Zum Hauptinhalt springen

GPT-6.2 Astra und Sol: Features, Benchmarks, Tests und Preise

OpenAIs GPT-6.2 Astra und Sol senken die Kosten pro Aufgabe deutlich. Wir zeigen die Neuerungen, Benchmarks, die passende Stufe, Preise und einen Praxistest gegen GPT-6 Astra.
Josef Waples
Josef Waples

Erstelle dein kostenloses Konto

Üben und Lernpfad deinen Fortschritt.

Weiter mit GoogleWenn du fortfährst, akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und dass deine Daten in den USA gespeichert werden.

Der November war vollgepackt mit neuen Frontier-Modellen. Anthropic hat Claude Fable 5.2 veröffentlicht, Google hat Gemini 4 Carbon im Feld, und heute, nach einer Woche Spekulationen, kontert OpenAI mit zwei Modellen auf einmal: GPT-6.2 Astra und GPT-6.2 Sol.

GPT-6.2 Astra ist OpenAIs neues Frontier-Modell für anspruchsvolle professionelle Arbeit wie Folien, Finanz-Workbooks, juristische Entwürfe, CAD und lange Agentenläufe. GPT-6.2 Sol ist das günstigere Alltagsmodell für Coding, Schreiben und Agenten-Loops und liegt beim Programmieren fast auf Astra-Niveau – für rund ein Viertel der Token-Kosten.

Ich habe gerade die Unterschiede angesprochen, aber beide kosten pro Aufgabe gleich viel oder weniger als die Modelle, die sie ersetzen: In der API liegen Astras Eingabe- und Ausgabepreise 20% unter denen von GPT-6 Astra, und Sol behält die Preise von GPT-6.1 Sol.

In diesem Artikel zeige ich alles Neue bei GPT-6.2 Astra und Sol, stelle die neuen Features vor, gehe die Benchmarks durch und jage Astra in zwei Praxistests gegen GPT-6 Astra durch den Parcours. 

Wie du siehst, kommen neue Modelle im Wochentakt. Um in der KI- und Datenwelt die Nase vorn zu behalten, abonniere auf jeden Fall unseren wöchentlichen Newsletter, The Median.

TL;DR

  • GPT-6.2 Astra ist OpenAIs neues Flaggschiff für harte Profi-Aufgaben; GPT-6.2 Sol ist das Alltagsmodell.
  • Der größte Sprung ist der Preis pro Aufgabe: Astra liefert deutlich mehr für deutlich weniger als GPT-6 Astra.
  • Sol liegt beim Programmieren nah an Astra – für einen Bruchteil des Preises. Es sollte dein Standard sein.
  • Claude Fable 5.2 führt weiterhin mehrere Coding- und Reasoning-Benchmarks an, OpenAI räumt also nicht alles ab.
  • In unseren Praxistests war Astra viel günstiger als GPT-6 Astra, aber GPT-6 Astra hat einen unordentlichen Datensatz vernünftiger gelesen.
  • Wechsel, wenn du heute für GPT-6 Astra zahlst; die Ersparnis rechtfertigt es allein.

Was sind GPT-6.2 Astra und Sol?

GPT-6.2 Astra ersetzt GPT-6 Astra an der Spitze, und Sol ersetzt GPT-6.1 Sol eine Stufe darunter. Zwei Dinge unterscheiden sie von der letzten Generation:

  • Etwas smarter, viel günstiger pro Aufgabe. In OpenAIs eigenem Fähigkeitsindex liegt Astra nur 1,7 Punkte über GPT-6 Astra, aber die Kosten pro Aufgabe sind in mehreren Benchmarks mehr als halbiert.
  • Eine neue Risiko-Einstufung. Astra ist das erste Modell von OpenAI, das die Schwelle „High“ für KI-Selbstverbesserung erfüllt – es kommt mit den bisher strengsten Schutzmaßnahmen von OpenAI.

