GPT-6.2 Astra dan Sol: Fitur, Benchmark, Uji Coba, dan Harga
GPT-6.2 Astra dan Sol dari OpenAI memangkas biaya per tugas secara tajam. Kami membahas yang baru, benchmark, tier mana yang digunakan, harga, dan uji langsung melawan GPT-6 Astra.
Bulan November ramai dengan rilis model frontier. Anthropic merilis Claude Fable 5.2, Google menghadirkan Gemini 4 Carbon, dan hari ini, setelah sepekan spekulasi, OpenAI menjawab dengan dua model sekaligus: GPT-6.2 Astra dan GPT-6.2 Sol.
GPT-6.2 Astra adalah model frontier baru OpenAI untuk pekerjaan profesional yang berat, seperti deck presentasi, workbook keuangan, penyusunan dokumen hukum, CAD, dan agent run yang panjang. GPT-6.2 Sol adalah model harian yang lebih murah untuk pemrograman, penulisan, dan agent loop, dan hasilnya mendekati Astra dalam pemrograman dengan harga token sekitar seperempatnya.
Tadi saya sudah membahas bedanya, namun keduanya berbiaya sama atau lebih rendah per tugas dibanding model yang digantikannya: di API, harga input dan output Astra 20% lebih rendah daripada GPT-6 Astra, dan Sol mempertahankan harga GPT-6.1 Sol.
Di artikel ini, saya akan membahas semua hal baru di GPT-6.2 Astra dan Sol, meninjau fitur-fitur baru, mengeksplorasi benchmark, dan menguji Astra secara langsung dengan 2 uji coba melawan GPT-6 Astra.
Seperti terlihat, model baru dirilis sangat cepat. Untuk tetap mengikuti perkembangan AI dan data, pastikan berlangganan buletin mingguan kami, The Median.
Ringkasnya
GPT-6.2 Astra adalah andalan baru OpenAI untuk pekerjaan profesional yang berat; GPT-6.2 Sol adalah model untuk kebutuhan harian.
Kenaikan utama adalah biaya per tugas: Astra melakukan lebih banyak dengan biaya jauh lebih rendah dibanding GPT-6 Astra.
Sol mendekati Astra dalam pemrograman dengan sebagian kecil harga, sehingga sebaiknya menjadi default Anda.
Claude Fable 5.2 masih memimpin beberapa benchmark pemrograman dan penalaran, jadi OpenAI belum menyapu bersih.
Dalam uji coba langsung kami, Astra jauh lebih murah daripada GPT-6 Astra, tetapi GPT-6 Astra membaca dataset yang berantakan dengan lebih masuk akal.
Beralihlah jika saat ini Anda membayar GPT-6 Astra; penghematan biayanya saja sudah cukup jadi alasan.
Apa Itu GPT-6.2 Astra dan Sol?
GPT-6.2 Astra menggantikan GPT-6 Astra di puncak, dan Sol menggantikan GPT-6.1 Sol satu tingkat di bawahnya. Dua hal yang membedakannya dari generasi sebelumnya:
Sedikit lebih cerdas, jauh lebih murah per tugas. Indeks kapabilitas OpenAI menempatkan Astra hanya 1,7 poin di atas GPT-6 Astra, tetapi biaya per tugasnya turun lebih dari separuh pada beberapa benchmark.
Peringkat risiko baru. Astra adalah model pertama yang dirilis OpenAI yang memenuhi ambang High untuk peningkatan diri AI, sehingga dikirim dengan pengamanan paling ketat dari OpenAI sejauh ini.
Berikut gambaran biaya dalam satu slide, dibuat oleh GPT-6.2 Astra. (Slide yang lebih baik adalah salah satu fiturnya. Kita akan sampai ke sana.)
Fitur Utama GPT-6.2 Astra dan Sol
Kebanyakan hal baru menargetkan keluaran profesional dan efisiensi alih-alih kecerdasan mentah. Berikut empat perubahan yang penting.
Buat slide, workbook, dan dokumen yang mengikuti template Anda
GPT-6.2 Astra dapat mengambil template slide, baik sebagai file asli maupun tangkapan layar, dan mencocokkan tata letak, warna, dan tipografinya hingga ukuran font. OpenAI melatihnya pada konvensi bidang seperti hukum, penjualan, keuangan, dan akuntansi, dengan judul yang menyatakan inti temuan dan lebih sedikit isian pada body copy.
Saya menguji fitur baru ini sepanjang artikel, termasuk slide di atas. Astra menulis setiap slide sebagai HTML, yang saya render menjadi gambar tanpa perubahan.
Pelatihan yang sama terlihat pada spreadsheet. Pada AA-AnalystAgent milik Artificial Analysis, yang meminta model menemukan angka dalam spreadsheet dan laporan nyata, Astra menjawab 62,5% pertanyaan dengan benar pada lima percobaan independen, tertinggi baru menurut OpenAI. ClickUp melaporkan bahwa Astra unggul tipis atas model produksinya pada uji buta untuk aplikasi, dasbor, dan slide yang dibangun ClickUp Brain, dengan sekitar 30% lebih sedikit putaran review.
Bekerja di CAD dan alat simulasi dengan computer use
Computer use GPT-6.2 Astra kini bekerja hingga ke bagian dan sambungan individual dalam alat CAD dan simulasi. Kami memperkirakan ini sangat penting bagi insinyur mekanik dan produk. Demo OpenAI mencakup dinamika rangka mobil yang disimulasikan dengan solver Python dan dianimasikan di Blender, buggy RC skala 1:8 yang dimodelkan bagian per bagian dari foto publik dan manual perakitan, serta lampu kertas yang dirancang dari foto referensi melalui revisi CAD.
