Saltar al contenido principal

GPT-6.2 Astra y Sol: características, benchmarks, pruebas y precios

GPT-6.2 Astra y Sol de OpenAI reducen drásticamente el coste por tarea. Cubrimos qué hay de nuevo, los benchmarks, qué nivel usar, precios y una prueba práctica frente a GPT-6 Astra.
Josef Waples
Josef Waples

Crea tu cuenta gratuita

Practica y programa tu progreso.

Continuar con GoogleAl continuar, aceptas nuestra Términos de uso, nuestros Política de privacidad y que tus datos se almacenen en EE. UU.

Noviembre viene cargado de modelos frontier. Anthropic lanzó Claude Fable 5.2, Google tiene Gemini 4 Carbon en el mercado y hoy, tras una semana de rumores, OpenAI responde con dos modelos a la vez: GPT-6.2 Astra y GPT-6.2 Sol.

GPT-6.2 Astra es el nuevo modelo frontier de OpenAI para trabajo profesional exigente, como presentaciones, hojas de cálculo financieras, redacción legal, CAD y ejecuciones largas de agentes. GPT-6.2 Sol es el modelo económico para el día a día en tareas de programación, redacción y bucles de agentes, y se acerca mucho a Astra en código por aproximadamente una cuarta parte del precio por token.

Acabo de explicar sus diferencias, pero ambos cuestan lo mismo o menos por tarea que los modelos a los que sustituyen: en la API, los precios de entrada y salida de Astra son un 20% más bajos que los de GPT-6 Astra, y Sol mantiene los precios de GPT-6.1 Sol.

En este artículo, repasamos todas las novedades de GPT-6.2 Astra y Sol: sus nuevas funciones, los benchmarks y dos pruebas prácticas donde ponemos a Astra frente a GPT-6 Astra.

Como ves, los nuevos modelos llegan a un ritmo vertiginoso. Para no perderte nada en IA y datos, suscríbete a nuestra newsletter semanal, The Median.

Resumen

  • GPT-6.2 Astra es el nuevo buque insignia de OpenAI para trabajo profesional exigente; GPT-6.2 Sol es el modelo para el día a día.
  • La gran mejora es el coste por tarea: Astra hace más por mucho menos que GPT-6 Astra.
  • Sol se acerca a Astra en programación por una fracción del precio, así que debería ser tu opción por defecto.
  • Claude Fable 5.2 sigue liderando varios benchmarks de código y razonamiento, así que OpenAI no arrasa en todo.
  • En nuestras pruebas prácticas, Astra fue mucho más barato que GPT-6 Astra, pero GPT-6 Astra interpretó un dataset desordenado con más criterio.
  • Cambia si hoy pagas por GPT-6 Astra; el ahorro ya lo justifica.

¿Qué son GPT-6.2 Astra y Sol?

GPT-6.2 Astra sustituye a GPT-6 Astra en la gama alta, y Sol reemplaza a GPT-6.1 Sol un nivel por debajo. Dos aspectos los diferencian de la generación anterior:

  • Un poco más listos, mucho más baratos por tarea. El índice de capacidades de OpenAI sitúa a Astra solo 1,7 puntos por encima de GPT-6 Astra, pero su coste por tarea se reduce a menos de la mitad en varios benchmarks.
  • Una nueva calificación de riesgo. Astra es el primer modelo de OpenAI que cumple su umbral High para auto-mejora de la IA, por lo que llega con las salvaguardas más estrictas hasta la fecha.

Este es el resumen de costes en una sola diapositiva, creada por GPT-6.2 Astra. (Las diapositivas mejoradas son una de las novedades. Ahora vamos con ello.)

Diapositiva creada por GPT-6.2 Astra: Astra puntúa mejor en tareas de agentes por menos, a $2.89 por tarea en Agents' Last Exam

Funciones clave de GPT-6.2 Astra y Sol

La mayoría de las novedades apuntan a mejorar la calidad del output profesional y la eficiencia más que la inteligencia bruta. Estas son las cuatro que más importan.