Hier ist die Kostenstory auf einer Folie, gebaut von GPT-6.2 Astra. (Verbesserte Folien sind eines der Features. Dazu gleich mehr.)

Von GPT-6.2 Astra erstellte Folie: Astra erzielt bei Agentenaufgaben bessere Scores für weniger Geld, 2,89 $ pro Aufgabe in Agents' Last Exam

Die wichtigsten Features von GPT-6.2 Astra und Sol

Die meisten Neuerungen zielen auf professionellen Output und Effizienz statt auf rohe Intelligenz. Hier sind die vier Änderungen, die zählen.

Folien, Workbooks und Dokumente nach deinem Template bauen

GPT-6.2 Astra kann ein Foliendesign – als Originaldatei oder sogar als Screenshot – pixelgenau nachbauen, inklusive Layout, Farben und Typografie bis hin zur Schriftgröße. OpenAI hat es auf Konventionen aus Recht, Vertrieb, Finanzen und Buchhaltung trainiert, mit Titeln, die die Kernaussage tragen, und weniger Fülltext im Body.

Ich habe das Feature in diesem Artikel mehrfach getestet, inklusive der Folie oben. Astra schrieb jede Folie als HTML, das ich unverändert zu einem Bild gerendert habe. 

Dasselbe Training zeigt sich in Tabellenkalkulationen. In Artificial Analysis' AA-AnalystAgent, der Modelle Zahlen in echten Tabellen und Reports finden lässt, beantwortete Astra 62,5% der Fragen korrekt über fünf unabhängige Versuche – laut OpenAI ein neuer Höchstwert. ClickUp berichtet, dass Astra sein Produktionsmodell in Blindtests der Apps, Dashboards und Folien von ClickUp Brain knapp übertroffen hat – mit rund 30% weniger Review-Runden.

Mit Computer Use in CAD- und Simulationstools arbeiten

GPT-6.2 Astras Computer Use greift jetzt bis auf einzelne Bauteile und Verbindungen in CAD- und Simulationstools durch. Für mechanik- und Produktentwickler dürfte das groß sein. OpenAIs Demos zeigen u. a. die Fahrwerksdynamik eines Autos mit einem Python-Solver simuliert und in Blender animiert, einen RC-Buggy im Maßstab 1:8, Teil für Teil aus öffentlichen Fotos und Bauanleitungen nachmodelliert, sowie eine Papierlampe, entworfen aus Referenzfotos und über CAD-Iterationen verfeinert.

Wir können nicht mal eben selbst ein CAD-Projekt bauen, daher hier OpenAIs Demo zur Fahrsimulation. Astra baute das 3D-Auto, schrieb den Python-Solver für Reifen und Fahrwerk und animierte das Ergebnis in Blender:

OpenAIs Demo einer GPT-6.2 Astra-Fahrsimulation: ein Auto auf einer Bergstraße neben Ansichten von Vorder- und Hinterradaufhängung, Reifenaufstandskräften, Traktionskreis, Fahrerinputs und Antriebsdaten

Quelle: OpenAI

Mehr pro Token in Agenten-Workflows schaffen

Beide Modelle erzielen bessere Ergebnisse mit weniger Ausgabetokens – daher kommt der Großteil der Einsparungen. In OpenAIs internem GDPval v2 liegt GPT-6.2 Astra 6,2 Punkte über GPT-6 Astra und nutzt dabei 22% weniger Ausgabetokens. Astra wählt auch seine Tools besser, etwa wann ein Plugin statt Computer Use dran ist, und Basis berichtet, dass sich die durchschnittliche Bearbeitungszeit für langfristige Buchhaltungsaufgaben halbiert hat.

