GPT-6.2 Astra en Sol: functies, benchmarks, tests en prijzen
OpenAI's GPT-6.2 Astra en Sol verlagen de kost per taak fors. We behandelen wat er nieuw is, de benchmarks, welke tier je gebruikt, prijzen en een praktijktest tegenover GPT-6 Astra.
November is een drukke maand geweest voor frontier-modellen. Anthropic bracht Claude Fable 5.2 uit, Google heeft Gemini 4 Carbon in het veld, en vandaag, na een week speculatie, antwoordde OpenAI met twee modellen tegelijk: GPT-6.2 Astra en GPT-6.2 Sol.
GPT-6.2 Astra is OpenAI's nieuwe frontier-model voor zwaar professioneel werk, zoals decks, financiële werkboeken, juridische stukken, CAD en lange agent-runs. GPT-6.2 Sol is het goedkopere model voor dagelijks gebruik bij coderen, schrijven en agent-loops, en komt qua coderen dicht in de buurt van Astra voor ongeveer een kwart van de tokenprijs.
Ik had het net over hun verschillen, maar beide kosten hetzelfde of minder per taak dan de modellen die ze vervangen: in de API liggen Astra's input- en outputprijzen 20% lager dan die van GPT-6 Astra, en Sol behoudt de prijzen van GPT-6.1 Sol.
In dit artikel behandel ik alles wat nieuw is aan GPT-6.2 Astra en Sol: de nieuwe functies, de benchmarks, en ik jaag Astra door de molen met 2 praktijktests tegenover GPT-6 Astra.
Zoals je ziet, komen er in hoog tempo nieuwe modellen uit. Wil je bijblijven in AI en data, abonneer je dan zeker op onze wekelijkse nieuwsbrief, The Median.
TL;DR
GPT-6.2 Astra is OpenAI's nieuwe vlaggenschip voor zwaar professioneel werk; GPT-6.2 Sol is het model voor alledag.
De grootste winst is de kost per taak: Astra doet meer voor veel minder dan GPT-6 Astra.
Sol komt qua coderen dicht bij Astra voor een fractie van de prijs, dus dat zou je standaardkeuze moeten zijn.
Claude Fable 5.2 leidt nog steeds op verschillende codeer- en redeneerbenchmarks, dus OpenAI wint niet overal.
In onze praktijktests was Astra veel goedkoper dan GPT-6 Astra, maar GPT-6 Astra interpreteerde een rommelige dataset zinvoller.
Stap over als je nu voor GPT-6 Astra betaalt; de besparing alleen al rechtvaardigt het.
Wat zijn GPT-6.2 Astra en Sol?
GPT-6.2 Astra vervangt GPT-6 Astra aan de top, en Sol vervangt GPT-6.1 Sol een treetje lager. Twee dingen onderscheiden ze van de vorige generatie:
Iets slimmer, veel goedkoper per taak. OpenAI's eigen capaciteitsindex zet Astra slechts 1,7 punten boven GPT-6 Astra, maar de kost per taak daalde op meerdere benchmarks met meer dan de helft.
Een nieuwe risicobeoordeling. Astra is het eerste model van OpenAI dat voldoet aan de High-drempel voor AI-zelfverbetering, dus het wordt geleverd met de tot nu toe strengste waarborgen van OpenAI.
Hier is het kostenverhaal op één slide, gemaakt door GPT-6.2 Astra. (Verbeterde slides zijn een van de features. Daar komen we zo op.)
Belangrijkste functies van GPT-6.2 Astra en Sol
Het meeste nieuwe richt zich op professioneel output en efficiëntie in plaats van ruwe intelligentie. Dit zijn de vier veranderingen die ertoe doen.
Maak slides, werkboeken en documenten die jouw template volgen
GPT-6.2 Astra kan een slidetemplate, als origineel bestand of zelfs een screenshot, gebruiken en de layout, kleuren en typografie tot op het lettergrootte-niveau matchen. OpenAI trainde het op de conventies van vakgebieden als recht, sales, finance en accounting, met titels die de kernboodschap uitdragen en minder vulling in de bodycopy.
Ik heb deze nieuwe functie door het hele artikel getest, inclusief de slide hierboven. Astra schreef elke slide als HTML, die ik zonder wijzigingen naar een afbeelding heb gerenderd.
