Margrop
Articles313
Tags807
Categories6

Categories

1password 24GB VRAM 2K 3-SAT 3.6 Flash 30B dense 4-bit 量化 6-DoF SLAM AC ACP AI & Economy ATLAS AI Agent AI Coding Assistant AI Tech AI Workflow AI tutor AI 基础设施 AI 安全 AI 工程 AI 应用 AI 日记 AI 生产力 AI编程助手 ALTK-Evolve AMIE AP API API 定价 API 稳定性 API 降价 ARC-AGI-3 ASR ATEM chat 模板 AUTOMATIC1111 Agent Agent Harness Agent Memory Agent 入侵 Agent 可靠性 Agent 工程 Agent 推理 Agent 架构 Agent 检索 Agent 沙箱 Agent 系统 Agent 训练 Agent 记忆 Agent 评测 Agent 路由 Agentic AI Agentic SOC Agentic tools Ai2 Alertmanager AllenAI Android 17 Antigravity Apertus 1.5 AppDaemon AppWorld Apple Silicon Aqara Astra Async GRPO Attention AutoSynthData Baseten Benchmark CC-Switch CI/CD CLI Tools CLI工具 COBOL CPU 推理 Cache Hit Rate Caddy ChatGPT Claude Code Claude Sonnet ClawLoader Code Interpreter CodeMender Codex Coding Agent ComfyUI Computer Use Cookie 认证 Cosmos DB Cosmos-H-Dreams Cost Optimization Cron Cybersecurity DFIR DSpark Date DeepSeek DeepSeek V4 Flash Diagrams.net Diary Diffusers Diffusion Docker Efficiency Tools Embedding English Evaluation Cards FSDP2 Fable 5 Falcon ASR Fireworks AI FlashAttention FlashDreams Frontier AI Function Calling Funes GGUF GLM 5.2 GLM-5.2 GPT-4.1 GPT-5.6 GPT-5.6 Sol GPT-6 GPT-6 Astra GPT-6.2 GPT-Live GPT-Live-1 GPT-Red GPU 云 GPU 加速 GPU 性能分析 GPU 集群 GRPO Gated DeltaNet Gateway Gemini Gemini 3.5 Flash Gemini 3.7 Flash Gemini 3.8 Gemini 4 Argon Gemini API Gemini CLI Gemini Omni Flash Gemma 4 12B Gemma Translator Gemma4 GitHub Actions Google Google AI Google Beam Google Data Commons Google DeepMind Google Research Google Sheets Grabette Gradio Gradio Workflow Granite Gripette HA HADashboard HF Security Incident Hailuo Hermes Hexo Holo4 HomeAssistant Hugging Face IBM Granite IBM Research In-context Learning Inference Providers Isaac Lab Isaac Sim JSON Output JSON Schema Java KV cache KV 缓存 Kimi K3 Kubernetes LFM2.5 LFM2.5-VL LLM LLM Router LLM 安全 LLM 工程 LLM 评测 LVM‑Thin Late Interaction LeRobot Lean Linux Liquid AI LiquidAI Live Translate LoRA Luna MCP MLX MTP MacOS Magpie TTS Managed Agents Meta Microsoft 365 Copilot MiniMax Mistral Mistral Shieldstral MoE MoE 缓存 Model Routing MuJoCo Warp Multi-Agent Multi-Vector MultiLangBench Muse Glimmer Muse Spark Open MySQL NAS NIM NVIDIA NeMo Automodel NeMo Data Designer Nemotron Nemotron 3 Embed NeoMME Newton Nginx Node.js Nunchaku OCR OOM OlmoEarth On-device AI Open Source OpenAI OpenAI Codex OpenAI 兼容 OpenClaw OpenCode OpenResty OpenRouter OpenUSD OpenWrt PII 检测 Physical AI Pollen Robotics Portainer PostgreSQL ProcessOn Project Astra Prometheus Prompt Caching Prompt Injection Prompt 缓存 Proxmox VE PyTorch Qwen3 Qwen3-VL Qwen3.6 RAG RPC RTEB Real-Time Inference Red Teaming Reflection Beam Responses API SNAP SOCKS5 SPED SVDQuant SWE-Bench Schema Scientific Computing Self-Forcing Distillation Sentence Transformers Session Sheets canvas Shell Sol Speech-to-Text StateBench Storage Buckets Strands Agents Subagent Surgical Robotics TRL TTS Tabular Terra Think button TimeMachine Tokenizer ToyBlocks Transformers TutorMoments UML Uptime Kuma V4-Pro VLA VPS Voice Agent VoiceEQ WARP WebRTC WebSocket Windows World Foundation