Die Systemkarte bringt auch bessere Nachrichten zu Prompt Injection, bei der versteckte Anweisungen in einer E-Mail oder Webseite den Agenten kapern wollen. Astras Folie fasst die Safety-Trade-offs zusammen:

Von GPT-6.2 Astra erstellte Folie: Beide Modelle widerstehen mehr Prompt Injections, Sol widersteht 91,65%

Folie von GPT-6.2 Astra

Sichereren Code schreiben – unter strengeren Schutzmaßnahmen

GPT-6.2 Astra und Sol finden und nutzen Schwachstellen effektiver, und OpenAI hat Trainingssignale für sicheren Code und Patches ergänzt, die die beabsichtigte Funktion erhalten. Beide erreichen die Stufe „Critical“ für Cybersicherheit im Preparedness Framework von OpenAI – wie zuvor GPT-6 Astra.

Die Kehrseite sind mehr Verweigerungen. OpenAI hat beide Modelle mit strengeren Schutzmaßnahmen gestartet, die auch legitime Vulnerability-Forschung und Sicherheitstests teilweise einschränken. Zugelassene Defender nutzen weiterhin GPT-6 Astra und GPT-6 Cyber, das vor zwei Wochen verfügbar wurde, über OpenAI Daybreak.

Wie schlagen sich GPT-6.2 Astra und Sol in Benchmarks?

GPT-6.2 Astra führt OpenAIs Benchmarks für professionelle Arbeit und Wissenschaft an, aber Claude Fable 5.2 liegt bei mehreren Coding- und Reasoning-Resultaten vorn. 

In den folgenden Tabellen stammen alle Werte von den Anbietern. Ich habe den jeweils besten Wert pro Zeile fett markiert.

Professionelle Arbeit und agentische Workflows

In Agents' Last Exam v1.1, das lange, mehrstufige Profi-Workflows testet, erzielt GPT-6.2 Astra 78,3% für 2,89 $ pro Aufgabe. GPT-6 Astra kommt auf 73,1% für 8,99 $, und Claude Fable 5.2 auf 72,8% für 60,05 $.

Agents' Last Exam v1.1: GPT-6.2 Astra 78,3% zu 2,89 $ pro Aufgabe, vor Gemini 4 Carbon mit 77,4% (4,60 $), GPT-6 Astra 73,1% (8,99 $) und Claude Fable 5.2 72,8% (60,05 $)

Gemini 4 Carbon kommt mit 77,4% am nächsten, kostet aber 4,60 $ pro Aufgabe. Der Rest der Profi-Resultate folgt demselben Muster:

BenchmarkWas gemessen wirdGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
Agents' Last Exam v1.1Langfristige Profi-Workflows78,3%73,0%73,1%72,5%72,8%
GDPval v2 (OpenAI intern)Mehrstufige Aufgaben in Consulting, Finanzen und Design50,4%46,9%44,2%41,5%44,8%
Harvey LAB-AA v1.1Juristische Deliverables, die alle Kriterien erfüllen15,0%11,1%8,6%6,9%7,2%
AutomationBench 1.0.6Automatisierung von Business-Workflows52,4%41,2%41,4%36,1%51,4%
LifeVal (OpenAI)Anspruchsvolle Alltagsaufgaben86,1%83,8%79,8%79,5%n/a

Astra führt hier jede Zeile unter den gelisteten Modellen an und verdoppelt Fable 5.2 im juristischen Harvey-Benchmark. Gemini 4 Carbon liegt auf AutomationBench mit 53,9% dennoch knapp vorn, und in GDPval v2 liegt Carbons 48,8% zwischen Astra und Sol.

OpenAIs GDPval v2-Chart zeigt, wo die Einsparungen herkommen: Bei gleicher Zahl an Ausgabetokens erzielen die neuen Modelle höhere Scores als ihre Vorgänger.

GDPval v2: GPT-6.2 Astra und Sol erreichen bei jedem Reasoning-Aufwand höhere Scores als GPT-6 Astra und GPT-6.1 Sol mit weniger Ausgabetokens

Coding und Security

Hier verdient sich Sol seinen Platz: In FrontierCode 2.0 erzielt es 43,8% für 1,29 $ pro Aufgabe, gegenüber Astras 44,2% für 5,97 $.