Diezelfde training zie je terug in spreadsheets. Op AA-AnalystAgent van Artificial Analysis, dat modellen laat cijfers zoeken in echte spreadsheets en rapporten, beantwoordde Astra 62,5% van de vragen correct in alle vijf onafhankelijke pogingen, een nieuw hoogtepunt volgens OpenAI. ClickUp meldt dat Astra zijn productiemodel nipt versloeg in blinde tests van de apps, dashboards en slides die ClickUp Brain bouwt, met zo'n 30% minder beoordelingsrondes.
Werk in CAD- en simulatie-tools met computer use
De computer use van GPT-6.2 Astra werkt nu door tot op individuele onderdelen en verbindingen in CAD- en simulatie-tools. We verwachten dat dit een grote stap is voor mechanical en productingenieurs. OpenAI's demo's omvatten de simulatie van de chassisdynamiek van een auto met een Python-oplosser en animatie in Blender, een 1:8 RC-buggy die onderdeel voor onderdeel is gemodelleerd op basis van publieke foto's en bouwmanuals, en een papieren lamp ontworpen van referentiefoto's via CAD-revisies.
We kunnen niet eenvoudig zelf een CAD-project bouwen om dit te testen, dus hier is OpenAI's demo van de rijsimulatie. Astra bouwde de 3D-auto, schreef de Python-oplosser voor de banden en ophanging en animeerde het resultaat in Blender:
Beide modellen behalen betere resultaten met minder output-tokens, waar het grootste deel van de besparing vandaan komt. Op OpenAI's interne GDPval v2 scoort GPT-6.2 Astra 6,2 punten hoger dan GPT-6 Astra terwijl het 22% minder output-tokens gebruikt. Astra kiest ook beter zijn tools, waaronder wanneer een plugin te gebruiken in plaats van computer use, en Basis meldt dat de gemiddelde doorlooptijd voor accountingwerk met lange horizon halveerde.
De system card heeft ook beter nieuws over prompt injection, waarbij verborgen instructies in een e-mail of webpagina proberen de agent over te nemen. Astra's slide vat de veiligheidstrade-offs samen:
Slide door GPT-6.2 Astra
Schrijf veiliger code, binnen striktere waarborgen
GPT-6.2 Astra en Sol vinden en misbruiken kwetsbaarheden effectiever, en OpenAI voegde trainingssignalen toe voor het schrijven van veilige code en patches die het beoogde gedrag behouden. Beide voldoen aan de Critical-drempel voor cybersecurity onder OpenAI's Preparedness Framework, zoals GPT-6 Astra dat deed.
De keerzijde is meer weigeringen. OpenAI lanceerde beide modellen met striktere safeguards die ook legitiem kwetsbaarheidsonderzoek en securitytesting deels beperken. Goedgekeurde defenders gebruiken nog steeds GPT-6 Astra en GPT-6 Cyber, dat twee weken geleden beschikbaar kwam, via OpenAI Daybreak.
Hoe presteren GPT-6.2 Astra en Sol op de benchmarks?
GPT-6.2 Astra leidt OpenAI's benchmarks voor professioneel werk en wetenschap, maar Claude Fable 5.2 leidt op verschillende codeer- en redeneerresultaten.
In de volgende tabellen zijn alle scores door de leveranciers gerapporteerd. Ik heb de beste score per rij vetgedrukt.
Professioneel werk en agentische workflows
Op Agents' Last Exam v1.1, dat lange, meerstaps professionele workflows test, scoort GPT-6.2 Astra 78,3% voor $2,89 per taak. GPT-6 Astra scoort 73,1% voor $8,99 per taak, en Claude Fable 5.2 72,8% voor $60,05.
Gemini 4 Carbon komt het dichtst in de buurt met 77,4%, maar kost $4,60 per taak. De rest van de resultaten voor professioneel werk volgen hetzelfde patroon:
Benchmark
Wat het meet
GPT-6.2 Astra
GPT-6.2 Sol
GPT-6 Astra
GPT-6.1 Sol
Claude Fable 5.2
Agents' Last Exam v1.1
Langetermijn professionele workflows
78,3%
73,0%
73,1%
72,5%
72,8%
GDPval v2 (OpenAI intern)
Meerstaps opdrachten in consulting, finance en design
50,4%
46,9%
44,2%
41,5%
44,8%
Harvey LAB-AA v1.1
Juridische deliverables die aan elk criterium voldoen
15,0%
11,1%
8,6%
6,9%
7,2%
AutomationBench 1.0.6
Automatisering van bedrijfsworkflows
52,4%
41,2%
41,4%
36,1%
51,4%
LifeVal (OpenAI)
Uitdagende alledaagse taken
86,1%
83,8%
79,8%
79,5%
n.v.t.
