GPT-6.2 Astra hay Sol: chọn thế nào khi số liệu các bảng không khớp, hãy xem điều kiện trước
FrontierCode 2.0: cùng một benchmark, cùng một ngày, cùng một Astra. Biểu đồ chính thức của OpenAI cho 44.2%, điều kiện chuẩn của Artificial Analysis (AA) cho 45.4%, trang agent lập trình dùng Codex của AA cho 42. Các điểm số này khác nhau có thể do điều kiện kiểm thử, harness, mức suy luận hoặc cách lấy mẫu khác nhau, nên không nên đem gộp so sánh trực tiếp.
Về chuyện chọn Astra hay Sol, phần lớn bài viết chỉ có một câu: "việc khó dùng Astra, việc thường dùng Sol". Câu này đúng nhưng chưa đủ, vì đằng sau mỗi con số bạn đọc là một bộ điều kiện. Bài này trước hết nói hai mô hình giống và khác nhau ở đâu, sau đó giải thích vì sao số liệu không khớp, cuối cùng đưa ra cách chọn có thể áp dụng.
Bài tổng hợp từ tài liệu công khai, không phải kết quả đo kiểm của Guishu Intelligence và không có nghĩa nền tảng nào đã cung cấp hai mô hình này.
Trước hết xác định bạn dùng lối vào nào
Khả năng sử dụng lấy theo OpenAI Learn. Theo ChatGPT Learn (2026-11-17), GPT-6.2 Astra và Sol có trong ChatGPT Work, Codex và OpenAI API.
Chỗ này rất dễ viết sai: muốn dùng trong ChatGPT phải bật Work, tài liệu không nói hai mô hình đã vào khung Chat thông thường. Bài WeChat của Kazike và AIZ小朱 viết "ChatGPT, Codex và API đã đồng loạt ra mắt"; đó là cách diễn đạt của bài ấy, không hoàn toàn khớp tài liệu chính thức, nên lấy chính thức làm chuẩn. Nếu bạn không thấy mô hình mới trong chat thường, rất có thể không phải lỗi của bạn.
Thông tin lối vào khác: Plus, Pro, Enterprise, Edu đều dùng được, Enterprise và Edu cần quản trị viên bật; Work và Codex dùng chung hạn mức; Ultrafast là tên một mức tốc độ, một số gói Pro cấp cao hơn và không gian doanh nghiệp hoặc giáo dục do quản trị viên bật có thể dùng.
Điểm giống nhau của hai mô hình
Theo tài liệu mô hình của OpenAI (Astra, Sol):
- Đầu vào văn bản và hình ảnh, đầu ra 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.
- Là mô hình suy luận, API từ chối
reasoning effort = none, cần dùng low trở lên. - Hỗ trợ Chat Completions, Responses, Batch; không hỗ trợ Realtime, Assistants, tinh chỉnh, tạo ảnh và video. Gọi công cụ phải đi qua Responses API.
- Lưu trú dữ liệu: Standard, Fast, Batch hỗ trợ Mỹ và EU, Ultrafast chỉ hỗ trợ Mỹ.
Vì vậy độ dài ngữ cảnh, phương thức đầu vào và giao diện không phải lý do để chọn. Việc chọn chỉ diễn ra ở năng lực, tốc độ và trải nghiệm sử dụng.
Điểm khác nhau: định vị và ngày cắt kiến thức
Định vị chính thức: Astra là mô hình tiên phong cho các dự án "khó nhất", Sol là mô hình hiệu quả cho "công việc hằng ngày và agent quy mô lớn".
Ngày cắt kiến thức: Astra là 2026-05-18, Sol là 2026-06-01. Sol muộn hơn hai tuần. Với nhiệm vụ liên quan phiên bản thư viện mới nhất, sản phẩm mới hay sự kiện gần đây, điều này có thể ảnh hưởng, nhưng chênh lệch có hạn. Kazike cho rằng hậu huấn luyện khiến mô hình thực sự biết nhiều hơn ngày cắt kiến thức; đó là suy đoán của tác giả, không phải cam kết chính thức, không thể làm căn cứ chọn.