Kami tidak dapat dengan mudah membangun proyek CAD sendiri untuk menguji ini, jadi berikut demo simulasi berkendara dari OpenAI. Astra membangun mobil 3D, menulis solver Python untuk ban dan suspensi, dan menganimasikan hasilnya di Blender:
Capai lebih banyak per token dalam alur kerja agen
Kedua model mencapai hasil lebih baik dengan lebih sedikit token output, yang menjadi sumber utama penghematan biaya. Pada GDPval v2 internal OpenAI, GPT-6.2 Astra meraih skor 6,2 poin di atas GPT-6 Astra sambil menggunakan 22% lebih sedikit token output. Astra juga lebih tepat memilih tool, termasuk kapan menggunakan plugin alih-alih computer use, dan Basis melaporkan waktu rata-rata untuk pekerjaan akuntansi jangka panjang turun separuhnya.
Kartu sistem juga membawa kabar lebih baik tentang prompt injection, saat instruksi tersembunyi di email atau halaman web mencoba membajak agen. Slide Astra merangkum trade-off keselamatannya:
Slide oleh GPT-6.2 Astra
Tulis kode yang lebih aman, dalam pengamanan yang lebih ketat
GPT-6.2 Astra dan Sol lebih efektif menemukan dan mengeksploitasi kerentanan, dan OpenAI menambahkan sinyal pelatihan untuk menulis kode aman dan patch yang mempertahankan perilaku yang diinginkan. Keduanya memenuhi ambang Critical untuk keamanan siber di bawah Preparedness Framework OpenAI, seperti halnya GPT-6 Astra.
Konsekuensinya adalah lebih banyak penolakan. OpenAI merilis kedua model dengan pengamanan yang lebih ketat yang juga membatasi sebagian riset kerentanan dan pengujian keamanan yang sah. Pihak pembela yang disetujui masih menggunakan GPT-6 Astra dan GPT-6 Cyber, yang tersedia dua minggu lalu, melalui OpenAI Daybreak.
Bagaimana Performa GPT-6.2 Astra dan Sol pada Benchmark?
GPT-6.2 Astra memimpin benchmark pekerjaan profesional dan sains milik OpenAI, tetapi Claude Fable 5.2 memimpin beberapa hasil pemrograman dan penalaran.
Pada tabel berikut, semua skor dilaporkan vendor. Saya menebalkan skor terbaik di setiap baris.
Pekerjaan profesional dan alur kerja agen
Pada Agents' Last Exam v1.1, yang menguji alur kerja profesional panjang dan multilangkah, GPT-6.2 Astra meraih 78,3% dengan biaya $2,89 per tugas. GPT-6 Astra meraih 73,1% dengan biaya $8,99 per tugas, dan Claude Fable 5.2 meraih 72,8% dengan biaya $60,05.
Gemini 4 Carbon paling mendekat di 77,4%, tetapi biayanya $4,60 per tugas. Hasil pekerjaan profesional lainnya mengikuti pola yang sama:
Benchmark
Apa yang diukur
GPT-6.2 Astra
GPT-6.2 Sol
GPT-6 Astra
GPT-6.1 Sol
Claude Fable 5.2
Agents' Last Exam v1.1
Alur kerja profesional jangka panjang
78,3%
73,0%
73,1%
72,5%
72,8%
GDPval v2 (internal OpenAI)
Tugas multilangkah konsultasi, keuangan, dan desain
50,4%
46,9%
44,2%
41,5%
44,8%
Harvey LAB-AA v1.1
Produk hukum yang memenuhi setiap kriteria
15,0%
11,1%
8,6%
6,9%
7,2%
AutomationBench 1.0.6
Otomasi alur kerja bisnis
52,4%
41,2%
41,4%
36,1%
51,4%
LifeVal (OpenAI)
Tugas sehari-hari yang menantang
86,1%
83,8%
79,8%
79,5%
n/a
Astra memimpin setiap baris di sini di antara model dalam tabel, dan menggandakan Fable 5.2 pada benchmark hukum Harvey. Gemini 4 Carbon masih unggul tipis di AutomationBench dengan 53,9%, dan pada GDPval v2, 48,8% milik Carbon berada di antara Astra dan Sol.
Grafik GDPval v2 OpenAI menunjukkan asal penghematan: untuk jumlah token output yang sama, model baru meraih skor lebih tinggi daripada yang digantikannya.
Pemrograman dan keamanan
Pemrograman adalah tempat Sol membuktikan diri: pada FrontierCode 2.0, ia meraih 43,8% dengan biaya $1,29 per tugas, dibanding Astra 44,2% dengan $5,97.
Benchmark
Apa yang diukur
GPT-6.2 Astra
GPT-6.2 Sol
GPT-6 Astra
GPT-6.1 Sol
Claude Fable 5.2
FrontierCode 2.0
Perubahan kode yang memenuhi standar maintainer untuk merge
44,2%
43,8%
42,8%
39,0%
49,1%
SecureSWE (internal OpenAI)
Kode fungsional dan aman untuk komponen sensitif keamanan
65,7%
55,6%
48,7%
49,7%
n/a
PatchBench
Patch keamanan
79,7%
75,6%
70,9%
71,0%
n/a
ExploitBench Internal Port
Laju eksekusi kode sewenang-wenang pada V8 dan Chrome
53,5%
50,5%
31,5%
21,5%
n/a
Claude Fable 5.2 mempertahankan pimpinan pada FrontierCode 2.0, dan Claude Opus 5.5 pada upaya maksimum (45,5%) juga mengungguli kedua model GPT-6.2 di sana. Baris keamanan menunjukkan lompatan generasi paling jelas, meski OpenAI tidak melaporkan Fable 5.2 pada metrik tersebut.
