在 Epoch AI 的发布日记录中,GPT‑6.2 Astra 和 Claude Fable 5.2 的综合能力指数同为 174 分。在同一家机构从实际工作抽取的开放式任务里,Astra 的平均评分是 65%,Fable 5.2 是 82%。与此同时,GPT‑6.2 Sol 在两项软件工程评测中接近 Astra,终端基准的整套运行费用约为 Astra 的五分之一。三个结果放在一起,才看得清 6.2 的变化:Astra 把高难度推理的上限推高了,Sol 把部分可验证任务的成本压低了,而独立决定该研究什么、怎样推翻自己的初步结论,仍是另一类能力。Epoch 模型数据 · Epoch 开放式工作评测 · Terminal-Bench 4.0 榜单
OpenAI 于 2026 年 11 月 17 日发布 Astra 和 Sol。本文以 11 月 18 日可查的公开结果为证据,属于 Folkbench 的二次分析。机构榜单归各评测方,规格和标价归 OpenAI,Folkbench 本轮未重跑模型。文中的百分比沿用各榜单的定义。凡涉及工具权限、推理预算或评测执行环境,结论均限定在对应设置内。OpenAI 发布公告
五组数字回答五个不同的问题
| 公开评测与口径 | GPT‑6.2 Astra | GPT‑6.2 Sol | 这项结果衡量什么 |
|---|---|---|---|
| Artificial Analysis Intelligence Index v5.0.1,max | 62 | 57 | 九项评测归纳出的综合表现 |
| ARC‑AGI‑2,max | 95.8% | 85.8% | 从少量示例归纳规则并完成新的网格变换 |
| ARC‑AGI‑3 标准执行环境,max | 70.3% | 54.9% | 从陌生交互环境的反馈中学习并推进任务 |
| Terminal-Bench 4.0,Codex,max | 62.1% ± 2.3% | 61.5% ± 2.8% | 在终端中完成多步骤任务 |
| Epoch Automation Reports,Codex | 65% | 未测 | 开放式工作交付物与机构内部标准的距离 |
Artificial Analysis 首发评测 · ARC Prize 成绩 · Terminal-Bench 4.0 榜单 · Epoch 工作任务明细
智力维度:综合指数、抽象迁移与记忆方式
Artificial Analysis 的首发综合指数给 Astra 62,比旧款 GPT‑6 Astra 高 5 分,低于 Fable 5.2 的 65。Sol 的 57 与旧款 Astra 持平,在该指数的任务组合里,平均单任务模型成本约为旧款 Astra 的 15%。Epoch 的 174 则来自另一套量尺:它用项目反应理论和贝叶斯模型估计模型能力、基准难度和区分度,并随结果增加更新估计。两套指数分别压缩了不同的任务样本。相同指数支持同一标尺下的总体位置接近,具体实验仍要看题型、预算和评分边界。综合排名对“智力”的解释力,到这一步就需要拆开。Artificial Analysis 首发评测 · Epoch ECI 方法
ARC‑AGI‑2 是较干净的对照。相同 max 档下,Astra 领先 Sol 10.0 个百分点。ARC‑AGI‑3 的标准环境需要模型用多轮行动获取反馈,max 下差距扩大到 15.4 个百分点。ARC Prize 的公开演示里,标准环境允许维持模型自行选择的笔记。Provider Adapter 还能在请求之间保存不透明的推理状态,并在长会话中压缩上下文。同一 max 档切换执行环境后,Astra 达 99.8%,Sol 达 98.2%。Astra 在适配环境的 xhigh 档达到 100.0%,对应标准环境只有 56.5%。因此引用满分时,执行环境和推理档位与数字本身同样重要。ARC Prize 核验结果与执行环境
这组落差对应用设计有直接含义。交互探索需要保留先前试过的规则、排除过的假设和失败动作的反馈。执行环境改变了这些信息传到下一步的方式,连 Astra 与 Sol 的分差也随之改变。若业务是真正的有状态交互,值得比较同一模型在自己工具链中的失败恢复、重复动作和跨轮记忆,而非把适配环境近满分外推到无状态请求。单项榜单也无法把成绩归因到某个训练阶段或模型内部结构。ARC Prize 核验结果
工程与专业工作:交付物的验收条件决定优势
Terminal-Bench 4.0 在 Codex、max 下报 Astra 62.1% ± 2.3%、Sol 61.5% ± 2.8%,整套运行标示约 1,400 美元与 300 美元。点估计只差 0.6 个百分点,榜单给出的区间也大幅重叠。要论证某一款稳定更强,最好用同一批任务的配对结果和多次运行估计差值。当前证据更直接支持一个成本判断:在这套终端任务中,Sol 用约五分之一的费用达到接近的分数。费用是整套评测的报价,不能直接当作任何项目的单任务成本。Terminal-Bench 4.0 榜单
Cognition 的 FrontierCode 2.0 从另一个角度衡量软件交付。132 项任务由项目维护者编写,评分考虑正确性、测试质量、改动范围和代码库规范,触发阻断条件的结果得零。OpenAI 报告,两款 6.2 在该评测、max 档的差距在 0.5 个百分点以内,Sol 约为 Astra 五分之一的成本。Artificial Analysis 的 Coding Agent Index 在 Codex / max 上又给出一条反证:Astra 与上一代 Astra 持平,Sol 比 GPT‑6.1 Sol 低 3 分,其中仓库问答 SWE-Atlas-QnA-AA 下滑 14 分,报告指向关键事实遗漏。能跑通任务与能解释代码为何这样写,分别需要执行闭环和完整证据提取。Cognition 榜单与评分方法 · OpenAI 发布公告 · Artificial Analysis 编程评测