BenchmarkWas gemessen wirdGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
FrontierCode 2.0Code-Änderungen, die Maintainer-Standards für Merges erfüllen44,2%43,8%42,8%39,0%49,1%
SecureSWE (OpenAI intern)Funktionaler und sicherer Code für sicherheitssensitive Komponenten65,7%55,6%48,7%49,7%n/a
PatchBenchSicherheitspatches79,7%75,6%70,9%71,0%n/a
ExploitBench Internal PortArbiträre Codeausführung über V8 und Chrome53,5%50,5%31,5%21,5%n/a

Claude Fable 5.2 bleibt in FrontierCode 2.0 vorn, und Claude Opus 5.5 mit maximalem Aufwand (45,5%) schlägt hier ebenfalls beide GPT-6.2-Modelle. In den Security-Zeilen ist der Generationssprung am deutlichsten, auch wenn OpenAI Fable 5.2 dort nicht berichtet.

OpenAIs FrontierCode-Chart macht Sols Case klar: Bei maximalem Aufwand erreicht es Astras Score für etwa ein Fünftel der Kosten pro Aufgabe.

FrontierCode 2.0: GPT-6.2 Sol erreicht nahezu Astras Score für einen Bruchteil der Kosten pro Aufgabe, während Claude Fable 5.2 am höchsten punktet, aber viel teurer ist

Wissenschaft, CAD und allgemeines Reasoning

In Terminal-Bench-Science 0.1, das wissenschaftliche Arbeit im Terminal testet, erzielt GPT-6.2 Astra 77,1% – 9 Punkte mehr als GPT-6 Astra bei weniger als einem Drittel der Kosten pro Aufgabe.

BenchmarkWas gemessen wirdGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
Terminal-Bench-Science 0.1Wissenschaftliche Workflows im Terminal77,1%68,0%68,1%57,0%73,3%*
Vals Science Index v1Interpretation biologischer Daten und Experimente68,4%58,5%65,1%59,6%63,7%
BenchCAD 2.1 CoreCAD-Modellierungsaufgaben82,5%73,1%62,6%52,6%83,5%
Artificial Analysis Intelligence Index v5.0.1Komposit aus 9 Bewertungen (Index-Score)62,157,356,954,664,6
GPQA Diamond (ohne Tools)Master-Niveau, naturwissenschaftliche Fragen97,0%96,0%96,0%n/an/a

Fable 5.2 führt weiterhin den Intelligence Index und BenchCAD an – allerdings mit 26,54 $ bzw. 50,77 $ pro Aufgabe gegenüber Astras 4,00 $ und 5,43 $. Wenn du das absolut beste CAD-Ergebnis brauchst, ist Fable die Wahl; wenn du das täglich vielfach brauchst, bringt dich Astra für rund ein Zehntel des Preises zu 99% des Ziels.

In Terminal-Bench-Science erzielt Astra den Top-Score für 7,15 $ pro Aufgabe bei maximalem Aufwand, gegenüber 23,80 $ für GPT-6 Astra und 45,21 $ für Claude Fable 5.2.

Terminal-Bench-Science 0.1: GPT-6.2 Astra erzielt den höchsten Score für einen Bruchteil der Kosten von Claude Fable 5.2 und GPT-6 Astra

Welche Stufe solltest du nutzen?

GPT-6.2 Sol sollte dein Standard sein, GPT-6.2 Astra das Modell für Eskalationen. Sol kostet ein Viertel von Astras Tokenpreis und liegt beim Programmieren weniger als einen Punkt dahinter.