Crea diapositivas, libros y documentos que sigan tu plantilla

GPT-6.2 Astra puede tomar una plantilla de diapositivas, como archivo original o incluso una captura, y replicar su maquetación, colores y tipografía hasta el tamaño de fuente. OpenAI lo entrenó en convenciones de campos como derecho, ventas, finanzas y contabilidad, con títulos que resumen la idea principal y menos paja en el cuerpo.

Probé esta función a lo largo del artículo, incluida la diapositiva de arriba. Astra escribió cada diapositiva en HTML, que yo rendericé a imagen sin cambios.

El mismo entrenamiento se nota en hojas de cálculo. En AA-AnalystAgent de Artificial Analysis, que pide a los modelos localizar cifras en hojas y reportes reales, Astra respondió correctamente al 62,5% de las preguntas en los cinco intentos independientes, un nuevo máximo según OpenAI. ClickUp informa de que Astra superó por poco a su modelo en producción en pruebas a ciegas de las apps, paneles y diapositivas que construye ClickUp Brain, con alrededor de un 30% menos de rondas de revisión.

Trabaja en CAD y herramientas de simulación con computer use

El computer use de GPT-6.2 Astra ahora llega a piezas y conexiones individuales en herramientas de CAD y simulación. Esperamos que esto sea clave para ingenieros mecánicos y de producto. Las demos de OpenAI incluyen la dinámica del chasis de un coche simulada con un solver en Python y animada en Blender, un buggy RC a escala 1:8 modelado pieza a pieza a partir de fotos públicas y manuales, y una lámpara de papel diseñada desde fotos de referencia con iteraciones en CAD.

No podemos montar fácilmente un proyecto CAD propio para probarlo, así que aquí va la demo de simulación de conducción de OpenAI. Astra construyó el coche 3D, escribió el solver en Python para neumáticos y suspensión y animó el resultado en Blender:

Demo de OpenAI de una simulación de conducción con GPT-6.2 Astra: un coche en una carretera de montaña junto a vistas de la suspensión delantera y trasera, cargas en la huella del neumático, un círculo de tracción, entradas del conductor y lecturas del tren motriz

Fuente: OpenAI

Haz más por token en flujos de agentes

Ambos modelos logran mejores resultados con menos tokens de salida, de ahí vienen la mayor parte de los ahorros. En el GDPval v2 interno de OpenAI, GPT-6.2 Astra puntúa 6,2 puntos por encima de GPT-6 Astra usando un 22% menos de tokens de salida. Astra también elige mejor sus herramientas, incluido cuándo usar un plugin en lugar de computer use, y Basis informa de que su tiempo medio en trabajos contables de largo recorrido se redujo a la mitad.

La system card también trae buenas noticias sobre inyecciones de prompt, donde instrucciones ocultas en un email o web intentan secuestrar al agente. Esta diapositiva de Astra resume los compromisos de seguridad:

Diapositiva creada por GPT-6.2 Astra: ambos modelos resisten más inyecciones de prompt, con Sol resistiendo el 91,65%

Diapositiva de GPT-6.2 Astra

Escribe código más seguro, con salvaguardas más estrictas

GPT-6.2 Astra y Sol encuentran y explotan vulnerabilidades con más eficacia, y OpenAI añadió señales de entrenamiento para escribir código seguro y parches que preservan el comportamiento previsto. Ambos cumplen el umbral Critical en ciberseguridad dentro del Preparedness Framework de OpenAI, como ya hacía GPT-6 Astra.

La contrapartida son más negativas. OpenAI lanzó ambos modelos con salvaguardas más estrictas que también limitan parte de la investigación legítima de vulnerabilidades y las pruebas de seguridad. Los defensores autorizados siguen usando GPT-6 Astra y GPT-6 Cyber, disponible desde hace dos semanas, a través de OpenAI Daybreak.

¿Cómo rinden GPT-6.2 Astra y Sol en los benchmarks?