专业工作也会随验收设定换位。OpenAI 在发布公告中报告,Astra 在 Agents’ Last Exam 超出 Fable 5.2 5.5 分,所列成本为对方的 5%,且公告注明 Fable 的榜单结果排除了 9 项使用回退模型的任务。Epoch 用自己的真实工作产物做人工审阅时,Fable 5.2 领先 17 个百分点,Astra 的 65% 则仍高于旧款 Astra 的 56%。Epoch 每个模型在每个任务上只运行一次,样本较小,模型使用的执行环境也不同。这组反向排序表明,委派报告、图表或分析工作时,要关心评分是否覆盖受众判断、证据取舍和修改后质量。OpenAI 发布公告 · Epoch 工作评测与局限
学术维度:知识、证明、科研执行与研究设计
学科问答。 Artificial Analysis 报告,Astra 在 HLE-Diamond 上只落后于 Fable 5.2,在 CritPt v2 难题子集的物理推理比较中也处于第二。两项结果覆盖高难知识调用和答案推导,但评测对象仍是给定问题。事实可靠性还需要看模型在答不上来时怎么做。AA-Omniscience v1.1 中 Astra 与 Sol 的 max 幻觉率分别为 59% 和 55%。分母是所有未完全正确的响应,包括错误、部分正确和未作答,分子是错误响应。这个指标衡量模型在没能给出完全正确答案时直接答错的倾向,不能拿来估计整篇文献综述中有多少引文会出错。Artificial Analysis 首发评测 · AA-Omniscience 指标定义
形式化数学。 Epoch 的同一模型记录给 Astra 的 FrontierMath Tier 4 v2 显示 100%,旧款 Astra 显示 98%,数值按该页显示精度列出。更有区分度的是 FrontierMath Erdős,Astra 10%,旧款 Astra 3%。后者由 68 道在基准建立时仍开放的难题构成,用 Lean 检查提交的证明或反证。已有验收边界的高难任务趋近饱和时,开放问题集仍能提供区分。形式化通过证明了结果符合给定形式命题,研究判断还涉及形式化是否忠实表达原问题、用了哪些前提,以及结果是否具备独立的数学价值。Epoch 模型成绩 · FrontierMath Erdős 方法
科研执行。 在 Artificial Analysis 的 Terminal-Bench-Science 0.1 上,Astra 的 xhigh 为 78.6%,max 为 78.1%。这项 70 题基准由学科专家参与设计,让模型在终端交付可用测试检查的产物。它提供了操作工具、处理研究材料和交付可复查结果的证据。两个档位的点估计也提示,采购或路由策略应按任务验证预算曲线。只看最高档,可能错过价格和质量更适合的一档。Terminal-Bench-Science 0.1 及方法
研究设计。 Epoch 要求模型构造真正改变规则的国际象棋变体,以测试样本分布之外的泛化。Astra 的方案主要更换棋子标签,底层移动规则仍等价,实验因而难以排除模型沿用已有知识。Epoch 还观察到多款模型沿用第一次尝试,缺少根据中间结果调整设计的迭代。这是与科研执行分数可以并存的失败:模型有能力完成指定的实验流程,但实验未必能区分竞争假设。OpenAI 系统卡把 Astra 列入其 AI 自我改进能力的 High 档,Sol 低于该档。该评级反映特定 AI 研发环境中的能力证据,通用研究自主性仍需由独立任务验证。Epoch 开放式工作评测 · OpenAI 系统卡
成本与选型:按通过验收的任务计价
两款 API 模型均提供 105 万 token 上下文窗口,最多输入 92.2 万、输出 12.8 万,接受文本与图像、输出文本。标准短上下文价格按每百万 token 计,Astra 的输入、缓存读取、输出分别是 8 / 0.40 / 40 美元,Sol 是 2 / 0.10 / 10 美元。超过 272K 输入 token 后,整次调用的输入和缓存费率翻倍,输出费率变为 1.5 倍。窗口大小是容量,实际可调用的证据量还取决于模型能否跨距离定位定义、识别冲突和引用原文。OpenAI Astra 模型规格 · OpenAI Sol 模型规格
一个可复算的例子:若短上下文请求使用 10 万未缓存输入 token 和 1 万计费输出 token,且未产生缓存写入和工具费,Astra 是 1.20 美元,Sol 是 0.30 美元。真实任务的成本应把失败重试、回退、工具调用和人工复核都纳入,再除以通过同一验收标准的任务数。考虑 Sol 首轮、失败后转 Astra 时,若两者单次成本固定为 1∶4,纯模型费用少于直接用 Astra 的条件是升级比例低于 75%。比较两条路径时还需要报告各自最终通过率与延迟。这个算例用于说明成本结构,数字并非 Folkbench 实测。OpenAI API 模型费率
对能够自动校验的补丁、数据转换、报告生成和批处理,Sol 是更值得优先验证的候选。对形式化推导、陌生规则探索和科学计算中的高难子任务,Astra 的优势有多项外部结果支持。对开放式研究决策,最终验收应落实到原始引文、可复算结果、能否区分假设的实验设计,以及模型是否主动报告阻塞和缺失证据。GPT‑6.2 的首发价值主要有两项:高难任务多了一个能力上限更高的选择,可验证任务多了一个成本更低的选择。能否把这个优势兑现,取决于实际交付物如何被检查。