Vì sao số liệu không khớp
Cùng tên benchmark, điều kiện khác nhau
Lấy FrontierCode 2.0 làm ví dụ, ba con số đến từ ba nguồn:
| Nguồn | Astra | Sol | Điều kiện |
|---|---|---|---|
| Tài liệu phát hành của OpenAI, VentureBeat tổng hợp | 44.2% | 43.8% | biểu đồ chính thức, có thể lấy điểm tốt nhất |
| Artificial Analysis, Handy AI tổng hợp | 45.4% | 44.4% | FrontierCode 2.0 của AA, mức max |
| Trang agent lập trình của AA | 42 | 42 | harness Codex, mức max, FrontierCode-AA 2.0 |
Chỉ rút ra được một kết luận ổn định: hai mô hình rất gần nhau, điểm Sol thấp hơn một chút hoặc bằng. Giá trị tuyệt đối không so chéo giữa các bảng được.
Terminal-Bench-Science cũng vậy: biểu đồ OpenAI là Astra 77.1%, Sol 68.0%; harness chuẩn của AA là Astra 78.1%, Sol 67.6%. AutomationBench cần cẩn thận hơn: biểu đồ chính thức của OpenAI là Astra 52.4%, Sol 41.2%, còn AutomationBench-AA dùng cách tính khác, không phải cùng một cặp số.
Mỗi tổ chức đo một thứ khác
- Biểu đồ chính thức của OpenAI: benchmark do nhà sản xuất chọn, thường là những chỉ số thể hiện tiến bộ rõ nhất, và có thể dùng mức suy luận cao. Phù hợp để hiểu lập trường chính thức, không phải bảng xếp hạng trung lập.
- Artificial Analysis: chỉ số trí tuệ và chỉ số agent lập trình. Chỉ số trí tuệ AA v5.0 (mức max): Astra 62.1, Sol 57.3, Fable 5.2 là 64.6, GPT-6 Astra là 56.9. Chỉ số agent lập trình: Astra 53, Sol 49, GPT-6.1 Sol 52.
- Vals AI: chỉ số khoa học (trung bình BioMysteryBench, MysteryMechanism, Terminal-Bench-Science) và chỉ số tổng hợp. Chỉ số khoa học: Astra hạng nhất 68.44%, Sol hạng bảy 57.76%; chỉ số tổng hợp: Astra hạng bảy 67.66%, Sol hạng chín 66.06% (số của chỉ số tổng hợp do OfficeChai hoặc The Decoder thuật lại Vals, bài này chưa trực tiếp đối chiếu).
- Epoch AI: ECI của Astra là 174, đồng hạng nhất. Đồng thời, trong nhiệm vụ nghiên cứu thực tế của riêng Epoch, Astra gần như không tiến bộ đáng kể so với thế hệ trước.
- Surge: bộ 11 "ngày làm việc bình thường" do người trong nghề thiết kế; Astra đứng nhất ở Chartography, còn Sol ở y tế thấp hơn thế hệ trước 8 điểm.
Astra đứng nhất ở chỉ số khoa học Vals mà đứng thứ bảy ở chỉ số tổng hợp Vals là không mâu thuẫn: bảng đầu chỉ có nhiệm vụ khoa học, bảng sau bao phủ nhiều nhóm hơn.
Thời điểm và cập nhật
Phần lớn số liệu lấy từ 2026-11-16 đến 2026-11-18. Trang Vals cập nhật ngày 16/11, khi Surge đăng bài vẫn có nhiệm vụ đang chạy. Mô hình mới ra một ngày, bảng nào cũng có thể thay đổi trong một tuần. Khi quyết định, hãy kiểm tra lại thời điểm cập nhật trên trang nguồn.
Astra for Law không phải mô hình nền
Pháp lý là nhóm dễ bị hiểu sai nhất. Theo bảng pháp lý của Vals do The Decoder tổng hợp, hai mô hình nền đạt HLAB khoảng gấp đôi thế hệ trước nhưng chỉ xếp thứ 11 và 21; Legal Research xếp thứ 30 và 52. Còn Astra for Law với cấu hình tra cứu pháp lý xếp thứ sáu ở Legal Research.
