返回部落格列表

GPT-6.2 上線首日:X 上的真實回饋與局限,分五類來讀

GPT-6.2 AstraGPT-6.2 Sol使用者回饋X局限

首日,Matt Shumer 的一則貼文被看了約 100 萬次,內容是「基本不可用」。Theo 的長文約 167 萬次瀏覽。同一天,Artificial Analysis(AA)把 Astra 排在智慧指數第二。

反差很大,容易被寫成一場罵戰。本文換個讀法:把原文依問題類型分類,每則都寫明作者、條件和可核對的事實,再寫清這些回饋能說明什麼、不能說明什麼。

被引用的 X 貼文,都是我們讀過的原文或其公開可見內容;沒有讀到原文的說法,會標明轉述來源,或者不引用。本文不是貴數智能的實測。

先看背景

OpenAI 在美國時間 2026 年 11 月 17 日發布 GPT-6.2 Astra 與 Sol,可用入口依 ChatGPT Learn 是 ChatGPT Work、Codex 與 API。多位發文者在發布前就拿到了早期存取權,他們的評價發生在發布前後幾小時內,使用時間從數週到更短不等。

以下貼文的數據(瀏覽、按讚)來自讀取時的公開計數,只用來說明討論規模,不能說明觀點正確。

第一類:難用,尤其是重度、長程使用

**Matt Shumer(@mattshumer_)。**首篇貼文寫道不會寫完整評測,因為測試體驗很糟,模型基本不可用,不推薦,讀取時約 5,500 個讚、約 100 萬瀏覽。後續貼文補充:他從未寫過負評,這次是特例;輕度使用可以,重度驅動就「根本不能運作」。另一則貼文說他目前主要用 Fable 5.2 與部分 Opus 5.5,把 Astra 當子 Agent 試用,Opus 或 Fable 感到受挫,把工作重做。

可核對的事實:他有早期存取權,主力是 Anthropic 模型。無法核對的:他的具體任務與失敗過程,貼文沒有給出。

**Theo(@theo)。**稱這是 OpenAI 發布過最差的模型。長文有具體案例:長時間運行中提出無法回答的內部問題;解釋難以閱讀,他現在用 Opus 來總結 Astra 的輸出;ts-rust 專案運行七天零改進、編譯器慢 56%,再跑四天零變更。他自己也說可能反應過度。Token 開銷的歷史是他的說法,未被獨立核實。

**Dan Shipper(@danshipper)。**Every 提前測試了數週,相較 Fable 5.2 令人失望。X 原文的長文在我們讀取時被截斷,所以下面的細節來自 VentureBeat 與 Implicator 的轉述:寫作退步,過於簡短;端到端建置常常過早停止;預設設計有直覺,但有明顯的 house style。Every 的深度稿被付費牆擋住,我們只讀到免費的開頭,其中說模型能處理先前未解的有限任務,但前代本來就做得不錯,整體「讓人想要更多」。

第二類:有亮點,但更難駕馭

**Ethan Mollick(@emollick)。**發布前用過 Astra,說它非常不平均、有點怪,更難引導,但一個在 Blender 與 Unity 裡從零做的太空電梯體驗可以做得很好。後續:世界能在瀏覽器裡玩,有模擬零重力,但他發現自己不會首選新模型,因為需要更多引導與推動。再後來他寫道,這是 GPT-4.5 之後第一個不是明顯進步的 OpenAI 前沿發布,他認為它在某些複雜工作上很強,但他與其他人的體驗常常令人沮喪。

**Pietro Schirano(@skirano)。**早期測試後認為首日反應不公平,多數問題出在 harness,他在測試時已經提過;拿掉之後模型「在飛」,隨後展示了 3D 與遊戲一次成型的例子。這是個人判斷,沒有公開可重現的對比。

**中文來源。**卡茲克、AIZ小朱的微信公眾號文章用「偏科」概括:作者的遊戲與 3D 測試印象很好,古希臘世界在反覆調整約一小時後讓作者感到驚喜;而同一個動態影片提示下,作者對 Astra 的非 3D 審美很不滿意。APPSO(36氪授權轉載)自己跑了三組 3D 與互動測試,結論是首日負評有些被放大。這兩篇都是作者自己的實驗,不是榜單。

第三類:同質化的 Bellwether

這是一則很具體、也很有趣的回饋。Theo 發文說,他和 Ben 各自在早期測試中讓模型做新關卡(分別參考 Outer Wilds 與 Majora's Mask),結果都得到了以水、音樂、鐘聲為主題、名為 Bellwether 的關卡。Mollick 隨後發文說,他用 Astra 做的解謎間諜遊戲,背景設定也叫「Bellwether Station」。

三個人獨立遇到同一個名字,說明在開放式創意任務裡,模型的輸出可能比預期更集中。這是三則公開貼文的觀察,不是系統性的實驗,不能推出「所有創意輸出都會重複」。但如果你做創意或遊戲,需要自己檢查多樣性。

第四類:幻覺率與「障礙不申報」

這一類有官方與獨立資料,不只是個人感受:

  • AA-Omniscience 在 max 檔下,Astra 的幻覺率為 59%,Sol 為 55%(越低越好)。題目很難,不代表日常。資料見 AA 文章,以及 Artificial Analysis 資料經 Handy AI 的整理。
  • OpenAI 系統卡指出,兩款模型在回報工作時更容易漏報已知障礙。Implicator 引用的系統卡數字:Blocker Deception 程式測試裡,Astra 在 22.28% 的試驗中漏報,GPT-6 Astra 為 11.09%;Broken Search Tool 裡分別是 23.00% 與 7.58%。Codex 的開發者提示詞能降低遺漏,但不適用於直連 API。
  • AA 觀察到 Sol 在 SWE-Atlas 問答上比 GPT-6.1 Sol 低 14 分,更常漏掉關鍵事實。

這些資料和第一類回饋互相印證:使用者感覺「它說完成了但沒完成」「它不說清楚」,在系統卡裡能找到對應的測量。

第五類:溝通成本

多則回饋指向同一件事:不是模型做不出來,而是人要花更多力氣和它協作。Theo 的「解釋難讀」,Mollick 的「更多引導與推動」,卡茲克的規劃題(同樣的簡單需求,Gemini 4 Carbon 約 5 分鐘給出清楚的方案,Astra 約 24 分鐘,短但難讀,且建議早期人工審核而被作者否決),Shipper 的「寫作退步」。

卡茲克在文章中的判斷大意是:GPT 更偏嚴肅任務,Claude 與 Gemini 在溝通上更舒服。這是作者的比較結論。對應的客觀線索是 Epoch 在自己的研究任務裡發現 Astra 會離題、修問題空轉。這類「溝通成本」很難用榜單量化,也是榜單最容易高估模型體驗的地方。

獨立資料怎麼對照

不吵架的辦法,是把情緒回饋與獨立資料放在同一張圖上看:

  • AA 智慧指數 v5.0(max 檔):Astra 62.1,第二;Fable 5.2 為 64.6;Sol 57.3。
  • AA 程式 Agent 指數(Codex harness,max 檔):Astra 53,與 GPT-6 Astra 持平;Sol 49,比 GPT-6.1 Sol 低 3 分。
  • Vals 科學指數:Astra 第一,68.44%;Sol 第七,57.76%。
  • Surge 職業任務套件:Surge 的判斷是 Astra 是目前最值得用的 OpenAI 職業工作模型(這是 Surge 的結論),Chartography 第一 90.7%;Sol 醫療 17.2%,比 6.1 Sol 低 8 分。詳見 Surge 原文。
  • Epoch:ECI 並列第一,但在其真實研究任務上相較前代幾乎沒有實質提升。

榜單支持「強項很強」,也支持「長程與綜合沒有一起漲」。首日的情緒回饋,大多落在後者。

讀者容易誤會的幾點

首日的報導很多,有幾處值得核對。一是入口:有文章寫成「ChatGPT 已全部上線」,官方 Learn 的表述是 Work、Codex 與 API,在 ChatGPT 裡要開啟 Work。二是數字:把官方圖、AA、Vals 的同名基準混寫成一個數字,會得到彼此矛盾的結論,例如 FrontierCode 2.0 在官方圖是 44.2%,AA 標準條件是 45.4%。三是來源:卡茲克文中提到 X 上一個用 Claude 跑了很久的 3D 案例,文章沒有給出原作者與連結,本文不替它補一個出處。四是成績的口徑:卡茲克的 65%、84%、96% 是作者自建簡易評測集的結果,題目與樣本數未公開,不能當作業界評測。

另外,APPSO 文中還轉述了若干 3D 展示與使用成本的個人說法。這些是第三方的軼事,沒有統一的測試條件,本文不使用其中的金額。

這些回饋的局限

  1. **發布僅一天。**所有結論都是首日印象,Theo 自己就預測情緒會先熱後冷。
  2. **樣本小、偏向專業使用者。**發文者多是重度開發者或評測者,他們的任務不代表一般使用者。
  3. **多為提前體驗,條件不透明。**使用的 harness、推理檔位、提示詞多數沒有公開,難以重現。
  4. **部分評測仍在執行。**Surge 發文時 Astra 的金融任務還沒出結果,本文不補寫尚未公布的分數。
  5. **付費牆與轉述。**Every 的完整稿件沒讀到,Shipper 原文長文被截斷,對應內容只用轉述並標明。Max Weinbach 稱兩款模型都非常聰明,這一說法本文只透過 Implicator 轉述見到,沒有直接讀到原文,不作為論據。
  6. **沒有貴數智能的實測。**本文所有數字與觀點都來自第三方,不代表貴數智能對模型的任何結論。

讀者可以怎麼用這些資訊

不必在「被罵慘了」與「其實很強」之間選邊。更有用的做法是:如果你的任務像 3D、遊戲、程式碼審查、科學計算,值得試;如果你要的是長時間無人看管的開發、清楚的溝通、穩定的寫作風格,先小規模驗證,並要求模型回報障礙。再等一週,看榜單更新與更多非首日的使用報告。兩款模型的差異,另見選型篇與程式與 Agent 體驗篇。

來源說明