Welche GPT-6.2-Stufe nutzen: Sol für Alltags-Coding und Agenten-Loops, Astra für Folien, Workbooks, juristische Entwürfe, CAD, Simulation und Wissenschaft

GPT-6.2 Astra hat dieses Argument in seiner eigenen Folie sogar gegen sich selbst vorgetragen:

Von GPT-6.2 Astra erstellte Folie: Sol erreicht FrontierCode fast auf Astra-Niveau für 1,29 $ pro Coding-Aufgabe

Folie von GPT-6.2 Astra

Beide Modelle bieten in OpenAIs Charts fünf Reasoning-Aufwände von niedrig bis maximal, und die Einstellung ist fast so wichtig wie die Stufe. In Agents' Last Exam liegt Sol bei hohem Aufwand (72,0% für 0,69 $ pro Aufgabe) rund einen Punkt hinter GPT-6 Astra bei maximalem Aufwand (73,1% für 8,99 $) – für ein Dreizehntel der Kosten. Ultrafast ist für beide Modelle in der API und für Pro-500-Abos in ChatGPT verfügbar.

Use CaseStufeWarum
Alltägliches Coding, Refactors und Code-ReviewsSolInnerhalb von 0,5 Punkten zu Astra in FrontierCode 2.0 für etwa ein Fünftel der Kosten
Hochvolumige Agenten-Loops und AutomationenSol2 $ / 10 $ pro Million Tokens, unverändert gegenüber GPT-6.1 Sol
Kundenreife Folien, Finanz-Workbooks und MemosAstraTemplate Matching und die Führung in GDPval v2 sind Astra-spezifisch
Juristische Entwürfe und RechercheAstra15,0% in Harvey LAB-AA gegenüber 11,1% bei Sol
CAD, Simulation und wissenschaftliche AnalyseAstraRund 9 Punkte vor Sol in BenchCAD und Terminal-Bench-Science

Test von GPT-6.2 Astra: Praxisbeispiele

Die Benchmarks oben stammen von OpenAI. Also habe ich zwei Tests gegen GPT-6.2 Astra und seinen Vorgänger GPT-6 Astra gefahren – mit identischen Prompts und identischem Tooling. Für den Dashboard-Test liefen beide Modelle in OpenCode mit festgepinntem Tool-Set (lesen, suchen, Dateien bearbeiten), demselben hohen Reasoning-Aufwand, einem Versuch und frischer Session.

Test 1: Ein ehrliches Dashboard aus unordentlichen Daten

Die Aufgabe: Ein HTML-Dashboard als Einzeldatei aus einem CSV mit Einkommen und Beschäftigungsergebnissen für 173 US-Studienfächer, für Berufsberater, die Felder für Klienten vergleichen. Es sollte Kategorien nach Einkommen und Beschäftigung vergleichen, die am höchsten und niedrigsten vergüteten Fächer hervorheben, die Daten einbetten statt zu laden und auf einen 1440×900-Screen passen.

Die eigentliche Prüfung steckt in den Daten, die Probleme enthalten, die der Prompt nicht erwähnt:

  • Der Topverdiener, Petroleum Engineering mit 110.000 $, beruht auf einer Stichprobe von 36 Personen, und 76 der 173 Fächer haben Stichproben unter 100.
  • Der Niedrigstverdiener, Library Science mit 22.000 $, beruht auf einer Stichprobe von 2.
  • Food Science fehlen die Absolventenzahlen für Graduates.
  • Kategorien reichen von einem einzelnen Fach (Interdisciplinary, 12.296 Absolventen) bis zu 13 Fächern mit 1,3 Mio. Absolventen (Business) – die Art der Mittelung ist also entscheidend.