Grafik FrontierCode OpenAI menguatkan Sol: pada upaya maksimum, ia mencapai skor Astra dengan biaya per tugas sekitar seperlimanya.
Sains, CAD, dan penalaran umum
Pada Terminal-Bench-Science 0,1, yang menguji pekerjaan ilmiah di terminal, GPT-6.2 Astra meraih 77,1%, 9 poin di atas GPT-6 Astra dengan biaya per tugas kurang dari sepertiganya.
Benchmark
Apa yang diukur
GPT-6.2 Astra
GPT-6.2 Sol
GPT-6 Astra
GPT-6.1 Sol
Claude Fable 5.2
Terminal-Bench-Science 0.1
Alur penelitian ilmiah di terminal
77,1%
68,0%
68,1%
57,0%
73,3%*
Vals Science Index v1
Menginterpretasi data biologis dan menjalankan eksperimen
68,4%
58,5%
65,1%
59,6%
63,7%
BenchCAD 2.1 Core
Tugas pemodelan CAD
82,5%
73,1%
62,6%
52,6%
83,5%
Artificial Analysis Intelligence Index v5.0.1
Gabungan 9 evaluasi (skor indeks)
62,1
57,3
56,9
54,6
64,6
GPQA Diamond (tanpa alat)
Pertanyaan sains tingkat pascasarjana
97,0%
96,0%
96,0%
n/a
n/a
Fable 5.2 masih memimpin Intelligence Index dan BenchCAD, tetapi dengan biaya $26,54 dan $50,77 per tugas dibanding Astra $4,00 dan $5,43. Jika Anda butuh keluaran CAD terbaik mutlak, Fable masih pilihan; jika Anda membutuhkannya berkali-kali sehari, Astra memberi Anda 99% hasilnya dengan sekitar sepersepuluh harga.
Pada Terminal-Bench-Science, Astra meraih skor tertinggi dengan $7,15 per tugas pada upaya maksimum, dibanding $23,80 untuk GPT-6 Astra dan $45,21 untuk Claude Fable 5.2.
Tier Mana yang Sebaiknya Anda Gunakan?
GPT-6.2 Sol sebaiknya menjadi default Anda, dan GPT-6.2 Astra model untuk eskalasi. Sol berharga seperempat harga token Astra, dan pada pemrograman ia hanya tertinggal kurang dari satu poin.
GPT-6.2 Astra menyampaikan argumen yang sama terhadap dirinya sendiri dalam deck-nya:
Slide oleh GPT-6.2 Astra
Kedua model menampilkan lima tingkat upaya penalaran dalam grafik OpenAI, dari rendah hingga maksimum, dan pengaturan upaya sama pentingnya dengan tier. Pada Agents' Last Exam, Sol pada upaya tinggi (72,0% dengan $0,69 per tugas) hanya sekitar satu poin di belakang GPT-6 Astra pada upaya maksimum (73,1% dengan $8,99) dengan biaya seper-tigabelasnya. Mode Ultrafast tersedia untuk kedua model di API dan bagi pelanggan Pro 500 di ChatGPT.
Use case
Tier
Alasan
Pemrograman harian, refactor, dan code review
Sol
Berselisih 0,5 poin dari Astra pada FrontierCode 2.0 dengan biaya sekitar seperlima
Agent loop dan otomasi dengan volume tinggi
Sol
$2 / $10 per juta token, tidak berubah dari GPT-6.1 Sol
Deck presentasi siap-klien, workbook keuangan, dan memo
Astra
Kecocokan template dan keunggulan GDPval v2 khusus Astra
Penyusunan dokumen hukum dan riset
Astra
15,0% pada Harvey LAB-AA dibanding 11,1% milik Sol
CAD, simulasi, dan analisis ilmiah
Astra
Sekitar 9 poin di depan Sol pada BenchCAD dan Terminal-Bench-Science
Menguji GPT-6.2 Astra: Contoh Langsung
Benchmark di atas adalah milik OpenAI, jadi saya menjalankan 2 uji coba melawan GPT-6.2 Astra dan pendahulunya, GPT-6 Astra, dengan prompt dan tool yang identik. Untuk uji dasbor, kedua model dijalankan di OpenCode dengan permukaan tool yang dipasangkan (membaca, mencari, dan mengedit file saja), tingkat upaya penalaran tinggi yang sama, satu percobaan, dan sesi baru.
Uji 1: Dasbor jujur dari data yang berantakan
Tugas: membuat dasbor HTML satu file dari CSV berisi pendapatan dan hasil pekerjaan untuk 173 jurusan kuliah di AS, untuk penasihat karier yang membandingkan bidang bagi klien. Harus membandingkan kategori pada pendapatan dan pekerjaan, menampilkan jurusan berpendapatan tertinggi dan terendah, menyematkan data alih-alih mengambilnya, dan muat pada satu layar 1440×900.
Ujian sebenarnya ada pada datanya, yang punya masalah yang tidak disebutkan prompt:
Peringkat teratas, Teknik Perminyakan $110.000, berbasis pada sampel survei 36 orang, dan 76 dari 173 jurusan memiliki sampel di bawah 100.
Paling rendah, Ilmu Perpustakaan $22.000, berbasis pada sampel 2 orang.
Ilmu Pangan tidak memiliki total lulusan pascasarjana.
Kategori berkisar dari satu jurusan (Interdisipliner, 12.296 lulusan) hingga 13 jurusan dengan 1,3 juta lulusan (Bisnis), jadi cara Anda merata-ratakannya sangat berpengaruh.