Astra leidt hier elke rij onder de modellen in de tabel en verdubbelt Fable 5.2 op Harvey's juridische benchmark. Gemini 4 Carbon blijft het nipt voor op AutomationBench met 53,9%, en op GDPval v2 zit Carbons 48,8% tussen Astra en Sol in.
OpenAI's GDPval v2-grafiek laat zien waar de besparing vandaan komt: bij hetzelfde aantal output-tokens scoren de nieuwe modellen hoger dan de modellen die ze vervangen.
Coding en security
Coding is waar Sol zijn plek verdient: op FrontierCode 2.0 scoort het 43,8% voor $1,29 per taak, tegenover Astra's 44,2% voor $5,97.
Benchmark
Wat het meet
GPT-6.2 Astra
GPT-6.2 Sol
GPT-6 Astra
GPT-6.1 Sol
Claude Fable 5.2
FrontierCode 2.0
Codewijzigingen die voldoen aan de standaarden van maintainers voor mergen
44,2%
43,8%
42,8%
39,0%
49,1%
SecureSWE (OpenAI intern)
Functionele en veilige code voor security-gevoelige componenten
65,7%
55,6%
48,7%
49,7%
n.v.t.
PatchBench
Security-patches
79,7%
75,6%
70,9%
71,0%
n.v.t.
ExploitBench Internal Port
Arbitraire code-executiegraad in V8 en Chrome
53,5%
50,5%
31,5%
21,5%
n.v.t.
Claude Fable 5.2 behoudt de leiding op FrontierCode 2.0, en Claude Opus 5.5 met maximale inspanning (45,5%) verslaat daar ook beide GPT-6.2-modellen. De security-rijen laten de generatiesprong het duidelijkst zien, al rapporteerde OpenAI Fable 5.2 op geen van die metingen.
OpenAI's FrontierCode-grafiek maakt Sol's punt: bij maximale inspanning haalt het Astra's score voor ongeveer een vijfde van de kost per taak.
Wetenschap, CAD en algemene redenering
Op Terminal-Bench-Science 0.1, dat wetenschappelijk werk in een terminal test, scoort GPT-6.2 Astra 77,1%, 9 punten boven GPT-6 Astra tegen minder dan een derde van de kost per taak.
Benchmark
Wat het meet
GPT-6.2 Astra
GPT-6.2 Sol
GPT-6 Astra
GPT-6.1 Sol
Claude Fable 5.2
Terminal-Bench-Science 0.1
Wetenschappelijke research-workflows in een terminal
77,1%
68,0%
68,1%
57,0%
73,3%*
Vals Science Index v1
Biologische data interpreteren en experimenten uitvoeren
68,4%
58,5%
65,1%
59,6%
63,7%
BenchCAD 2.1 Core
CAD-modelleertaken
82,5%
73,1%
62,6%
52,6%
83,5%
Artificial Analysis Intelligence Index v5.0.1
Composiet van 9 evaluaties (indexscore)
62,1
57,3
56,9
54,6
64,6
GPQA Diamond (geen tools)
Wetenschappelijke vragen op masterniveau
97,0%
96,0%
96,0%
n.v.t.
n.v.t.
Fable 5.2 leidt nog steeds de Intelligence Index en BenchCAD, maar dan voor $26,54 en $50,77 per taak tegenover Astra's $4,00 en $5,43. Heb je de allerbeste CAD-output nodig, dan blijft Fable de keuze; heb je het meerdere keren per dag nodig, dan brengt Astra je 99% van de weg voor ongeveer een tiende van de prijs.
Op Terminal-Bench-Science haalt Astra de hoogste score voor $7,15 per taak bij maximale inspanning, tegenover $23,80 voor GPT-6 Astra en $45,21 voor Claude Fable 5.2.
Welke tier moet je gebruiken?