Damit prüfen wir zwei Startversprechen zugleich: Astras bessere analytische Workbooks und seine Effizienz mit weniger Ausgabetokens für bessere Resultate. Das hat GPT-6.2 Astra gebaut:

Astra rankt Kategorien nach ungewichteter Median-der-Mediane-Logik, wodurch Health mit 35.000 $ auf Platz 10 landet

Die wichtigsten Erkenntnisse:

  • Beide Modelle lieferten beim ersten Versuch ein funktionierendes Dashboard. Beide betteten alle 173 Fächer ein, zeichneten eigene SVG-Charts ohne Charting-Library, passten auf einen Screen und luden fehlerfrei.
  • Sie lasen dieselben Daten unterschiedlich – und das ordnet die Kategorien neu. GPT-6.2 Astra rankte jede Kategorie nach dem Median der Mediane ihrer Fächer – ein Fach mit ein paar Tausend Absolventen zählt damit genauso viel wie eines mit 200.000. GPT-6 Astra gewichtete jedes Fach nach der Zahl seiner Absolventen. Ergebnis: Health liegt bei GPT-6.2 Astras Dashboard auf Platz 10 mit 35.000 $ und bei GPT-6 Astra auf Platz 4 mit 40,6 Tsd. $, weil Nursing mit 209.394 Absolventen und einem Median von 48.000 $ entsprechend ins Gewicht fällt.
  • GPT-6 Astra stellte auch Stichprobengrößen nach vorn. Seine Haupttabelle zeigt, dass die Top-4-Verdiener auf Stichproben von 36, 7, 3 und 16 beruhen. GPT-6.2 Astra zeigt sie erst nach Auswahl eines Fachs – mit einem Einzeiler, der vor instabilen Rankings warnt.
  • GPT-6.2 Astra war günstiger und schlanker. Es kostete 1,79 $ gegenüber 2,93 $ für GPT-6 Astra – mit 27.821 Ausgabetokens gegenüber 35.298.

Schauen wir genauer auf GPT-6 Astras Version. Vergleiche sein Kategorien-Chart mit dem von GPT-6.2 Astra oben: Health steht hier auf Platz 4 und dort auf 10, und Biology & Life Science fällt von Platz 6 auf 11.

GPT-6 Astras Dashboard gewichtet Kategorien nach Absolventen, setzt Health auf Platz 4 mit 40,6 Tsd. $ und zeigt eine Spalte mit Stichprobengrößen

Beides ist mathematisch nicht falsch, und GPT-6.2 Astra labelt sein Chart als Median-der-Mediane. Aber ein Berufsberater will wissen, wo Absolventen tatsächlich landen – und das beantwortet nur die nach Absolventenzahl gewichtete Variante.

Test 2: Ein Foliensatz aus einem Template-Screenshot

Die Aufgabe: Die Recherchenotizen hinter diesem Artikel in ein 5-Folien-Deck für Engineering Manager übersetzen, die über einen Wechsel entscheiden – im Stil einer einzigen Template-Folie. Die Modelle bekamen das Template nur als Screenshot, und der Prompt bat, es „bis hin zu den Schriftgrößen“ zu treffen – ohne Schrift oder Größen zu nennen.

Damit prüfen wir OpenAIs Folienversprechen direkt. Weil die Modelle ein Bild sehen mussten, lief jede als einzelner API-Call über OpenRouter mit demselben hohen Reasoning-Aufwand, und ich habe GPT-6.2 Sol ergänzt, denn Folien gehören zum Tagesgeschäft. Das war das Template, das sie sahen – für den Test von mir entworfen:

Template-Folie: eine DataCamp-ähnliche Folie mit grünem Akzentbalken, Kicker, drei Bullets und grauer Stat-Karte

Die wichtigsten Erkenntnisse:

  • Alle drei Modelle bauten das Template allein aus dem Screenshot nach. Jedes identifizierte die Schrift als Poppins und behielt den grünen Akzentbalken, die Kicker-Zeile, die graue Stat-Karte, die Quellenzeile und die Seitenzahl. Jeder Titel formuliert eine Takeaway-Aussage wie im Template.
  • Alle drei trafen das Template so gut, dass ich sie mit bloßem Auge nicht unterscheiden konnte. Im Browser-Check traf nur GPT-6.2 Sol die Schriftgrößen exakt. Astra, das Modell, das laut OpenAI Templates „bis hin zur Schriftgröße“ trifft, lag um ein bis zwei Pixel daneben.
  • GPT-6.2 Astra war von den beiden Astras am sparsamsten. Es kostete 0,22 $ und 4.968 Ausgabetokens, gegenüber 0,59 $ und 11.247 bei GPT-6 Astra. Sol kostete 0,07 $.