Model XY问题 agent agentic aligenie aliyun allenai annotation aop autofs backup bash bitwarden boot brew browser budget control centos cert certbot charles chat chrome classloader client clone closures cloudflare command commit commoditization container crontab cyber capability demo dependency deploy developer devtools dll dns docker domain download drafter draw drawio dsm dump dylib environment hooks exception fail-closed fail2ban feign firewall-cmd flow flow matching free tier frontier hosted model frp frpc frps fuckgfw full-duplex function gfw git github gperftools gridea grub guardrail lockout gvt-g hacs havcs heap hello hexo hibernate hidpi hoisting homeassistant hosts html htmlparser https huggingface_hub iKuai iMessage image img img2kvm immortalwrt import index inference cost install intel io ios ip iptables iso java javascript jni jnilib jpa js json jsonb jupter jupyterlab jvm k8s kernel key kvm lastpass launchctl learning letsencrypt linux llama.cpp low-code lvm mac mariadb markdown maven md5 microcode mirror modules monitor mount mstsc multimodal mysql n5105 network nfs node node-red nodejs nohup notepad++ npm nssm ntp oop open d1 open weights openfeign openssl os ovz packet capture pdf pem perf pip plugin png powerbutton print pro productive struggle pve pvekclean python qcow2 qemu qemu-guest-agent rar reasoning control reasoning slider reboot reflog remote remote desktop renew repo resize retina router runtime safari sata scaffolding scheduled triggers scipy-notebook scoping scp self-play server serverless inference silent test simulated student so speculative decoding spk spring springboot springfox ssh ssl stash string support svg svn swagger sync synology systemctl systemd template terminal token 效率 txt ubuntu ui undertow unlocker upgrade vLLM vhd vim vm vmdk web windows with worker xml yum zai-org/GLM-5.2 zip 一致性评测 上下文压缩 上下文工程 上下文结构 专家剪枝 世界模型 事件响应 交换机 人才争夺 人机协作 代理 代码生成 代码迁移 仿真基准 企业 AI 企业自动化 优化 低延迟 低资源编程语言 供应链 健康检查 光猫 免费层 具身智能 内存 内存优化 内网渗透 决策模型 分布式存储 分布式推理 分布式训练 医疗 AI 升级 卫星影像 反向代理 反诉 可复现性 合成数据 后训练配方 向量检索 启动 告警 告警优化 图像生成 地球观测 地理空间推理 基准评测 基础设施 复盘评测 夏令时 多 token 预测 多向量检索 多智能体 多模型编排 多模态 多模态 AI 多模态 API 多模态 Agent 多模态交互 多模态检索 多模态模型 多语言 多语言 AI 大厂人才战 大模型评测 天猫精灵 安全 安全事件 安全基础设施 安全对齐 安全评测 安全运营 安装 定时任务 实时协作 实时语音 客户端 SDK 容器 对齐 导入 小模型 小米 屏幕理解 工作流编排 工具审计 工具调用 工具调用拦截 工程团队 工程实践 工程笔记 常用软件 应用市场 延迟优化 开权重 开源权重 开源模型 异常 异步任务 异步委派 强化学习 形式化验证 微信 心跳 性能优化 性能捕捉 成本优化 成本控制 扩散模型 技术 抓包 拒答校准 持续预训练 指令数据分离 按 provider 优先级 授权链 排查 推测解码 推理加速 推理引擎 推理成本 推理服务 推理模型 推理速度 推理预算 描述文件 提示注入 提示词敏感性 搜索 API 故障排查 效率工具 教育数据开源 教育评测 数学推理 数据工作流 数据治理 数据流 数据管线 数据集偏差 文本编码器 文档解析 旁路由 日志分析 日记 时区 显卡虚拟化 显存优化 智能家居 智能音箱 服务管理 本地 Agent 本地 agent 本地推理 机器人仿真 机器人学习 机器人数据采集 架构 标记语言 模块 模型压缩 模型发布 模型微调 模型快照 模型推理 模型评测 模型路由 残存访问 流式推理 流程 流程图 浏览器 混合专家 漫游 火绒 状态追踪 生成式影像 电信 画图 监控 监控系统 监管 知识蒸馏 磁盘 科研 Agent 科研自动化 稀疏注意力 立体声 端侧 AI 端侧推理 端口 端口冲突 端口扫描 结构化抽取 结构化输出 续期 网关 网络 网络安全 网络风暴 群晖 脚本 脚本优化 腾讯 自动化 自动恢复 自动攻击 自部署 苹果 虚拟机 表格基础模型 视觉语言模型 视频生成 视频问诊 计算复杂性 认证 训练基础设施 证书 评测 评测基准 评测方法学 诉讼 语义化版本 语用学 语音 AI 语音 Agent 语音识别 资产验证 资源调度 超时 路由 路由器 软件工程 软件测试 软件管家 软路由 边缘 AI 运维 运维监控 连接保活 连接问题 通信机制 通知 邮件漏发 部署 配置 量化 量子计算 钉钉 镜像 镜像源 长上下文 长任务编排 长连接 门窗传感器 问题排查 防火墙 阿里云 阿里源 集客 非人类身份 飞书