GPT-6.2 Sol zou je standaard moeten zijn, en GPT-6.2 Astra het model waar je naartoe opschaalt. Sol kost een kwart van Astra's tokenprijs en levert bij coderen minder dan een punt in.
GPT-6.2 Astra maakte hetzelfde punt tegen zichzelf in zijn eigen deck:
Slide door GPT-6.2 Astra
Beide modellen tonen in OpenAI's grafieken vijf redeneerinspanningen, van laag tot max, en de instelling voor inspanning is net zo belangrijk als de tier. Op Agents' Last Exam komt Sol bij hoge inspanning (72,0% voor $0,69 per taak) ongeveer een punt achter GPT-6 Astra bij maximale inspanning (73,1% voor $8,99) voor een dertiende van de kosten. Ultrafast-modus is beschikbaar voor beide modellen in de API en voor Pro 500-abonnees in ChatGPT.
Use case
Tier
Waarom
Dagelijks coderen, refactors en code review
Sol
Binnen 0,5 punt van Astra op FrontierCode 2.0 voor ongeveer een vijfde van de kosten
High-volume agent-loops en automatiseringen
Sol
$2 / $10 per miljoen tokens, ongewijzigd ten opzichte van GPT-6.1 Sol
Klantklare decks, financiële werkboeken en memo's
Astra
Template-matching en de voorsprong op GDPval v2 zijn Astra-specifiek
Juridisch schrijven en research
Astra
15,0% op Harvey LAB-AA tegenover 11,1% voor Sol
CAD, simulatie en wetenschappelijke analyse
Astra
Ongeveer 9 punten voor op Sol op BenchCAD en Terminal-Bench-Science
GPT-6.2 Astra testen: praktijkvoorbeelden
De bovenstaande benchmarks zijn van OpenAI zelf, dus ik draaide 2 tests met GPT-6.2 Astra en zijn voorganger, GPT-6 Astra, met identieke prompts en identieke tooling. Voor de dashboardtest draaiden beide modellen in OpenCode met een vastgezette toolsurface (alleen lezen, zoeken en bestanden bewerken), dezelfde hoge redeneerinspanning, één poging en een nieuwe sessie.
Test 1: Een eerlijk dashboard van rommelige data
De taak: bouw een HTML-dashboard in één bestand vanuit een CSV met inkomsten- en arbeidsuitkomsten voor 173 Amerikaanse studierichtingen, voor een loopbaanadviseur die velden voor cliënten vergelijkt. Het moest categorieën vergelijken op inkomsten en werkgelegenheid, de hoogst- en laagst verdienende majors tonen, de data embedden in plaats van ophalen en op één 1440×900-scherm passen.
De echte test zit in de data, die problemen heeft waar de prompt nooit op wijst:
De topverdiener, Petroleum Engineering met $110.000, rust op een steekproef van 36 mensen, en 76 van de 173 majors hebben steekproeven onder de 100.
De laagstverdiener, Library Science met $22.000, rust op een steekproef van 2.
Food Science mist zijn graduate-totals.
Categorieën variëren van één major (Interdisciplinary, 12.296 afgestudeerden) tot 13 majors met 1,3 miljoen afgestudeerden (Business), dus hoe je middelt, doet ertoe.
Het test 2 claims tegelijk: Astra's betere analytische werkboeken en zijn efficiëntie, met minder output-tokens voor betere resultaten. Dit is wat GPT-6.2 Astra produceerde:
De belangrijkste bevindingen:
Beide modellen leverden bij de eerste poging een werkend dashboard. Elk embedde alle 173 majors, tekende eigen SVG-grafieken zonder chartingbibliotheek, paste op één scherm en laadde zonder fouten.
Ze lazen dezelfde data anders, en dat verandert de rangorde van categorieën. GPT-6.2 Astra rangschikte elke categorie op de mediaan van de medianen van zijn majors, wat een major met een paar duizend afgestudeerden hetzelfde gewicht geeft als een met 200.000. GPT-6 Astra woog elke major naar aantal afgestudeerden. Het resultaat: Health staat 10e op $35.000 in GPT-6.2 Astra's dashboard en 4e op $40,6k in dat van GPT-6 Astra, omdat verpleegkunde, met 209.394 afgestudeerden en een mediaan van $48.000, meetelt voor wat het is.