Astras fünf Folien sind die beschrifteten, die du in diesem Artikel gesehen hast, und jede Zahl darauf passt zu meinen Notizen. GPT-6 Astras Deck war ebenso brauchbar – hier trennen sich die Generationen also nicht.

Ist GPT-6.2 Astra also ein echter Schritt nach vorn? Bei den Kosten ja: Es beendete beide Tests um 39% bis 63% günstiger – das passt zu OpenAIs Effizienzclaim. Beim Urteilsvermögen nicht ganz: Das ältere Modell gewichtete die Daten so, wie es ein Berufsberater braucht, während die Folien etwa gleichauf waren.

Ein Lauf pro Aufgabe reicht nicht, um zwei Modelle zu ranken, aber es passt zu OpenAIs eigener Blocker-Deception-Beobachtung: Prüfe, was GPT-6.2 Astra weglässt – nicht nur, was es baut.

Preise und Verfügbarkeit von GPT-6.2 Astra und Sol

GPT-6.2 Astra ist bei Eingabe- und Ausgabetokens 20% günstiger als GPT-6 Astra und bei gecachten Eingaben 60% günstiger, während GPT-6.2 Sol die Preise von GPT-6.1 Sol hält. Standard-API-Preise pro Million Tokens:

ModellEingabeGecachte EingabeAusgabe
GPT-6.2 Astra8,00 $0,40 $40,00 $
GPT-6.2 Sol2,00 $0,10 $10,00 $

Die niedrigeren Preise sind nur ein Teil der Ersparnis. Weil beide Modelle weniger Ausgabetokens nutzen, fällt der Preis pro Aufgabe weiter – daher kostet Astras Agents'-Last-Exam-Lauf weniger als ein Drittel von GPT-6 Astra. OpenAI empfiehlt außerdem, Prompt-Präfixe unverändert zu lassen und neue Anweisungen anzuhängen, um mehr Cache-Treffer zu erzielen und Reasoning über Turns hinweg zu erhalten.

Astras eigene Zusammenfassung der neuen Preise:

Von GPT-6.2 Astra erstellte Folie: Astra kostet weniger, Sols API-Preise bleiben stabil; Astra 20% günstiger pro Eingabe- und Ausgabetoken als GPT-6 Astra

Folie von GPT-6.2 Astra

In ChatGPT sind beide Modelle ab Tag 1 für Plus-, Pro-, Enterprise- und Edu-Nutzer in ChatGPT Work und Codex verfügbar. Enterprise- und Edu-Nutzer erhalten Zugriff, sobald die Admins ihres Workspaces es aktivieren.

Ultrafast ist für beide Modelle mit Pro-500-Abos verfügbar, und Pro-200-Abos bekommen es erstmals – beginnend mit GPT-6.2 Sol. In der Ankündigung von OpenAI wird der Free-Plan nicht erwähnt.

Wie bekommst du Zugang zu GPT-6.2 Astra und Sol?

Beide Modelle sind allgemein in der OpenAI API verfügbar als gpt-6.2-astra und gpt-6.2-sol, Ultrafast ist zum Start für beide verfügbar. Eine Minimalanfrage mit dem OpenAI Python SDK sieht so aus:

from openai import OpenAI

client = OpenAI()
response = client.responses.create(
    model="gpt-6.2-sol",
    reasoning={"effort": "high"},
    input="Summarize this quarterly report in 5 bullet points: ...",
)
print(response.output_text)

Beide Modelle sind auch auf OpenRouter gelistet (openai/gpt-6.2-astra und openai/gpt-6.2-sol) und im OpenCode-Modellkatalog. 