Ini menguji dua klaim peluncuran sekaligus: workbook analitis Astra yang lebih baik dan efisiensinya, dengan lebih sedikit token output untuk hasil lebih baik. Berikut hasil keluaran GPT-6.2 Astra:
Temuan utama:
Kedua model menghasilkan dasbor yang berfungsi pada percobaan pertama. Keduanya menyematkan semua 173 jurusan, menggambar grafik SVG sendiri tanpa library charting, muat dalam satu layar, dan dimuat tanpa error.
Mereka membaca data yang sama secara berbeda, dan itu mengubah urutan kategori. GPT-6.2 Astra memberi peringkat setiap kategori berdasarkan median dari median tiap jurusan, yang menghitung jurusan dengan beberapa ribu lulusan sama dengan yang berjumlah 200.000. GPT-6 Astra membobot setiap jurusan berdasarkan jumlah lulusannya. Hasilnya: Health berada di posisi ke-10 di $35.000 pada dasbor GPT-6.2 Astra dan ke-4 di $40,6k pada GPT-6 Astra, karena keperawatan, dengan 209.394 lulusan dan median $48.000, dihitung sesuai proporsinya.
GPT-6 Astra juga menonjolkan ukuran sampel di depan. Tabel utamanya menunjukkan bahwa 4 peraih tertinggi berbasis pada sampel 36, 7, 3, dan 16. GPT-6.2 Astra hanya menampilkannya setelah Anda memilih jurusan, dengan peringatan satu baris tentang peringkat yang tidak stabil.
GPT-6.2 Astra lebih murah dan lebih ramping. Biayanya $1,79 dibanding $2,93 untuk GPT-6 Astra, dengan 27.821 token output dibanding 35.298.
Mari lihat lebih dekat versi GPT-6 Astra. Bandingkan grafik kategorinya dengan milik GPT-6.2 Astra di atas: Health berada di posisi ke-4 di sini dan ke-10 di sana, dan Biology & Life Science turun dari ke-6 ke ke-11.
Kedua metode tidak salah secara matematis, dan GPT-6.2 Astra memberi label grafiknya sebagai median dari median jurusan. Namun penasihat karier ingin tahu di mana para lulusan sebenarnya berakhir, dan hanya versi berbobot lulusan yang menjawab itu.
Uji 2: Slide deck dari tangkapan layar template
Tugas: ubah catatan riset di balik artikel ini menjadi deck 5 slide untuk manajer teknik yang memutuskan apakah akan beralih, mengikuti gaya satu slide template. Model hanya mendapatkan template sebagai tangkapan layar, dan prompt memintanya mencocokkan "hingga ukuran font" tanpa menyebut nama font atau ukuran apa pun.
Ini menguji klaim slide OpenAI secara langsung. Karena model harus melihat gambar, masing-masing dijalankan sebagai satu panggilan API melalui OpenRouter pada upaya penalaran tinggi yang sama, dan saya menambahkan GPT-6.2 Sol, karena deck adalah pekerjaan harian. Ini template yang mereka lihat, yang saya desain untuk uji:
Temuan utama:
Semua 3 model membangun ulang template hanya dari tangkapan layar. Masing-masing mengenali font sebagai Poppins dan mempertahankan bar aksen hijau, baris kicker, kartu statistik abu-abu, baris sumber, dan nomor halaman. Setiap judul menyatakan takeaway, seperti pada template.
Semua 3 sangat mendekati template hingga saya tidak bisa membedakannya sekilas. Diperiksa di browser, hanya GPT-6.2 Sol yang tepat menyamai ukuran font template. Astra, model yang kata OpenAI mencocokkan template "hingga ukuran font", meleset satu atau dua piksel.
GPT-6.2 Astra paling ekonomis di antara dua Astra. Biayanya $0,22 dan 4.968 token output, dibanding $0,59 dan 11.247 untuk GPT-6 Astra. Sol berbiaya $0,07.
Lima slide Astra adalah yang diberi keterangan yang Anda lihat di artikel ini, dan setiap angkanya sesuai dengan catatan saya. Deck GPT-6 Astra sama-sama dapat digunakan, jadi pada tugas ini kedua generasi tidak berjauhan.
Jadi apakah GPT-6.2 Astra benar-benar langkah maju? Dalam hal biaya, ya: ia menyelesaikan kedua uji dengan 39% hingga 63% lebih murah, sesuai klaim efisiensi OpenAI. Dalam hal penilaian, belum: model yang lebih lama justru yang membobot data seperti yang dibutuhkan penasihat karier, sementara slide keluar hampir setara.
Satu kali jalan per tugas tidak cukup untuk memeringkat dua model, tetapi ini sejalan dengan temuan Blocker Deception OpenAI: periksa apa yang ditinggalkan GPT-6.2 Astra, bukan hanya apa yang dibangunnya.
Harga dan Ketersediaan GPT-6.2 Astra dan Sol
GPT-6.2 Astra 20% lebih murah daripada GPT-6 Astra untuk token input dan output dan 60% lebih murah untuk input cache, sementara GPT-6.2 Sol mempertahankan harga GPT-6.1 Sol. Tarif API standar per juta token:
Model
Input
Input cache
Output
GPT-6.2 Astra
$8,00
$0,40
$40,00
GPT-6.2 Sol
$2,00
$0,10
$10,00
Harga yang lebih rendah hanyalah sebagian dari penghematan. Karena kedua model menggunakan lebih sedikit token output, biaya per tugas turun lebih jauh, itulah sebabnya run Astra pada Agents' Last Exam berbiaya kurang dari sepertiga GPT-6 Astra. OpenAI juga merekomendasikan menjaga prefiks prompt tetap sama dan menambahkan instruksi baru di belakang, untuk meningkatkan cache hit dan mempertahankan penalaran lintas giliran.