GPT-6.2 Astra lidera los benchmarks de trabajo profesional y ciencia de OpenAI, pero Claude Fable 5.2 encabeza varios resultados en programación y razonamiento.

En las siguientes tablas, todas las puntuaciones son reportadas por los proveedores. He puesto en negrita la mejor marca de cada fila.

Trabajo profesional y flujos con agentes

En Agents' Last Exam v1.1, que evalúa flujos profesionales largos y multietapa, GPT-6.2 Astra logra un 78,3% a $2.89 por tarea. GPT-6 Astra consigue un 73,1% a $8.99 por tarea, y Claude Fable 5.2 un 72,8% a $60.05.

Gráfico de Agents' Last Exam v1.1: GPT-6.2 Astra logra 78,3% a $2.89 por tarea, por delante de Gemini 4 Carbon con 77,4% ($4.60), GPT-6 Astra con 73,1% ($8.99) y Claude Fable 5.2 con 72,8% ($60.05)

Gemini 4 Carbon se acerca con un 77,4%, pero cuesta $4.60 por tarea. El resto de resultados en trabajo profesional sigue el mismo patrón:

BenchmarkQué mideGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
Agents' Last Exam v1.1Flujos profesionales de largo recorrido78.3%73.0%73.1%72.5%72.8%
GDPval v2 (OpenAI interno)Encargos multietapa de consultoría, finanzas y diseño50.4%46.9%44.2%41.5%44.8%
Harvey LAB-AA v1.1Entregables legales que cumplen todos los criterios15.0%11.1%8.6%6.9%7.2%
AutomationBench 1.0.6Automatización de flujos empresariales52.4%41.2%41.4%36.1%51.4%
LifeVal (OpenAI)Tareas cotidianas complejas86.1%83.8%79.8%79.5%n/d

Astra lidera todas las filas entre los modelos de la tabla, y dobla a Fable 5.2 en el benchmark legal de Harvey. Gemini 4 Carbon aún lo supera levemente en AutomationBench con un 53,9%, y en GDPval v2, el 48,8% de Carbon queda entre Astra y Sol.

El gráfico de GDPval v2 de OpenAI muestra de dónde sale el ahorro: con el mismo número de tokens de salida, los nuevos modelos puntúan más alto que a quienes sustituyen.

Gráfico de GDPval v2: GPT-6.2 Astra y Sol alcanzan puntuaciones más altas que GPT-6 Astra y GPT-6.1 Sol con menos tokens de salida en cada nivel de esfuerzo

Programación y seguridad

Programación es donde Sol se gana su sitio: en FrontierCode 2.0, marca un 43,8% a $1.29 por tarea, frente al 44,2% de Astra a $5.97.

BenchmarkQué mideGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
FrontierCode 2.0Cambios de código que cumplen el estándar de los maintainers para hacer merge44.2%43.8%42.8%39.0%49.1%
SecureSWE (OpenAI interno)Código funcional y seguro para componentes sensibles65.7%55.6%48.7%49.7%n/d
PatchBenchParches de seguridad79.7%75.6%70.9%71.0%n/d
ExploitBench Internal PortTasa de ejecución de código arbitrario en V8 y Chrome53.5%50.5%31.5%21.5%n/d

Claude Fable 5.2 mantiene el liderato en FrontierCode 2.0, y Claude Opus 5.5 a esfuerzo máximo (45,5%) también supera a ambos GPT-6.2 ahí. Las filas de seguridad son donde el salto generacional es más claro, aunque OpenAI no reportó Fable 5.2 en ninguna de ellas.

El gráfico de FrontierCode de OpenAI refuerza el caso de Sol: a esfuerzo máximo, alcanza la puntuación de Astra por alrededor de una quinta parte del coste por tarea.

Gráfico de FrontierCode 2.0: GPT-6.2 Sol llega a la puntuación de Astra por una fracción del coste por tarea, mientras Claude Fable 5.2 puntúa más alto a un coste mucho mayor

Ciencia, CAD y razonamiento general

En Terminal-Bench-Science 0.1, que evalúa trabajo científico en terminal, GPT-6.2 Astra obtiene un 77,1%, 9 puntos por encima de GPT-6 Astra y a menos de un tercio del coste por tarea.