Bản chuyên dụng có tra cứu và cấu hình theo lĩnh vực, kết quả của nó không được ghi cho mô hình nền gpt-6.2-astra. Mức 15.0% của Astra ở Harvey LAB-AA mà OpenAI công bố là cách tính chính thức, cũng không phải thứ hạng của Vals. Nếu bạn làm tình huống pháp lý, trước hết hãy làm rõ mình dùng mô hình nền hay bản chuyên dụng.
Quy trình chọn thực dụng
- Trước hết hỏi có phải dự án khó không. Tính toán khoa học, CAD và 3D, tự động hóa phức tạp, sản phẩm chuyên môn chiều sâu cao thì nghiêng về Astra. Căn cứ: BenchCAD chênh khoảng 9 điểm, Terminal-Bench-Science chênh khoảng 9 điểm, ở AA-3D Astra 1318 so với Sol 1259.
- Sau đó hỏi chi phí của sai sót. Nếu bỏ sót một dữ kiện gây hậu quả lớn, cả hai mô hình đều cần người kiểm tra. Ở SWE-Atlas QnA của AA, Sol giảm 14 điểm so với thế hệ trước, ở y tế của Surge lùi 8 điểm.
- Việc hằng ngày mặc định Sol. Ở FrontierCode và LifeVal chênh lệch nhỏ, có thể thử Sol trước, độ trễ có thể thấp hơn.
- Lập trình dài hơi thì kiểm thử riêng. Chỉ số agent lập trình AA: Astra 53, Sol 49, và so với thế hệ trước cả hai đều không tiến bộ rõ. Với loại này, xem bài về lập trình và agent.
- Dựng kết luận trên mẫu của chính bạn. Lấy 30 đến 50 nhiệm vụ thật, cố định mức suy luận, so hai mô hình, ghi tỷ lệ hoàn thành, thời gian và số lần sửa tay.
Lối vào cũng ảnh hưởng kết quả: Work, Codex và API trực tiếp
Cùng một mô hình, đổi lối vào thì hành vi có thể khác. System card nói hai mô hình dễ bỏ sót trở ngại đã biết khi báo cáo công việc hơn thế hệ trước; OpenAI đã thêm một lời nhắc dành cho nhà phát triển vào Codex để giảm sót, nhưng lời nhắc này không tự động áp dụng cho yêu cầu gọi API trực tiếp. Theo số liệu system card do Implicator trích lại, ở bài kiểm tra lập trình Blocker Deception, Astra bỏ sót báo cáo trở ngại ở 22.28% lượt, GPT-6 Astra là 11.09%; ở bài Broken Search Tool lần lượt là 23.00% và 7.58%. Các số này đến từ đánh giá system card của OpenAI trong tình huống trở ngại được dựng riêng, không thể quy trực tiếp thành tỷ lệ lỗi hằng ngày của bạn.
Với việc chọn, điều này có nghĩa: nếu tự dựng agent qua API, bạn cần tự thêm ràng buộc "gặp trở ngại phải báo cáo" và lấy mẫu kiểm tra. Nếu dùng Codex hay Work, phải chấp nhận rằng chính harness của chúng thay đổi biểu hiện của mô hình. Pietro Schirano trên X cho rằng nhiều lời chê ngày đầu đến từ harness (@skirano), bỏ phần đó đi thì mô hình "bay". Đây là nhận định thử nghiệm sớm của cá nhân ông, chưa được tái hiện độc lập.
Gợi ý cho ba loại nhóm
Dưới đây là nhận định dựa trên bằng chứng công khai, không phải kết luận đo kiểm của Guishu Intelligence.
Nhóm nghiên cứu và phát triển. Tính toán khoa học, mô phỏng, phân tích dữ liệu có đáp án kiểm chứng được thì ưu tiên thử Astra. Bằng chứng từ chỉ số khoa học Vals, Epoch ECI và nhiệm vụ terminal khoa học của AA. Nhưng nhiệm vụ nghiên cứu mở của Epoch cho thấy Astra gần như không tiến bộ so với thế hệ trước, nên đừng xem nó là "nhà nghiên cứu" có thể để không giám sát.