Für einen vollständigen Build mit der vorherigen Generation sieh dir unser GPT-6 Astra API-Tutorial und das GPT-6.1 Sol Tutorial an; der Hauptwechsel ist die Modell-ID.

Fazit

GPT-6.2 ist eine Preissenkung, die OpenAI in ein Fähigkeits-Release verwandelt hat. Astra schlägt GPT-6 Astra in allen von OpenAI gemeldeten Benchmarks für professionelle Arbeit – bei einem Drittel der Kosten pro Aufgabe – und Sol ist beim Programmieren so nah dran, dass die meisten Teams dort starten sollten.

Das entscheidet das Gesamtrennen nicht. Claude Fable 5.2 führt weiterhin FrontierCode und den Intelligence Index an, Gemini 4 Carbon führt AutomationBench, und in unseren Tests hat das ältere Astra einen unordentlichen Datensatz vernünftiger gelesen. Ich würde aber allein wegen der Ersparnis heute von GPT-6 Astra wechseln.

Von GPT-6.2 Astra erstellte Folie: Nutze deine eigenen Aufgaben, um zu entscheiden, wo du wechselst; Astra nutzt 22% weniger Ausgabetokens in GDPval v2

Folie von GPT-6.2 Astra

Wenn du mehr über das Bauen mit OpenAIs Modellen lernen willst, schau dir unseren Kurs Working with the OpenAI API an.

Josef Waples

Autor

Josef Waples

FAQs

What is GPT-6.2 Astra and how is it different from GPT-6.2 Sol?

GPT-6.2 Astra ist OpenAIs Frontier-Modell für harte professionelle Arbeit wie Folien, Finanz-Workbooks, juristische Entwürfe und CAD. GPT-6.2 Sol ist das günstigere Alltagsmodell für Coding, Schreiben und Agenten-Loops. Sol kostet ein Viertel von Astras Tokenpreis und liegt in FrontierCode 2.0 nur 0,5 Punkte hinter Astra, während Astra in professionellen und wissenschaftlichen Benchmarks führt.

How much does GPT-6.2 Astra cost in the API?

GPT-6.2 Astra kostet 8 $ pro Million Eingabetokens, 0,40 $ pro Million gecachter Eingabetokens und 40 $ pro Million Ausgabetokens. Das liegt 20% unter GPT-6 Astra bei Eingabe und Ausgabe und 60% darunter bei gecachter Eingabe. GPT-6.2 Sol kostet 2 $, 0,10 $ und 10 $ – identisch zu GPT-6.1 Sol.

Is GPT-6.2 Astra better than GPT-6 Astra?

Auf OpenAIs Benchmarks: ja. GPT-6.2 Astra schlägt GPT-6 Astra in allen Ergebnissen für professionelle Arbeit, z. B. in Agents' Last Exam (78,3% vs. 73,1%), bei etwa einem Drittel der Kosten pro Aufgabe. In unseren zwei Praxistests war es ebenfalls günstiger, aber GPT-6 Astra gewichtete einen unordentlichen Datensatz vernünftiger.

Where can I access GPT-6.2 Astra and GPT-6.2 Sol?

Beide Modelle sind in ChatGPT Work und Codex für Plus-, Pro-, Enterprise- und Edu-Nutzer verfügbar; Enterprise- und Edu-Zugriff wird durch die Workspace-Admins aktiviert. Entwickler können gpt-6.2-astra und gpt-6.2-sol in der OpenAI API aufrufen, beide sind auch auf OpenRouter gelistet.

Should I use GPT-6.2 Sol or GPT-6.2 Astra for coding?

Nutze GPT-6.2 Sol für das meiste Coding. In FrontierCode 2.0 erzielt es 43,8% gegenüber Astras 44,2% bei maximalem Aufwand – für 1,29 $ statt 5,97 $ pro Aufgabe. Wechsle zu Astra für sicherheitssensiblen Code, wo es Sol in SecureSWE schlägt, oder für CAD und wissenschaftliche Arbeit.

Themen

Ähnlich