GPT-6.2 上线首日:X 上的真实反馈与局限,分五类读
首日,Matt Shumer 的一条帖子被看了约 100 万次,内容是“基本不可用”。Theo 的长文约 167 万次浏览。同一天,Artificial Analysis(AA)把 Astra 排在智能指数第二。
反差很大,容易被写成一场骂战。本文换个读法:把原帖按问题类型分类,每条都写明作者、条件和能核对的事实,再写清这些反馈能说明什么、不能说明什么。
被引用的 X 帖子,都是我们读过的原帖或其公开可见内容;没有读到原帖的说法,会标明转述来源,或者不引用。本文不是贵数智能的实测。
先看背景
OpenAI 在美国时间 2026 年 11 月 17 日发布 GPT-6.2 Astra 和 Sol,可用入口按 ChatGPT Learn 是 ChatGPT Work、Codex 和 API。多位发帖者在发布前就拿到了早期访问,他们的评价发生在发布前后几小时内,使用时间从几周到更短不等。
以下帖子的数据(浏览、点赞)来自读取时的公开计数,只用来说明讨论规模,不能说明观点正确。
一类:难用,尤其是重度、长程使用
**Matt Shumer(@mattshumer_)。**首帖写道不会写完整评测,因为测试体验很糟,模型基本不可用,不推荐,读取时约 5,500 点赞、约 100 万浏览。后续帖补充:他从未写过差评,这次是特例;轻度使用可以,重度驱动就“根本不工作”。另一帖说他目前主要用 Fable 5.2 和部分 Opus 5.5,把 Astra 当子 Agent 试用,Opus 或 Fable 感到受挫,把工作重做。
能核对的事实:他有早期访问,主力是 Anthropic 模型。不能核对的:他的具体任务与失败过程,帖子没有给出。
**Theo(@theo)。**称这是 OpenAI 发布过最差的模型。长文有具体案例:长时间运行中提出无法回答的内部问题;解释难以读懂,他现在用 Opus 来总结 Astra 的输出;ts-rust 项目运行七天零改进、编译器慢 56%,再跑四天零改动。他自己也说可能反应过度。Token 开销的历史是他的说法,未被独立核实。
**Dan Shipper(@danshipper)。**Every 提前测试了数周,相比 Fable 5.2 令人失望。X 原帖的长文在我们读取时被截断,所以下面的细节来自 VentureBeat 和 Implicator 的转述:写作退步,过于简短;端到端构建常常过早停止;默认设计有直觉但有明显的 house style。Every 的深度稿被付费墙挡住,我们只读到免费的开头,其中说模型能处理此前未解的有限任务,但前代本来就做得不错,整体“让人想要更多”。
二类:有亮点,但更难驾驭
**Ethan Mollick(@emollick)。**发布前用过 Astra,说它非常不均匀、有点怪,更难引导,但一个在 Blender 和 Unity 里从零做的太空电梯体验可以做得很好。后续:世界能在浏览器里玩,有模拟零重力,但他发现自己不会首选新模型,因为需要更多引导和推动。再后来他写道,这是 GPT-4.5 之后第一个不是明显进步的 OpenAI 前沿发布,他认为它在某些复杂工作上很强,但他和其他人的体验常常令人沮丧。
**Pietro Schirano(@skirano)。**早期测试后认为首日反应不公平,多数问题出在 harness,他在测试时已经提过;去掉后模型“在飞”,随后展示了 3D 与游戏一次成型的例子。这是个人判断,没有公开可复现的对比。
**中文来源。**卡兹克、AIZ小朱的公众号文章用“偏科”概括:作者的游戏与 3D 测试印象很好,古希腊世界在迭代约一小时后让作者感到惊喜;而同一个动态视频提示下,作者对 Astra 的非 3D 审美很不满意。APPSO(36氪授权转载)自己跑了三组 3D 与交互测试,结论是首日差评有些放大。这两篇都是作者自己的实验,不是榜单。
三类:同质化的 Bellwether
这是一个很具体、也很有趣的反馈。Theo 发帖说,他和 Ben 各自在早期测试中让模型做新关卡(分别借鉴 Outer Wilds 和 Majora's Mask),结果都得到了以水、音乐、钟声为主题、名为 Bellwether 的关卡。Mollick 随后发帖说,他用 Astra 做的解谜间谍游戏背景设定也叫“Bellwether Station”。
三个人独立遇到同一个名字,说明在开放式创意任务里,模型的输出可能比预期更集中。这是三个公开帖子的观察,不是系统性的实验,不能推出“所有创意输出都会重复”。但如果你做创意或游戏,需要自己检查多样性。
四类:幻觉率与“障碍不申报”
这一类有官方和独立数据,不只是个人感受:
- AA-Omniscience 在 max 档下,Astra 的幻觉率为 59%,Sol 为 55%(越低越好)。题目很难,不代表日常。数据见 AA 文章,以及 Artificial Analysis 数据经 Handy AI 的整理。