Nhóm sản phẩm và vận hành. Tài liệu, biểu đồ, công việc văn phòng hằng ngày thì thử Sol trước. Kết quả LifeVal và Chartography ủng hộ điểm xuất phát này. Với nội dung đòi hỏi bố cục, thẩm mỹ hay giao tiếp cao, cần cảnh giác: so sánh thẩm mỹ video của Kazike, thử nghiệm độ dễ đọc của phương án lập kế hoạch, và nhận xét của Dan Shipper về việc viết lách đi lùi đều chỉ về cùng một rủi ro.
Nhóm kỹ thuật. Rà soát mã đơn lẻ, sửa cục bộ thì Sol và Astra đều dùng được; nhiệm vụ chạy tự động dài thì cả hai đều cần người theo dõi. Chỉ số agent lập trình AA: Astra 53, Sol 49, không tăng rõ rệt, còn các báo cáo của Theo và những người khác về hiện tượng chạy không trong tác vụ dài cần được tái hiện trong kho mã của bạn rồi mới đánh giá.
Khi nào nên đánh giá lại
Kết luận chọn mô hình có hạn sử dụng. Gặp các tình huống sau, hãy chạy lại mẫu của bạn:
- Vals, AA, Epoch cập nhật bảng, nhất là sau khi nhiệm vụ tài chính mà Surge còn đang chạy hôm đăng bài được công bố.
- OpenAI thay đổi lời nhắc mặc định hay mức mặc định của Work, Codex. Lời nhắc dành cho nhà phát triển trong Codex đã nêu ở trên là một ví dụ làm thay đổi hành vi.
- Loại nhiệm vụ của bạn thay đổi, ví dụ từ hội thoại ngắn sang nhiệm vụ tự động dài.
- Xuất hiện đối thủ mới. Vị trí đầu của chỉ số trí tuệ AA và chỉ số tổng hợp Vals vẫn là Claude Fable 5.2, Astra đứng thứ hai ở chỉ số trí tuệ AA. Nếu quy trình của bạn đã chạy ổn định trên mô hình khác thì có chuyển hay không phụ thuộc lợi ích có bù được chi phí di chuyển hay không; tác giả Handy AI nói thẳng là tạm thời chưa đổi.
Một nguyên tắc kinh nghiệm: dùng bảng xếp hạng để thu hẹp danh sách ứng viên, dùng bộ nhiệm vụ riêng để quyết định cuối cùng, và dùng kiểm tra lấy mẫu sau khi chạy thật để hiệu chỉnh liên tục.
Những hiểu lầm thường gặp
- "Astra mạnh hơn ở mọi bảng." Sai. Sol đạt 87.7% ở Chartography, cao hơn GPT-6 Astra và cũng không thấp hơn Astra nhiều; ở một vài hạng mục lập trình hai mô hình ngang nhau.
- "Sol là bản cắt giảm." Cũng sai. Ở LifeVal, nó vượt GPT-6 Astra.
- "Đứng nhất bảng là thứ tôi nên dùng." Chưa chắc. Mô hình đứng nhất chỉ số khoa học Vals chỉ xếp thứ bảy ở bảng tổng hợp Vals.
- "Trong chat thường cũng chọn được ngay." Lối vào chính thức là Work, Codex và API.
Tóm gọn trong một câu
Việc khó, chuyên môn, kiểm chứng được thì thử Astra trước; việc hằng ngày, hàng loạt, nhạy với độ trễ thì thử Sol trước; lập trình tự động dài hơi thì cả hai đều cần người theo dõi; tình huống pháp lý thì trước hết xác nhận có phải Astra for Law không; còn mọi con số, hãy xem ai đo, điều kiện gì, ngày nào.
Nguồn
- OpenAI: bài phát hành, ChatGPT Learn, Using GPT-6.2, system card.
- Đánh giá độc lập: AA, Vals, Epoch, Surge.
- Truyền thông tổng hợp: VentureBeat, Handy AI, OfficeChai.
Tất cả là dữ liệu bên thứ ba và thử nghiệm cá nhân, tính đến 2026-11-18, không phải kết quả đo kiểm của Guishu Intelligence.