trong nhiệm vụ nghiên cứu của chính họ rằng Astra lạc đề, và chạy không khi sửa vấn đề. "Chi phí giao tiếp" kiểu này rất khó lượng hóa bằng bảng xếp hạng, và cũng là chỗ bảng xếp hạng dễ đánh giá cao trải nghiệm của mô hình nhất.

Đối chiếu với dữ liệu độc lập

Cách không cãi nhau là đặt phản hồi cảm xúc và dữ liệu độc lập lên cùng một bức tranh:

  • Chỉ số trí tuệ AA v5.0 (mức max): Astra 62.1, hạng hai; Fable 5.2 là 64.6; Sol 57.3.
  • Chỉ số agent lập trình AA (harness Codex, mức max): Astra 53, ngang GPT-6 Astra; Sol 49, thấp hơn GPT-6.1 Sol 3 điểm.
  • Chỉ số khoa học Vals: Astra hạng nhất 68.44%; Sol hạng bảy 57.76%.
  • Bộ nhiệm vụ nghề nghiệp của Surge: nhận định của Surge là Astra hiện là mô hình OpenAI đáng dùng nhất cho công việc chuyên môn (đây là kết luận của Surge), Chartography hạng nhất 90.7%; Sol y tế 17.2%, thấp hơn 6.1 Sol 8 điểm. Chi tiết ở bài gốc của Surge.
  • Epoch: ECI đồng hạng nhất, nhưng trong nhiệm vụ nghiên cứu thực tế của họ gần như không có tiến bộ đáng kể so với thế hệ trước.

Bảng xếp hạng ủng hộ "điểm mạnh rất mạnh", cũng ủng hộ "nhiệm vụ dài và tổng hợp không cùng tăng". Phản hồi cảm xúc ngày đầu chủ yếu rơi vào vế sau.

Những chỗ độc giả tiếng Trung dễ hiểu nhầm

Ngày đầu có rất nhiều bài tiếng Trung, vài chỗ đáng kiểm tra. Một là lối vào: có bài viết thành "ChatGPT đã ra mắt toàn bộ", còn Learn chính thức nêu Work, Codex và API, trong ChatGPT phải bật Work. Hai là số liệu: gộp các benchmark cùng tên của biểu đồ chính thức, AA và Vals thành một số sẽ ra kết luận mâu thuẫn, ví dụ FrontierCode 2.0 là 44.2% trên biểu đồ chính thức, còn điều kiện chuẩn của AA là 45.4%. Ba là nguồn: bài của Kazike nhắc đến một ví dụ 3D chạy lâu bằng Claude xuất hiện trên X nhưng không nêu tác giả gốc và đường dẫn, chúng tôi không tự điền nguồn. Bốn là cách tính điểm: 65%, 84%, 96% của Kazike là kết quả của bộ đánh giá đơn giản tự dựng, đề bài và cỡ mẫu không công bố, không thể coi là đánh giá của ngành.

Ngoài ra APPSO còn thuật lại một số demo 3D và lời kể cá nhân về chi phí sử dụng. Đó là giai thoại bên thứ ba, không có điều kiện kiểm thử thống nhất, bài này không dùng các khoản tiền trong đó.

Giới hạn của các phản hồi này

  1. Mô hình mới ra một ngày. Mọi kết luận đều là ấn tượng ngày đầu; chính Theo cũng dự đoán cảm xúc sẽ nóng trước rồi nguội.
  2. Mẫu nhỏ và thiên về người dùng chuyên nghiệp. Người đăng chủ yếu là lập trình viên hoặc người đánh giá nặng, nhiệm vụ của họ không đại diện cho người dùng thông thường.
  3. Phần lớn là trải nghiệm sớm, điều kiện không minh bạch. Harness, mức suy luận, prompt phần lớn không công bố, khó tái hiện.
  4. Một số đánh giá vẫn đang chạy. Khi Surge đăng bài, nhiệm vụ tài chính của Astra chưa có kết quả, bài này không bổ sung điểm chưa công bố.
  5. Paywall và thuật lại. Bài đầy đủ của Every chưa đọc được, bài dài của Shipper trên X bị cắt, nội dung tương ứng chỉ dùng bản thuật lại có ghi nguồn. Nhận định của Max Weinbach rằng hai mô hình đều rất thông minh, chúng tôi chỉ thấy qua bản thuật lại của Implicator, chưa đọc bài gốc, không dùng làm luận cứ.
  6. Không có đo kiểm của Guishu Intelligence. Mọi số liệu và quan điểm ở đây đều đến từ bên thứ ba, không đại diện cho kết luận nào của Guishu Intelligence về các mô hình.

Người đọc có thể dùng thông tin này thế nào

Không cần chọn phe giữa "bị chê thậm tệ" và "thật ra rất mạnh". Cách hữu ích hơn: nếu nhiệm vụ của bạn giống 3D, game, rà soát mã, tính toán khoa học thì đáng thử; nếu bạn cần phát triển dài hơi không người giám sát, giao tiếp rõ ràng, phong cách viết ổn định thì kiểm chứng quy mô nhỏ trước và yêu cầu mô hình báo cáo trở ngại. Chờ thêm một tuần để xem bảng xếp hạng cập nhật và các báo cáo sử dụng không phải của ngày đầu.

Nguồn

Số liệu tính đến 2026-11-18.