Ringkasan harga baru oleh Astra sendiri:
Slide oleh GPT-6.2 Astra
Di ChatGPT, kedua model tersedia untuk pengguna Plus, Pro, Enterprise, dan Edu di ChatGPT Work dan Codex sejak hari peluncuran. Pengguna Enterprise dan Edu mendapat akses setelah admin ruang kerja menyalakannya.
Ultrafast tersedia untuk kedua model bagi pelanggan Pro 500, dan pelanggan Pro 200 mendapatkannya untuk pertama kalinya, mulai dari GPT-6.2 Sol. Pengumuman OpenAI tidak menyebutkan paket Free.
Bagaimana Cara Mengakses GPT-6.2 Astra dan Sol?
Kedua model tersedia umum di OpenAI API sebagai gpt-6.2-astra dan gpt-6.2-sol, dengan Ultrafast tersedia untuk keduanya saat peluncuran. Permintaan minimal dengan OpenAI Python SDK seperti ini:
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)Didukung oleh
Kedua model juga tercantum di OpenRouter (openai/gpt-6.2-astra dan openai/gpt-6.2-sol) dan di katalog model OpenCode.
GPT-6.2 adalah pemotongan harga yang diubah OpenAI menjadi rilis kapabilitas. Astra mengungguli GPT-6 Astra pada setiap benchmark pekerjaan profesional yang dilaporkan OpenAI, dengan biaya per tugas sepertiga, dan Sol cukup mendekat dalam pemrograman sehingga sebagian besar tim sebaiknya mulai dari sana.
Ini belum menyelesaikan persaingan keseluruhan. Claude Fable 5.2 masih memimpin di FrontierCode dan Intelligence Index, Gemini 4 Carbon memimpin AutomationBench, dan dalam uji kami Astra yang lebih lama membaca dataset berantakan dengan lebih masuk akal. Namun saya akan beralih dari GPT-6 Astra hari ini demi penghematannya.
Slide oleh GPT-6.2 Astra
Jika Anda ingin mempelajari lebih lanjut tentang membangun dengan model OpenAI, saya sarankan melihat kursus Working with the OpenAI API kami.
Penulis
Josef Waples
Saya penulis dan editor data science dengan kontribusi pada artikel riset di jurnal ilmiah. Saya sangat tertarik pada aljabar linear, statistika, R, dan sejenisnya. Saya juga cukup sering bermain catur!
FAQs
Apa itu GPT-6.2 Astra dan apa bedanya dengan GPT-6.2 Sol?⌄
GPT-6.2 Astra adalah model frontier OpenAI untuk pekerjaan profesional berat seperti deck, workbook keuangan, draf hukum, dan CAD. GPT-6.2 Sol adalah model harian yang lebih murah untuk pemrograman, penulisan, dan agent loop. Sol berharga seperempat dari harga token Astra dan hanya terpaut 0,5 poin dari Astra pada FrontierCode 2.0, sementara Astra memimpin pada benchmark profesional dan sains.
Berapa biaya GPT-6.2 Astra di API?⌄
GPT-6.2 Astra berharga $8 per sejuta token input, $0,40 per sejuta token input cache, dan $40 per sejuta token output. Itu 20% lebih rendah dari GPT-6 Astra pada input dan output dan 60% lebih rendah pada input cache. GPT-6.2 Sol berharga $2, $0,10, dan $10, sama seperti GPT-6.1 Sol.
Apakah GPT-6.2 Astra lebih baik daripada GPT-6 Astra?⌄
Pada benchmark OpenAI, ya: GPT-6.2 Astra mengungguli GPT-6 Astra pada setiap hasil pekerjaan profesional, seperti Agents' Last Exam (78,3% vs 73,1%), dengan sekitar sepertiga biaya per tugas. Dalam 2 uji coba langsung kami, biayanya juga lebih murah, tetapi GPT-6 Astra membobot dataset berantakan dengan lebih masuk akal.
Di mana saya bisa mengakses GPT-6.2 Astra dan GPT-6.2 Sol?⌄
Kedua model tersedia di ChatGPT Work dan Codex untuk pengguna Plus, Pro, Enterprise, dan Edu, dengan akses Enterprise dan Edu diaktifkan oleh admin ruang kerja. Pengembang dapat memanggil gpt-6.2-astra dan gpt-6.2-sol di OpenAI API, dan keduanya tercantum di OpenRouter.
Haruskah saya menggunakan GPT-6.2 Sol atau GPT-6.2 Astra untuk pemrograman?⌄
Gunakan GPT-6.2 Sol untuk sebagian besar pemrograman. Pada FrontierCode 2.0 ia meraih 43,8% dibanding 44,2% milik Astra pada upaya maksimum, dengan biaya $1,29 per tugas alih-alih $5,97. Beralihlah ke Astra untuk kode yang sensitif terhadap keamanan, di mana ia memimpin Sol pada SecureSWE, atau untuk pekerjaan CAD dan sains.
Kuasai pertanyaan wawancara basis data, dari konsep SQL dasar hingga skenario desain sistem tingkat lanjut. Panduan mendalam ini mencakup semua yang Anda perlukan untuk sukses di wawancara DBMS dan meraih peran berikutnya.
Temukan alasan mengapa Anda sebaiknya (tidak) menggunakan spaghetti plot untuk menyampaikan ketidakpastian jalur prediksi badai serta dampaknya terhadap interpretasi.
Mulai perjalanan Anda mengembangkan aplikasi berbasis AI dengan OpenAI API. Pelajari fungsionalitas yang menjadi dasar aplikasi AI populer seperti ChatGPT.