BenchmarkQué mideGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
Terminal-Bench-Science 0.1Flujos de investigación científica en terminal77.1%68.0%68.1%57.0%73.3%*
Vals Science Index v1Interpretación de datos biológicos y ejecución de experimentos68.4%58.5%65.1%59.6%63.7%
BenchCAD 2.1 CoreTareas de modelado CAD82.5%73.1%62.6%52.6%83.5%
Artificial Analysis Intelligence Index v5.0.1Compuesto de 9 evaluaciones (puntuación índice)62.157.356.954.664.6
GPQA Diamond (sin herramientas)Preguntas de ciencia a nivel de posgrado97.0%96.0%96.0%n/dn/d

Fable 5.2 sigue liderando el Intelligence Index y BenchCAD, pero a $26.54 y $50.77 por tarea frente a $4.00 y $5.43 de Astra. Si necesitas el mejor output CAD absoluto, Fable sigue siendo la elección; si lo necesitas muchas veces al día, Astra te lleva al 99% por alrededor de una décima parte del precio.

En Terminal-Bench-Science, Astra logra la mejor puntuación a $7.15 por tarea a esfuerzo máximo, frente a $23.80 de GPT-6 Astra y $45.21 de Claude Fable 5.2.

Gráfico de Terminal-Bench-Science 0.1: GPT-6.2 Astra puntúa más alto por una fracción del coste por tarea de Claude Fable 5.2 y GPT-6 Astra

¿Qué nivel deberías usar?

GPT-6.2 Sol debería ser tu opción por defecto, y GPT-6.2 Astra el modelo al que escales. Sol cuesta una cuarta parte del precio por token de Astra y en programación cede menos de un punto.

Qué nivel de GPT-6.2 usar: Sol para programación diaria y bucles de agentes, Astra para presentaciones, libros financieros, borradores legales, CAD, simulación y trabajo científico

El propio GPT-6.2 Astra defendió esto en su presentación:

Diapositiva creada por GPT-6.2 Astra: Sol casi iguala a Astra en FrontierCode por $1.29 por tarea de programación

Diapositiva de GPT-6.2 Astra

Ambos modelos exponen cinco niveles de esfuerzo de razonamiento en los gráficos de OpenAI, de bajo a máximo, y el ajuste del esfuerzo importa tanto como el nivel. En Agents' Last Exam, Sol con esfuerzo alto (72,0% a $0.69 por tarea) queda a aproximadamente un punto de GPT-6 Astra con esfuerzo máximo (73,1% a $8.99) por una decimotercera parte del coste. El modo Ultrafast está disponible para ambos modelos en la API y para suscriptores Pro 500 en ChatGPT.

UsoNivelMotivo
Programación diaria, refactors y revisión de códigoSolA 0,5 puntos de Astra en FrontierCode 2.0 por alrededor de una quinta parte del coste
Bucles de agentes y automatizaciones a gran volumenSol$2 / $10 por millón de tokens, sin cambios respecto a GPT-6.1 Sol
Presentaciones listas para cliente, libros financieros y memosAstraLa coincidencia de plantillas y el liderazgo en GDPval v2 son propios de Astra
Redacción y análisis legalAstra15,0% en Harvey LAB-AA frente al 11,1% de Sol
CAD, simulación y análisis científicoAstraUnos 9 puntos por delante de Sol en BenchCAD y Terminal-Bench-Science

Probando GPT-6.2 Astra: ejemplos prácticos

Los benchmarks anteriores son de OpenAI, así que realicé dos pruebas enfrentando GPT-6.2 Astra con su predecesor, GPT-6 Astra, con prompts y herramientas idénticos. Para la prueba del dashboard, ambos modelos corrieron en OpenCode con una superficie de herramientas fija (leer, buscar y editar archivos), el mismo esfuerzo alto de razonamiento, un intento y sesión limpia.