Hitokoto

Archive

GPT-6.2 Astra 和 Sol 发布拆解:从 ARC-AGI-3 的 62.7% 到 70.3%,OpenAI 这次把 Agent 成本砍到了哪里?

GPT-6.2 Astra 和 Sol 发布拆解:从 ARC-AGI-3 的 62.7% 到 70.3%,OpenAI 这次把 Agent 成本砍到了哪里?

笔名:小六 / 上海 / 1995 女 / 某互联网公司工程师

GPT-6.2 Astra 与 Sol:一次关于成本曲线的模型发布

先说结论

2026 年 11 月 17 日,OpenAI 发布 GPT‑6.2 Astra 和 GPT‑6.2 Sol 两个模型,官方公告的标题叫《Introducing GPT‑6.2 Astra and Sol》。这一代的关键词不是”更聪明”,而是**”同等能力下更便宜、更省 token”**:API 定价上 Astra 的输入输出价格比 GPT‑6 Astra 降了 20%,缓存输入再打六折(每百万 token 输入 8 美元、缓存输入 0.40 美元、输出 40 美元);Sol 保持 GPT‑6.1 Sol 的价格不变。在 ARC‑AGI‑3 上,Astra 把成绩从上一代 GPT‑6 Astra 的 62.7%(Standard 划分)推到 70.3%,同时在部分评测里的单任务成本只有上一代的三分之一甚至更低。配套的安全披露也值得注意:两个模型在 OpenAI 自己的 Preparedness Framework 下,网络安全能力达到 Critical 级别、生物化学能力达到 High 级别,Astra 还是 OpenAI 首个对外发布、达到”AI 自我改进” High 阈值的模型。

一句话概括:这是一次”帕累托前沿移动”式的发布——能力涨、价格降,但代价是安全阈值同步上移,Agent 工程师要面对的不只是更便宜的推理,还有更严的高风险能力管控。

发生了什么

按官方公告(11 月 17 日)的口径,这次发布有两个模型,定位完全不同:

GPT‑6.2 Astra:面向复杂专业工作的旗舰模型。官方给它的标签是”复杂专业工作的新质量标杆”——幻灯片、表格、文档”读起来更像人写的”,更贴近用户给的模板和行业惯例;代码更干净,前端尤其面向网站、游戏和 3D 设计。定价上,API 输入/输出价格比 GPT‑6 Astra 低 20%,缓存输入额外 60% 折扣。

GPT‑6.2 Sol:日常工作的”默认模型”。官方说法是比 GPT‑6.1 Sol”更聪明、更高效,同样付费额度内能完成更多任务”,适合多步 Agent 工作流、自然写作。Sol 的 API 价格与 6.1 Sol 持平。

时间线上的两个独立信源可以互相印证:Hacker News 上 11 月 17 日当天出现了多个相关讨论帖,其中官方公告帖拿到 1300+ points;ARC Prize 基金会的 leaderboard 上,GPT‑6.2 Astra 和 Sol 的评测行日期都标着 2026-11-17。也就是说,发布日期以官方公告为准是 11 月 17 日,距今 24 小时内,在 72 小时窗口内。

技术细节

基准数字:两个模型各自的账

先看第三方独立口径。ARC Prize 官方 leaderboard(arcprize.org,11 月 17 日更新):