GPT-6 Astra zette ook de steekproefgroottes vooraan. De hoofdtafel laat zien dat de top 4 verdieners rusten op steekproeven van 36, 7, 3 en 16. GPT-6.2 Astra toont ze pas nadat je een major selecteert, met een eenregelige waarschuwing over instabiele ranglijsten.
GPT-6.2 Astra was goedkoper en slanker. Het kostte $1,79 tegenover $2,93 voor GPT-6 Astra, met 27.821 output-tokens tegenover 35.298.
Bekijk GPT-6 Astra's versie van dichterbij. Vergelijk zijn categoriegrafiek met die van GPT-6.2 Astra hierboven: Health staat hier 4e en daar 10e, en Biology & Life Science zakt van 6e naar 11e.
Geen van beide methoden is wiskundig fout, en GPT-6.2 Astra labelt zijn grafiek als een mediaan van major-medianen. Maar een loopbaanadviseur wil weten waar afgestudeerden daadwerkelijk terechtkomen, en alleen de naar afgestudeerden gewogen versie beantwoordt dat.
Test 2: Een slidedeck vanaf een templatescreenshot
De taak: zet de researchnotities achter dit artikel om in een deck van 5 slides voor engineeringmanagers die willen beslissen of ze moeten overstappen, in de stijl van één templateslide. De modellen kregen de template alleen als screenshot, en de prompt vroeg ze die te matchen "tot op de lettergrootte" zonder het lettertype of een grootte te noemen.
Dit test OpenAI's slide-claim direct. Omdat de modellen een afbeelding moesten zien, draaide elk als één API-call via OpenRouter bij dezelfde hoge redeneerinspanning, en ik voegde GPT-6.2 Sol toe, omdat decks dagelijks werk zijn. Dit is de template die ze zagen, die ik voor de test heb ontworpen:
De belangrijkste bevindingen:
Alle 3 modellen reconstrueerden de template op basis van alleen het screenshot. Elk identificeerde het lettertype als Poppins en behield de groene accentbalk, de kickerregel, de grijze stat-card, de bronregel en het paginanummer. Elke titel formuleert een takeaway, zoals in de template.
Alle 3 matchten de template zo goed dat ik ze met het blote oog niet kon onderscheiden. In de browser gecheckt, raakte alleen GPT-6.2 Sol de lettergroottes exact. Astra, het model waarvan OpenAI zegt dat het templates matcht "tot op de lettergrootte", zat er een pixel of twee naast.
GPT-6.2 Astra was de meest zuinige van de twee Astra's. Het kostte $0,22 en 4.968 output-tokens, tegenover $0,59 en 11.247 voor GPT-6 Astra. Sol kostte $0,07.
Astra's 5 slides zijn de bijschriften die je in dit artikel hebt gezien, en elke figuur daarop klopt met mijn notities. GPT-6 Astra's deck was net zo bruikbaar, dus op deze taak scheiden de generaties niet.
Is GPT-6.2 Astra dus echt een stap vooruit? Qua kosten wel: het rondde beide tests af voor 39% tot 63% minder, wat overeenkomt met OpenAI's efficiëntieclaim. Qua oordeel net niet: het oudere model was degene die de data woog zoals een loopbaanadviseur het nodig heeft, terwijl de slides ongeveer gelijk eindigden.
Één run per taak kan twee modellen niet rangschikken, maar het past bij OpenAI's eigen Blocker Deception-bevinding: kijk wat GPT-6.2 Astra weglaat, niet alleen wat het bouwt.
Prijzen en beschikbaarheid van GPT-6.2 Astra en Sol
GPT-6.2 Astra is 20% goedkoper dan GPT-6 Astra op input- en output-tokens en 60% goedkoper op gecachete input, terwijl GPT-6.2 Sol de prijzen van GPT-6.1 Sol behoudt. Standaard API-tarieven per miljoen tokens:
Model
Input
Gecachete input
Output
GPT-6.2 Astra
$8,00
$0,40
$40,00
GPT-6.2 Sol
$2,00
$0,10
$10,00
De lagere prijzen zijn slechts een deel van de besparing. Omdat beide modellen minder output-tokens gebruiken, daalt de kost per taak verder, wat verklaart waarom Astra's run op Agents' Last Exam minder dan een derde kost van die van GPT-6 Astra. OpenAI raadt ook aan promptprefixen ongewijzigd te laten en nieuwe instructies toe te voegen, om meer cache-hits te krijgen en redeneren over beurten heen te behouden.