Prueba 1: un dashboard honesto a partir de datos desordenados

La tarea: construir un dashboard HTML de un solo archivo a partir de un CSV con ingresos y empleo para 173 carreras universitarias en EE. UU., para un orientador laboral que compara áreas para sus clientes. Tenía que comparar categorías en ingresos y empleo, destacar las carreras con mayores y menores ingresos, incrustar los datos en lugar de traerlos y caber en una pantalla de 1440×900.

La clave está en los datos, que tienen problemas que el prompt no menciona:

  • La mejor pagada, Petroleum Engineering con $110,000, se basa en una muestra de 36 personas, y 76 de las 173 carreras tienen muestras inferiores a 100.
  • La peor pagada, Library Science con $22,000, se basa en una muestra de 2.
  • Food Science no tiene totales de graduados.
  • Las categorías van desde una sola carrera (Interdisciplinary, 12.296 graduados) hasta 13 carreras con 1,3 millones de graduados (Business), así que cómo promedies importa.

Pone a prueba dos promesas a la vez: mejores hojas de análisis en Astra y su eficiencia, con menos tokens de salida para mejores resultados. Esto es lo que generó GPT-6.2 Astra:

El dashboard de GPT-6.2 Astra ordena categorías por una mediana no ponderada de medianas por carrera, lo que sitúa Salud 10ª con $35,000

Conclusiones principales:

  • Ambos modelos entregaron un dashboard funcional al primer intento. Cada uno incrustó las 173 carreras, dibujó sus propios gráficos SVG sin librerías, encajó en una pantalla y cargó sin errores.
  • Leen los mismos datos de forma distinta y eso reordena las categorías. GPT-6.2 Astra ordenó cada categoría por la mediana de las medianas de sus carreras, lo que cuenta igual una carrera con unos miles de graduados que otra con 200.000. GPT-6 Astra ponderó cada carrera por su número de graduados. Resultado: Salud queda 10ª con $35,000 en el dashboard de GPT-6.2 Astra y 4ª con $40.6k en el de GPT-6 Astra, porque enfermería, con 209.394 graduados y una mediana de $48,000, pesa lo que debe pesar.
  • GPT-6 Astra también puso los tamaños de muestra en primer plano. Su tabla principal muestra que las 4 mejor pagadas se basan en muestras de 36, 7, 3 y 16. GPT-6.2 Astra solo las muestra al seleccionar una carrera, con una línea avisando de rankings inestables.
  • GPT-6.2 Astra fue más barato y ligero. Costó $1.79 frente a $2.93 de GPT-6 Astra, con 27.821 tokens de salida frente a 35.298.

Echemos un vistazo a la versión de GPT-6 Astra. Compara su gráfico de categorías con el de GPT-6.2 Astra: Salud está 4ª aquí y 10ª allí, y Biology & Life Science cae de 6ª a 11ª.

El dashboard de GPT-6 Astra pondera los ingresos por categoría según graduados, lo que coloca Salud 4ª con $40.6k, y muestra una columna de tamaño de muestra junto a cada carrera

Ninguno de los métodos es incorrecto matemáticamente, y GPT-6.2 Astra etiqueta su gráfico como mediana de medianas por carrera. Pero un orientador quiere saber dónde acaban realmente los graduados, y eso solo lo responde la versión ponderada por graduados.

Prueba 2: una presentación a partir de una captura de plantilla

La tarea: convertir las notas de investigación de este artículo en una presentación de 5 diapositivas para managers de ingeniería que deciden si cambiarse, con el estilo de una diapositiva de plantilla. Los modelos recibieron la plantilla solo como captura, y el prompt les pidió igualarla "hasta los tamaños de fuente" sin nombrar ni la fuente ni ninguna medida.