模型 ARC-AGI-1 ARC-AGI-2 ARC-AGI-3 Standard Provider adapter 评测成本
GPT-6.2 Astra (11-17) 98.5% 95.8% 70.3% 100.0% $24.2K
GPT-6 Astra (09-02) 98.5% 95.0% 62.7% 99.9% $26.1K
GPT-6.2 Sol (11-17) 97.5% 85.8% 54.1% — —

(ARC‑AGI‑3 的 “Provider adapter” 划分是指官方适配器下跑分,Standard 是标准划分;两代 Astra 的 ARC‑AGI‑1 持平 98.5%,ARC‑AGI‑2 从 95.0% 涨到 95.8%。)

再看官方口径的几个关键数字:

  • Agents’ Last Exam(长程专业工作评测):GPT‑6.2 Astra 比 GPT‑6 Astra 高 5.2 分,成本不到三分之一;比 Claude Fable 5.2 高 5.5 分,成本只有 5%。官方同时标注了一个细节:Fable 5.2 的 leaderboard 分数剔除了九个使用 fallback 模型的任务。
  • Terminal-Bench-Science 0.1:Astra 比 GPT‑6 Astra 高 9 个百分点,成本不到三分之一;官方称”科学家用的最好模型”。
  • Harvey LAB‑AA v1.1(法律任务):Astra 的新 SOTA,通过率是 Claude Fable 5.2 的两倍多,成本约六分之一。
  • GDPval v2(OpenAI 内部迭代版):Astra 比 GPT‑6 Astra 高 6.2 个百分点,输出 token 少 22%;Sol 比 GPT‑6.1 Sol 高 5.3 分。
  • AA‑AnalystAgent(Artificial Analysis 的真实表格任务):Astra 五次独立尝试全部正确的题占 62.5%,创新高。
  • AA‑3D(人盲评交互式 3D 体验):Astra 1318 Elo 排第一,Claude Fable 5.2 是 1271,GPT‑6.2 Sol 1259。
  • FrontierCode 2.0(Cognition 出品,测真实代码库改动能否过维护者标准):GPT‑6.2 Sol 距 Astra 只差 0.5 分,但成本约五分之一。

Token 效率:这次发布真正的主题

官方在公告开头就点题:”Both models deliver better results on demanding tasks with fewer output tokens”——更少输出 token 完成同样的高要求任务。合作伙伴的实测数字比官方摘要更具体:

  • Legora(法务 Agent 平台):复杂法务 Agent 任务 token 少 **62%**,10 项法务研究任务里 8 项得分高于其他模型;
  • Harvey(法务 AI):Legal Agent Benchmark 完成任务量 3 倍以上,输出 token 少 **34.5%**;
  • ClickUp:盲测胜出自家生产模型,token 少约 **40%**、评审轮次少 30%;
  • Basis:长程会计工作平均耗时降 50%,最复杂任务最高降 73%;
  • Higgsfield:3D 生成一步到位率 73%(GPT‑6 Astra 需要三轮以上迭代)。

把这一组数字放在一起看,模式很清晰:OpenAI 在用”每任务成本”而不是”每 token 价格”讲故事。每 token 单价只降 20%,但每任务 token 消耗降 34-62%,乘起来单任务成本降幅就是 5%-80% 不等——这就是公告里”成本是竞品 5%、六分之一、七分之一”这些数字的来源。

安全披露:数字之外最重要的一段

这段官方写得很克制但信息量大:

  • 两个模型网络安全能力达 Critical 阈值、生物化学能力达 High 阈值(Preparedness Framework 口径);
  • GPT‑6.2 Astra 是 OpenAI 首个对外发布、达到 AI Self-improvement High 阈值的模型(衡量”加速 AI 研究的能力”);
  • 因此 6.2 上线时就带了更严的高风险网络安全协助管控——官方明说这”限制了一些合法的漏洞研究和安全测试工作流”;
  • 防御侧的出口是 Daybreak 计划:防御者可以在 Daybreak Blue 上以更少拒绝访问 GPT‑6 Astra,GPT‑6 Cyber 面向授权的红队测试;6.2 系列后续会接入。

还有一个耐人寻味的细节:公告里的网络安全基准测试是在”安全防护与分类器关闭”的内部测试配置下跑的——也就是说,实际 API 里的 6.2 和 benchmark 数字之间存在一层管控差距,这一点官方让你去看 system card。