Bulan November ramai dengan rilis model frontier. Anthropic merilis Claude Fable 5.2, Google menghadirkan Gemini 4 Carbon, dan hari ini, setelah sepekan spekulasi, OpenAI menjawab dengan dua model sekaligus: GPT-6.2 Astra dan GPT-6.2 Sol.
GPT-6.2 Astra adalah model frontier baru OpenAI untuk pekerjaan profesional yang berat, seperti deck presentasi, workbook keuangan, penyusunan dokumen hukum, CAD, dan agent run yang panjang. GPT-6.2 Sol adalah model harian yang lebih murah untuk pemrograman, penulisan, dan agent loop, dan hasilnya mendekati Astra dalam pemrograman dengan harga token sekitar seperempatnya.
Tadi saya sudah membahas bedanya, namun keduanya berbiaya sama atau lebih rendah per tugas dibanding model yang digantikannya: di API, harga input dan output Astra 20% lebih rendah daripada GPT-6 Astra, dan Sol mempertahankan harga GPT-6.1 Sol.
Di artikel ini, saya akan membahas semua hal baru di GPT-6.2 Astra dan Sol, meninjau fitur-fitur baru, mengeksplorasi benchmark, dan menguji Astra secara langsung dengan 2 uji coba melawan GPT-6 Astra.
Seperti terlihat, model baru dirilis sangat cepat. Untuk tetap mengikuti perkembangan AI dan data, pastikan berlangganan buletin mingguan kami, The Median.
Ringkasnya
Apa Itu GPT-6.2 Astra dan Sol?
GPT-6.2 Astra menggantikan GPT-6 Astra di puncak, dan Sol menggantikan GPT-6.1 Sol satu tingkat di bawahnya. Dua hal yang membedakannya dari generasi sebelumnya:
Berikut gambaran biaya dalam satu slide, dibuat oleh GPT-6.2 Astra. (Slide yang lebih baik adalah salah satu fiturnya. Kita akan sampai ke sana.)
Fitur Utama GPT-6.2 Astra dan Sol
Kebanyakan hal baru menargetkan keluaran profesional dan efisiensi alih-alih kecerdasan mentah. Berikut empat perubahan yang penting.
Buat slide, workbook, dan dokumen yang mengikuti template Anda
GPT-6.2 Astra dapat mengambil template slide, baik sebagai file asli maupun tangkapan layar, dan mencocokkan tata letak, warna, dan tipografinya hingga ukuran font. OpenAI melatihnya pada konvensi bidang seperti hukum, penjualan, keuangan, dan akuntansi, dengan judul yang menyatakan inti temuan dan lebih sedikit isian pada body copy.
Saya menguji fitur baru ini sepanjang artikel, termasuk slide di atas. Astra menulis setiap slide sebagai HTML, yang saya render menjadi gambar tanpa perubahan.
Pelatihan yang sama terlihat pada spreadsheet. Pada AA-AnalystAgent milik Artificial Analysis, yang meminta model menemukan angka dalam spreadsheet dan laporan nyata, Astra menjawab 62,5% pertanyaan dengan benar pada lima percobaan independen, tertinggi baru menurut OpenAI. ClickUp melaporkan bahwa Astra unggul tipis atas model produksinya pada uji buta untuk aplikasi, dasbor, dan slide yang dibangun ClickUp Brain, dengan sekitar 30% lebih sedikit putaran review.
Bekerja di CAD dan alat simulasi dengan computer use
Computer use GPT-6.2 Astra kini bekerja hingga ke bagian dan sambungan individual dalam alat CAD dan simulasi. Kami memperkirakan ini sangat penting bagi insinyur mekanik dan produk. Demo OpenAI mencakup dinamika rangka mobil yang disimulasikan dengan solver Python dan dianimasikan di Blender, buggy RC skala 1:8 yang dimodelkan bagian per bagian dari foto publik dan manual perakitan, serta lampu kertas yang dirancang dari foto referensi melalui revisi CAD.
Kami tidak dapat dengan mudah membangun proyek CAD sendiri untuk menguji ini, jadi berikut demo simulasi berkendara dari OpenAI. Astra membangun mobil 3D, menulis solver Python untuk ban dan suspensi, dan menganimasikan hasilnya di Blender:
Sumber: OpenAI
Capai lebih banyak per token dalam alur kerja agen
Kedua model mencapai hasil lebih baik dengan lebih sedikit token output, yang menjadi sumber utama penghematan biaya. Pada GDPval v2 internal OpenAI, GPT-6.2 Astra meraih skor 6,2 poin di atas GPT-6 Astra sambil menggunakan 22% lebih sedikit token output. Astra juga lebih tepat memilih tool, termasuk kapan menggunakan plugin alih-alih computer use, dan Basis melaporkan waktu rata-rata untuk pekerjaan akuntansi jangka panjang turun separuhnya.
Kartu sistem juga membawa kabar lebih baik tentang prompt injection, saat instruksi tersembunyi di email atau halaman web mencoba membajak agen. Slide Astra merangkum trade-off keselamatannya:
Slide oleh GPT-6.2 Astra
Tulis kode yang lebih aman, dalam pengamanan yang lebih ketat
GPT-6.2 Astra dan Sol lebih efektif menemukan dan mengeksploitasi kerentanan, dan OpenAI menambahkan sinyal pelatihan untuk menulis kode aman dan patch yang mempertahankan perilaku yang diinginkan. Keduanya memenuhi ambang Critical untuk keamanan siber di bawah Preparedness Framework OpenAI, seperti halnya GPT-6 Astra.