Pone a prueba directamente la promesa de OpenAI sobre diapositivas. Como los modelos tenían que ver una imagen, cada uno se ejecutó como una única llamada a la API vía OpenRouter, con el mismo esfuerzo alto de razonamiento, y añadí GPT-6.2 Sol, ya que las presentaciones son trabajo cotidiano. Esta es la plantilla que vieron, diseñada para la prueba:

Plantilla de diapositiva dada a los modelos: una diapositiva al estilo DataCamp con barra verde, un título con takeaway, tres viñetas y una tarjeta de estadística en gris

Conclusiones principales:

  • Los 3 modelos reconstruyeron la plantilla solo a partir de la captura. Cada uno identificó la fuente como Poppins y conservó la barra verde, la línea introductoria, la tarjeta de estadística en gris, la línea de fuente y el número de página. Todos los títulos expresan una conclusión, como en la plantilla.
  • Los 3 se ajustaron tanto a la plantilla que a simple vista eran indistinguibles. En el navegador, solo GPT-6.2 Sol clavó exactamente los tamaños de fuente. Astra, el modelo que OpenAI dice que iguala plantillas "hasta el tamaño de fuente", se desvió uno o dos píxeles.
  • GPT-6.2 Astra fue más económico que el Astra anterior. Costó $0.22 y 4.968 tokens de salida, frente a $0.59 y 11.247 de GPT-6 Astra. Sol costó $0.07.

Las 5 diapositivas de Astra son las subtituladas que has visto en este artículo, y cada cifra coincide con mis notas. La presentación de GPT-6 Astra fue igual de útil, así que en esta tarea las generaciones no se separan.

¿Es entonces GPT-6.2 Astra un salto real? En coste, sí: terminó ambas pruebas por entre un 39% y un 63% menos, en línea con la promesa de eficiencia de OpenAI. En criterio, no tanto: el modelo anterior fue el que ponderó los datos como necesita un orientador, mientras que en diapositivas hubo empate técnico.

Una sola ejecución por tarea no basta para clasificar modelos, pero encaja con el hallazgo de Blocker Deception de OpenAI: fíjate en lo que GPT-6.2 Astra omite, no solo en lo que construye.

Precios y disponibilidad de GPT-6.2 Astra y Sol

GPT-6.2 Astra es un 20% más barato que GPT-6 Astra en tokens de entrada y salida y un 60% más barato en entrada en caché, mientras que GPT-6.2 Sol mantiene los precios de GPT-6.1 Sol. Tarifas estándar de la API por millón de tokens:

ModeloEntradaEntrada en cachéSalida
GPT-6.2 Astra$8.00$0.40$40.00
GPT-6.2 Sol$2.00$0.10$10.00

Los precios más bajos son solo parte del ahorro. Como ambos modelos usan menos tokens de salida, el coste por tarea cae aún más, por eso la ejecución de Astra en Agents' Last Exam cuesta menos de un tercio que la de GPT-6 Astra. OpenAI también recomienda mantener sin cambios los prefijos del prompt y añadir nuevas instrucciones al final, para aumentar los aciertos de caché y preservar el razonamiento entre turnos.

Resumen de precios, por la propia Astra:

Diapositiva creada por GPT-6.2 Astra: Astra cuesta menos mientras los precios de la API de Sol se mantienen, con Astra un 20% más barato por token de entrada o salida que GPT-6 Astra

Diapositiva de GPT-6.2 Astra

En ChatGPT, ambos modelos están disponibles para usuarios Plus, Pro, Enterprise y Edu en ChatGPT Work y Codex desde el día de lanzamiento. Los usuarios Enterprise y Edu obtienen acceso cuando su admin de espacio de trabajo lo habilita.

Ultrafast está disponible con cualquiera de los dos para suscriptores Pro 500, y los de Pro 200 lo reciben por primera vez, empezando por GPT-6.2 Sol. El anuncio de OpenAI no menciona el plan Free.

¿Cómo acceder a GPT-6.2 Astra y Sol?

Ambos modelos están disponibles de forma general en la API de OpenAI como gpt-6.2-astra y gpt-6.2-sol, con Ultrafast disponible para ambos desde el lanzamiento. Una petición mínima con el SDK de Python de OpenAI sería así:

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)

Ambos modelos también figuran en OpenRouter (openai/gpt-6.2-astra y openai/gpt-6.2-sol) y en el catálogo de modelos de OpenCode.