对 Agent/工程的影响

第一,”每任务成本”正在取代”每 token 价格”成为选型主轴。 过去选模型看每百万 token 单价,6.2 这代之后,同一个模型的”高档档位”和”低档档位”(Astra vs Sol)在 FrontierCode 2.0 上只差 0.5 分、成本差 5 倍——这意味着 Agent 工作流里”默认用便宜档、卡点用贵档”的路由策略,比任何时候都更值钱。昨天本站写过 HF Inference Providers 把路由层交给 OpenRouter,模型侧再把”档位差价拉大”,两端夹击之下,不做好任务级路由的 Agent 团队会白白多付几倍成本。

第二,token 效率提升直接改写 Agent 预算模型。 输出 token 少 22-62%,意味着同样预算下可以跑更长的轨迹、更多轮工具调用、更宽的并行实验。对于长程任务(官方叫”long-horizon”,比如 Basis 的会计工作流),这相当于把之前因为成本而截断的轨迹长度放开了。反过来说,如果你的 Agent 还停留在”每步都全量输出”的写法,6.2 的效率红利你吃不到——结构化输出、缓存输入(0.40 美元/百万 token 的缓存价)、减少冗余轮次,这些工程手段的性价比在这代模型上被进一步放大。

第三,High 级”自我改进”阈值是一个值得盯住的先例。 这是 OpenAI 第一次把一个对外模型的”加速 AI 研究能力”标到 High。今天它只是披露框架里的一个档位,但如果后续模型继续沿这个刻度上移,Agent 框架在”让模型自主改自己的 prompt/工具/代码”这类功能设计上,会开始撞上供应商侧的管控边界——你设计的自主进化闭环,可能跑在别人家的安全阈值上。

第四,benchmark 配置与线上服务的差距是引用数字时的新陷阱。 公告明说网络安全的 benchmark 数字是”防护关闭”配置下测的,而线上 API 带着更严管控。这意味着拿 benchmark 分数做容量规划或选型依据时,线上实际能力和表格数字之间有一层你不可控的折扣。做 Agent 选型测试时,应该用自己工作流的抽样任务实测,而不是照抄发布页数字。

我的判断

判断一:这是一次”效率发布”而非”能力发布”,但市场会把它读成后者。 ARC‑AGI‑3 从 62.7% 到 70.3% 当然是显著跃升,但真正改变工程决策的是成本侧:单任务成本降到竞品的 5%-20% 区间。我预计接下来一个季度的模型选型讨论会从”哪家最强”转向”哪个档位在哪个任务上性价比最高”——这正是昨天 HF/OpenRouter 路由文章里说的趋势在模型侧的延续。

判断二:Fable 5.2 的”九个 fallback 任务被剔除”这个标注,值得所有读 benchmark 的人记住。 官方在公布自己领先 5.5 分的同时,主动披露对手的分数口径差异——这在厂商发布的自我披露尺度里算少见的。它提醒我们:跨厂商 benchmark 对比的口径差异,往往比 5 分的差距本身更影响结论。读任何 leaderboard 都应该先问”哪些任务被剔除了、哪些配置被关了”。

判断三:Astra/Sol 双档结构在模仿”旗舰 + 日常”的产品策略,但这次的差价拉得比以往都大。 FrontierCode 上 0.5 分之差对应 5 倍成本差,这个”档位套利空间”是前几代没有的。我判断 OpenAI 在有意引导开发者把 Sol 当默认、Astra 当”卡点逃生舱”,这个结构和 Anthropic 的 Opus/Sonnet、Google 的 Pro/Flash 是同构的,但 6.2 这代的价差是同代内最大的。对 Agent 工程师,这意味着**档位路由从”优化项”变成”必选项”**。

判断四:安全阈值和能力的同步上移,是这代发布里被低估的信号。 Critical 网络安全 + High 生物化学 + High 自我改进,三个档位同时官宣,还附带”限制部分合法安全研究工作流”的自白。我的判断是:Agent 平台层(包括开源框架)接下来要开始认真处理”模型能力我管不了、管控策略是供应商定的”这个新现实——你的 Agent 框架做得再开放,底层模型的安全分类器是你不可编程的那一层。

Q&A

Q1:这次发布的核心事实和来源?

