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
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。