Para un proyecto completo con la generación anterior, consulta nuestro tutorial de la API de GPT-6 Astra y el tutorial de GPT-6.1 Sol; el principal cambio es sustituir el ID del modelo.

Reflexiones finales

GPT-6.2 es una bajada de precio que OpenAI ha convertido en un lanzamiento de capacidades. Astra supera a GPT-6 Astra en todos los benchmarks de trabajo profesional que reporta OpenAI, a un tercio del coste por tarea, y Sol se acerca lo suficiente en programación como para que la mayoría de equipos empiece por ahí.

No decide la carrera general. Claude Fable 5.2 aún lidera en FrontierCode y el Intelligence Index, Gemini 4 Carbon lidera AutomationBench y, en nuestras pruebas, el Astra anterior interpretó un dataset desordenado con más sentido. Aun así, yo cambiaría desde GPT-6 Astra hoy por el ahorro.

Diapositiva creada por GPT-6.2 Astra: usa tus propias tareas para decidir dónde cambiar, con Astra usando un 22% menos de tokens de salida en GDPval v2

Diapositiva de GPT-6.2 Astra

Si quieres aprender más sobre cómo construir con los modelos de OpenAI, te recomiendo nuestro curso Working with the OpenAI API.

Josef Waples

Autor

Josef Waples

Preguntas frecuentes

¿Qué es GPT-6.2 Astra y en qué se diferencia de GPT-6.2 Sol?

GPT-6.2 Astra es el modelo frontier de OpenAI para trabajo profesional exigente como presentaciones, libros financieros, redacción legal y CAD. GPT-6.2 Sol es el modelo económico para el día a día en programación, redacción y bucles de agentes. Sol cuesta una cuarta parte que Astra por token y se queda a 0,5 puntos de Astra en FrontierCode 2.0, mientras que Astra lidera en benchmarks profesionales y científicos.

¿Cuánto cuesta GPT-6.2 Astra en la API?

GPT-6.2 Astra cuesta $8 por millón de tokens de entrada, $0.40 por millón de tokens de entrada en caché y $40 por millón de tokens de salida. Es un 20% menos que GPT-6 Astra en entrada y salida y un 60% menos en entrada en caché. GPT-6.2 Sol cuesta $2, $0.10 y $10, igual que GPT-6.1 Sol.

¿Es GPT-6.2 Astra mejor que GPT-6 Astra?

En los benchmarks de OpenAI, sí: GPT-6.2 Astra supera a GPT-6 Astra en todos los resultados de trabajo profesional, como Agents' Last Exam (78,3% vs 73,1%), por alrededor de un tercio del coste por tarea. En nuestras 2 pruebas también fue más barato, pero GPT-6 Astra ponderó un dataset desordenado con más criterio.

¿Dónde puedo acceder a GPT-6.2 Astra y GPT-6.2 Sol?

Ambos modelos están disponibles en ChatGPT Work y Codex para usuarios Plus, Pro, Enterprise y Edu, con acceso Enterprise y Edu habilitado por un admin del espacio de trabajo. Los desarrolladores pueden llamar a gpt-6.2-astra y gpt-6.2-sol en la API de OpenAI, y ambos figuran en OpenRouter.

¿Debo usar GPT-6.2 Sol o GPT-6.2 Astra para programar?

Usa GPT-6.2 Sol para la mayoría de trabajos de código. En FrontierCode 2.0 puntúa 43,8% frente al 44,2% de Astra a esfuerzo máximo, por $1.29 por tarea en lugar de $5.97. Cambia a Astra para código sensible a seguridad, donde lidera a Sol en SecureSWE, o para CAD y trabajo científico.

Temas

Relacionado

An avian AI exits its cage

blog

12 alternativas de código abierto a GPT-4

blog

Todo lo que sabemos sobre GPT-5

blog

¿Qué es GPT-4 y por qué es importante?