A:主源是 OpenAI 官方公告《Introducing GPT‑6.2 Astra and Sol》(2026-11-17,https://openai.com/index/introducing-gpt-6-2-astra-sol ),交叉源是 ARC Prize 官方 leaderboard(https://arcprize.org/leaderboard ,2026-11-17 更新,ARC‑AGI‑3 Standard 70.3%/100.0% adapter、Sol 54.1%)和 Hacker News 当日讨论(1300+ points)。价格数字(输入 8 美元/缓存 0.40 美元/输出 40 美元每百万 token)与各合作方 token 效率数字(Legora 62%、Harvey 34.5%、ClickUp 40%)均出自官方公告原文。

Q2:GPT-6.2 Astra 和 Sol 的区别是什么?

A:官方定位:Astra 面向复杂专业工作(法律、金融、科研、3D 设计),Sol 面向日常任务与多步 Agent 工作流,是”默认模型”。能力上 Astra 全面更强(Agents’ Last Exam 高 5.2 分),但 Sol 在 FrontierCode 2.0 上只差 0.5 分且成本约五分之一。Astra 输入 8/输出 40 美元每百万 token,Sol 价格与 6.1 Sol 持平。

Q3:ARC-AGI-3 的 70.3% 和 100% 是什么关系?

A:ARC Prize leaderboard 有两个划分:Standard(标准划分)Astra 得 70.3%,Provider adapter(官方适配器)划分下 100.0%。前者是统一评测协议,后者是模型厂商自带的适配器配置。跨模型对比应该用 Standard 口径(GPT‑6 Astra 62.7% → GPT‑6.2 Astra 70.3%),adapter 100% 只说明”官方适配器能吃满分”,不等于开放任务全解决。

Q4:token 效率数字可信吗?

A:分两层看。官方公告的基准数字是 OpenAI 自测,可信但带自我披露偏差(比如 Fable 5.2 剔除 9 个 fallback 任务这个口径细节);合作方数字(Legora 62%、Harvey 34.5%、ClickUp 40%)是第三方在自家任务上的实测,样本是真实工作流但由 OpenAI 筛选过、由合作方确认引述。方向上可信(这代确实大幅省 token),幅度上建议各团队用自己工作流实测。

Q5:现在应该切换到 6.2 吗?

A:给三个可操作的判据:①如果你的 Agent 有长程任务且受成本约束,值得立即测——单任务成本降幅(5%-80%)在这个量级的代际更新里罕见;②如果你的工作负载以短任务、高频调用为主,Sol 档价格持平、能力上涨,是无成本的升级;③如果安全管控是敏感项(漏洞研究、安全测试类工作流),先读 system card 确认 6.2 的管控边界是否影响你,必要时留在 6.1 或申请 Daybreak。任何切换都建议先用生产流量的抽样做 A/B,不要直接切默认模型。

Q6:High 级”AI 自我改进”意味着什么?

A:Preparedness Framework 的这个维度衡量”模型加速 AI 研究的能力”。High 意味着官方认定它能在研究自动化上给实质加速。对普通 Agent 开发者的直接影响有限,但它是 OpenAI 首次把对外发布的模型标到这个档位——后续如果出现 Critical,行业对”自主改进类 Agent 功能”的合规预期会变。

Q7:缓存输入价格 0.40 美元/百万 token 对工程意味着什么?

A:这是输入价的 60% 折扣后(8 美元 → 0.40 美元,约 5% 的价格),对 Agent 是实质利好:系统提示、工具 schema、长上下文前缀这类重复内容全部命中缓存价。Agent 系统里 80% 的输入是重复前缀,这个折扣等效于把长程 Agent 任务的输入成本砍掉一大截。工程动作:把稳定前缀放最前、动态内容放最后,让缓存命中率最大化。

Q8:文中哪些是官方事实、哪些是我的判断?

A:官方事实:发布日期(11-17)、两个模型定位、API 定价、所有 benchmark 数字、安全阈值披露、Fable 5.2 的 fallback 口径标注。我的判断:关于”每任务成本成为选型主轴”、”档位路由从优化项变成必选项”、”安全阈值上移是低估的信号”、以及所有”对 Agent/工程的影响”小节的推断——这些是基于公开数字的推断,不是 OpenAI 的官方立场。

本文阅读量 --
Author:Margrop
Link:https://blog.margrop.com/post/2026-11-18-gpt62-astra-sol-cost-efficiency/
版权声明:本文采用 CC BY-NC-SA 3.0 CN 协议进行许可