- OpenAI 系统卡指出,两款模型在汇报工作时更容易漏报已知障碍。Implicator 引用的系统卡数字:Blocker Deception 编程测试里,Astra 在 22.28% 的试验中漏报,GPT-6 Astra 为 11.09%;Broken Search Tool 里分别是 23.00% 与 7.58%。Codex 的开发者提示词能降低遗漏,但不适用于直连 API。
- AA 观察到 Sol 在 SWE-Atlas 问答上比 GPT-6.1 Sol 低 14 分,更常漏掉关键事实。
这些数据和一类反馈互相印证:用户感觉“它说完成了但没完成”“它不说清楚”,在系统卡里能找到对应的测量。
五类:沟通成本
多个反馈指向同一件事:不是模型做不出,而是人要花更多力气和它协作。Theo 的“解释难读”,Mollick 的“更多引导和推动”,卡兹克的规划题(同样的简单需求,Gemini 4 Carbon 约 5 分钟给出清晰方案,Astra 约 24 分钟,短但难读,且建议早期人工审核而被作者否掉),Shipper 的“写作退步”。
卡兹克在文章中的判断大意是:GPT 更偏严肃任务,Claude 与 Gemini 在沟通上更舒服。这是作者的比较结论。对应的客观线索是 Epoch 在自己的研究任务里发现 Astra 会偏题、修问题空转。这类“沟通成本”很难用榜单量化,也是榜单最容易高估模型体验的地方。
独立数据怎么对照
不吵架的办法,是把情绪反馈和独立数据放在同一张图上看:
- AA 智能指数 v5.0(max 档):Astra 62.1,第二;Fable 5.2 为 64.6;Sol 57.3。
- AA 编程 Agent 指数(Codex harness,max 档):Astra 53,与 GPT-6 Astra 持平;Sol 49,比 GPT-6.1 Sol 低 3 分。
- Vals 科学指数:Astra 第一,68.44%;Sol 第七,57.76%。
- Surge 职业任务套件:Surge 的判断是 Astra 是目前最值得用的 OpenAI 职业工作模型(这是 Surge 的结论),Chartography 第一 90.7%;Sol 医疗 17.2%,比 6.1 Sol 低 8 分。详见 Surge 原帖。
- Epoch:ECI 并列第一,但在其真实研究任务上相对前代几乎没有实质提升。
榜单支持“强项很强”,也支持“长程与综合没有一起涨”。首日的情绪反馈,大多落在后者。
中文读者容易误会的几点
首日中文报道很多,有几处值得核对。一是入口:有文章写成“ChatGPT 已全部上线”,官方 Learn 的表述是 Work、Codex 和 API,在 ChatGPT 里要打开 Work。二是数字:把官方图、AA、Vals 的同名基准混写成一个数,会得到彼此矛盾的结论,例如 FrontierCode 2.0 在官方图是 44.2%,AA 标准条件是 45.4%。三是来源:卡兹克文中提到 X 上一个用 Claude 跑了很久的 3D 案例,文章没有给出原作者和链接,本文不替它补一个出处。四是成绩的口径:卡兹克的 65%、84%、96% 是作者自建简易评测集的结果,题目与样本量未公开,不能当作行业评测。
另外,APPSO 文中还转述了若干 3D 演示和使用成本的个人说法。这些是第三方的轶事,没有统一的测试条件,本文不使用其中的金额。
这些反馈的局限
- **发布仅一天。**所有结论都是首日印象,Theo 自己就预测情绪会先热后冷。
- **样本小、偏向专业用户。**发帖者多是重度开发者或评测者,他们的任务不代表普通使用者。
- **多为提前体验,条件不透明。**用的 harness、推理档位、提示词多数没有公开,难以复现。
- **部分评测仍在运行。**Surge 发帖时 Astra 的金融任务还没出结果,本文不补写未公布的分数。
- **付费墙与转述。**Every 的完整稿件没读到,Shipper 原帖长文被截断,对应内容只用转述并标明。Max Weinbach 称两款模型都非常聪明,这一说法本文只通过 Implicator 转述见到,没有直接读到原帖,不作为论据。
- **没有贵数智能的实测。**本文所有数字和观点都来自第三方,不代表贵数智能对模型的任何结论。
读者可以怎么用这些信息
不必在“被骂惨了”和“其实很强”之间选边。更有用的做法是:如果你的任务像 3D、游戏、代码审查、科学计算,值得试;如果你要的是长时间无人值守的开发、清晰的沟通、稳定的写作风格,先小规模验证,并要求模型汇报障碍。再等一周,看榜单更新和更多非首日的使用报告。
来源说明
- X 原帖:@mattshumer_、@theo、@danshipper、@emollick、@skirano、@ArtificialAnlys、@HelloSurgeAI。
- 媒体与整理:VentureBeat、Implicator、Epoch AI、Vals AI。
- 中文实测:卡兹克、AIZ小朱的公众号文章,APPSO(36氪转载)。