Konsekuensinya adalah lebih banyak penolakan. OpenAI merilis kedua model dengan pengamanan yang lebih ketat yang juga membatasi sebagian riset kerentanan dan pengujian keamanan yang sah. Pihak pembela yang disetujui masih menggunakan GPT-6 Astra dan GPT-6 Cyber, yang tersedia dua minggu lalu, melalui OpenAI Daybreak.
Bagaimana Performa GPT-6.2 Astra dan Sol pada Benchmark?
GPT-6.2 Astra memimpin benchmark pekerjaan profesional dan sains milik OpenAI, tetapi Claude Fable 5.2 memimpin beberapa hasil pemrograman dan penalaran.
Pada tabel berikut, semua skor dilaporkan vendor. Saya menebalkan skor terbaik di setiap baris.
Pekerjaan profesional dan alur kerja agen
Pada Agents' Last Exam v1.1, yang menguji alur kerja profesional panjang dan multilangkah, GPT-6.2 Astra meraih 78,3% dengan biaya $2,89 per tugas. GPT-6 Astra meraih 73,1% dengan biaya $8,99 per tugas, dan Claude Fable 5.2 meraih 72,8% dengan biaya $60,05.
Gemini 4 Carbon paling mendekat di 77,4%, tetapi biayanya $4,60 per tugas. Hasil pekerjaan profesional lainnya mengikuti pola yang sama:
Astra memimpin setiap baris di sini di antara model dalam tabel, dan menggandakan Fable 5.2 pada benchmark hukum Harvey. Gemini 4 Carbon masih unggul tipis di AutomationBench dengan 53,9%, dan pada GDPval v2, 48,8% milik Carbon berada di antara Astra dan Sol.
Grafik GDPval v2 OpenAI menunjukkan asal penghematan: untuk jumlah token output yang sama, model baru meraih skor lebih tinggi daripada yang digantikannya.
Pemrograman dan keamanan
Pemrograman adalah tempat Sol membuktikan diri: pada FrontierCode 2.0, ia meraih 43,8% dengan biaya $1,29 per tugas, dibanding Astra 44,2% dengan $5,97.
Claude Fable 5.2 mempertahankan pimpinan pada FrontierCode 2.0, dan Claude Opus 5.5 pada upaya maksimum (45,5%) juga mengungguli kedua model GPT-6.2 di sana. Baris keamanan menunjukkan lompatan generasi paling jelas, meski OpenAI tidak melaporkan Fable 5.2 pada metrik tersebut.
Grafik FrontierCode OpenAI menguatkan Sol: pada upaya maksimum, ia mencapai skor Astra dengan biaya per tugas sekitar seperlimanya.
Sains, CAD, dan penalaran umum
Pada Terminal-Bench-Science 0,1, yang menguji pekerjaan ilmiah di terminal, GPT-6.2 Astra meraih 77,1%, 9 poin di atas GPT-6 Astra dengan biaya per tugas kurang dari sepertiganya.
Fable 5.2 masih memimpin Intelligence Index dan BenchCAD, tetapi dengan biaya $26,54 dan $50,77 per tugas dibanding Astra $4,00 dan $5,43. Jika Anda butuh keluaran CAD terbaik mutlak, Fable masih pilihan; jika Anda membutuhkannya berkali-kali sehari, Astra memberi Anda 99% hasilnya dengan sekitar sepersepuluh harga.
Pada Terminal-Bench-Science, Astra meraih skor tertinggi dengan $7,15 per tugas pada upaya maksimum, dibanding $23,80 untuk GPT-6 Astra dan $45,21 untuk Claude Fable 5.2.
Tier Mana yang Sebaiknya Anda Gunakan?
GPT-6.2 Sol sebaiknya menjadi default Anda, dan GPT-6.2 Astra model untuk eskalasi. Sol berharga seperempat harga token Astra, dan pada pemrograman ia hanya tertinggal kurang dari satu poin.
GPT-6.2 Astra menyampaikan argumen yang sama terhadap dirinya sendiri dalam deck-nya:
Slide oleh GPT-6.2 Astra
Kedua model menampilkan lima tingkat upaya penalaran dalam grafik OpenAI, dari rendah hingga maksimum, dan pengaturan upaya sama pentingnya dengan tier. Pada Agents' Last Exam, Sol pada upaya tinggi (72,0% dengan $0,69 per tugas) hanya sekitar satu poin di belakang GPT-6 Astra pada upaya maksimum (73,1% dengan $8,99) dengan biaya seper-tigabelasnya. Mode Ultrafast tersedia untuk kedua model di API dan bagi pelanggan Pro 500 di ChatGPT.
Menguji GPT-6.2 Astra: Contoh Langsung
Benchmark di atas adalah milik OpenAI, jadi saya menjalankan 2 uji coba melawan GPT-6.2 Astra dan pendahulunya, GPT-6 Astra, dengan prompt dan tool yang identik. Untuk uji dasbor, kedua model dijalankan di OpenCode dengan permukaan tool yang dipasangkan (membaca, mencari, dan mengedit file saja), tingkat upaya penalaran tinggi yang sama, satu percobaan, dan sesi baru.
Uji 1: Dasbor jujur dari data yang berantakan
Tugas: membuat dasbor HTML satu file dari CSV berisi pendapatan dan hasil pekerjaan untuk 173 jurusan kuliah di AS, untuk penasihat karier yang membandingkan bidang bagi klien. Harus membandingkan kategori pada pendapatan dan pekerjaan, menampilkan jurusan berpendapatan tertinggi dan terendah, menyematkan data alih-alih mengambilnya, dan muat pada satu layar 1440×900.
Ujian sebenarnya ada pada datanya, yang punya masalah yang tidak disebutkan prompt:
Ini menguji dua klaim peluncuran sekaligus: workbook analitis Astra yang lebih baik dan efisiensinya, dengan lebih sedikit token output untuk hasil lebih baik. Berikut hasil keluaran GPT-6.2 Astra:
Temuan utama:
Mari lihat lebih dekat versi GPT-6 Astra. Bandingkan grafik kategorinya dengan milik GPT-6.2 Astra di atas: Health berada di posisi ke-4 di sini dan ke-10 di sana, dan Biology & Life Science turun dari ke-6 ke ke-11.
Kedua metode tidak salah secara matematis, dan GPT-6.2 Astra memberi label grafiknya sebagai median dari median jurusan. Namun penasihat karier ingin tahu di mana para lulusan sebenarnya berakhir, dan hanya versi berbobot lulusan yang menjawab itu.
Uji 2: Slide deck dari tangkapan layar template
Tugas: ubah catatan riset di balik artikel ini menjadi deck 5 slide untuk manajer teknik yang memutuskan apakah akan beralih, mengikuti gaya satu slide template. Model hanya mendapatkan template sebagai tangkapan layar, dan prompt memintanya mencocokkan "hingga ukuran font" tanpa menyebut nama font atau ukuran apa pun.
Ini menguji klaim slide OpenAI secara langsung. Karena model harus melihat gambar, masing-masing dijalankan sebagai satu panggilan API melalui OpenRouter pada upaya penalaran tinggi yang sama, dan saya menambahkan GPT-6.2 Sol, karena deck adalah pekerjaan harian. Ini template yang mereka lihat, yang saya desain untuk uji:
Temuan utama:
Lima slide Astra adalah yang diberi keterangan yang Anda lihat di artikel ini, dan setiap angkanya sesuai dengan catatan saya. Deck GPT-6 Astra sama-sama dapat digunakan, jadi pada tugas ini kedua generasi tidak berjauhan.
Jadi apakah GPT-6.2 Astra benar-benar langkah maju? Dalam hal biaya, ya: ia menyelesaikan kedua uji dengan 39% hingga 63% lebih murah, sesuai klaim efisiensi OpenAI. Dalam hal penilaian, belum: model yang lebih lama justru yang membobot data seperti yang dibutuhkan penasihat karier, sementara slide keluar hampir setara.
Satu kali jalan per tugas tidak cukup untuk memeringkat dua model, tetapi ini sejalan dengan temuan Blocker Deception OpenAI: periksa apa yang ditinggalkan GPT-6.2 Astra, bukan hanya apa yang dibangunnya.
Harga dan Ketersediaan GPT-6.2 Astra dan Sol
GPT-6.2 Astra 20% lebih murah daripada GPT-6 Astra untuk token input dan output dan 60% lebih murah untuk input cache, sementara GPT-6.2 Sol mempertahankan harga GPT-6.1 Sol. Tarif API standar per juta token:
Harga yang lebih rendah hanyalah sebagian dari penghematan. Karena kedua model menggunakan lebih sedikit token output, biaya per tugas turun lebih jauh, itulah sebabnya run Astra pada Agents' Last Exam berbiaya kurang dari sepertiga GPT-6 Astra. OpenAI juga merekomendasikan menjaga prefiks prompt tetap sama dan menambahkan instruksi baru di belakang, untuk meningkatkan cache hit dan mempertahankan penalaran lintas giliran.
Ringkasan harga baru oleh Astra sendiri:
Slide oleh GPT-6.2 Astra
Di ChatGPT, kedua model tersedia untuk pengguna Plus, Pro, Enterprise, dan Edu di ChatGPT Work dan Codex sejak hari peluncuran. Pengguna Enterprise dan Edu mendapat akses setelah admin ruang kerja menyalakannya.
Ultrafast tersedia untuk kedua model bagi pelanggan Pro 500, dan pelanggan Pro 200 mendapatkannya untuk pertama kalinya, mulai dari GPT-6.2 Sol. Pengumuman OpenAI tidak menyebutkan paket Free.
Bagaimana Cara Mengakses GPT-6.2 Astra dan Sol?
Kedua model tersedia umum di OpenAI API sebagai
gpt-6.2-astradangpt-6.2-sol, dengan Ultrafast tersedia untuk keduanya saat peluncuran. Permintaan minimal dengan OpenAI Python SDK seperti ini:Kedua model juga tercantum di OpenRouter (
openai/gpt-6.2-astradanopenai/gpt-6.2-sol) dan di katalog model OpenCode.Untuk build lengkap dengan generasi sebelumnya, lihat tutorial API GPT-6 Astra dan tutorial GPT-6.1 Sol; mengganti ID model adalah perubahan utamanya.
Pemikiran Akhir
GPT-6.2 adalah pemotongan harga yang diubah OpenAI menjadi rilis kapabilitas. Astra mengungguli GPT-6 Astra pada setiap benchmark pekerjaan profesional yang dilaporkan OpenAI, dengan biaya per tugas sepertiga, dan Sol cukup mendekat dalam pemrograman sehingga sebagian besar tim sebaiknya mulai dari sana.
Ini belum menyelesaikan persaingan keseluruhan. Claude Fable 5.2 masih memimpin di FrontierCode dan Intelligence Index, Gemini 4 Carbon memimpin AutomationBench, dan dalam uji kami Astra yang lebih lama membaca dataset berantakan dengan lebih masuk akal. Namun saya akan beralih dari GPT-6 Astra hari ini demi penghematannya.
Slide oleh GPT-6.2 Astra
Jika Anda ingin mempelajari lebih lanjut tentang membangun dengan model OpenAI, saya sarankan melihat kursus Working with the OpenAI API kami.