Astra's eigen samenvatting van de nieuwe prijzen:
Slide door GPT-6.2 Astra
In ChatGPT zijn beide modellen vanaf de lanceerdag beschikbaar voor Plus-, Pro-, Enterprise- en Edu-gebruikers in ChatGPT Work en Codex. Enterprise- en Edu-gebruikers krijgen toegang zodra hun workspace-beheerder het inschakelt.
Ultrafast is beschikbaar met beide modellen voor Pro 500-abonnees, en Pro 200-abonnees krijgen het voor het eerst, te beginnen met GPT-6.2 Sol. OpenAI's aankondiging noemt het Free-plan niet.
Hoe krijg je toegang tot GPT-6.2 Astra en Sol?
Beide modellen zijn algemeen beschikbaar in de OpenAI API als gpt-6.2-astra en gpt-6.2-sol, met Ultrafast beschikbaar voor beide bij launch. Een minimaal request met de OpenAI Python SDK ziet er zo uit:
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)Mogelijk gemaakt door
Beide modellen staan ook op OpenRouter (openai/gpt-6.2-astra en openai/gpt-6.2-sol) en in de OpenCode-modelcatalogus.
GPT-6.2 is een prijsverlaging die OpenAI heeft omgezet in een capaciteitsrelease. Astra verslaat GPT-6 Astra op elke professionele benchmark die OpenAI rapporteert, tegen een derde van de kost per taak, en Sol komt qua coderen zo dicht in de buurt dat de meeste teams daar zouden moeten beginnen.
Het beslecht de algehele race niet. Claude Fable 5.2 leidt nog steeds op FrontierCode en de Intelligence Index, Gemini 4 Carbon leidt AutomationBench, en in onze tests las de oudere Astra een rommelige dataset zinvoller. Maar ik zou vandaag nog overstappen van GPT-6 Astra vanwege de besparing.
Slide door GPT-6.2 Astra
Als je meer wilt leren over bouwen met de modellen van OpenAI, raad ik onze cursus Working with the OpenAI API aan.
Auteur
Josef Waples
Ik ben een schrijver en editor op het gebied van data science en heb bijgedragen aan onderzoeksartikelen in wetenschappelijke tijdschriften. Ik ben vooral geïnteresseerd in lineaire algebra, statistiek, R en dergelijke. Ik speel ook best wat schaak!
FAQs
Wat is GPT-6.2 Astra en hoe verschilt het van GPT-6.2 Sol?⌄
GPT-6.2 Astra is OpenAI's frontier-model voor zwaar professioneel werk zoals decks, financiële werkboeken, juridische stukken en CAD. GPT-6.2 Sol is het goedkopere model voor dagelijks coderen, schrijven en agent-loops. Sol kost een kwart van Astra's tokenprijs en komt binnen 0,5 punt van Astra op FrontierCode 2.0, terwijl Astra leidt op professionele en wetenschappelijke benchmarks.
Hoeveel kost GPT-6.2 Astra in de API?⌄
GPT-6.2 Astra kost $8 per miljoen input-tokens, $0,40 per miljoen gecachete input-tokens en $40 per miljoen output-tokens. Dat is 20% onder GPT-6 Astra op input en output en 60% lager op gecachete input. GPT-6.2 Sol kost $2, $0,10 en $10, hetzelfde als GPT-6.1 Sol.
Is GPT-6.2 Astra beter dan GPT-6 Astra?⌄
Op OpenAI's benchmarks wel: GPT-6.2 Astra verslaat GPT-6 Astra op elk professioneel resultaat, zoals Agents' Last Exam (78,3% vs 73,1%), voor ongeveer een derde van de kost per taak. In onze 2 praktijktests was het ook goedkoper, maar GPT-6 Astra woog een rommelige dataset zinvoller.
Waar heb ik toegang tot GPT-6.2 Astra en GPT-6.2 Sol?⌄
Beide modellen zijn beschikbaar in ChatGPT Work en Codex voor Plus-, Pro-, Enterprise- en Edu-gebruikers, met toegang voor Enterprise en Edu die wordt ingeschakeld door een workspace-beheerder. Ontwikkelaars kunnen gpt-6.2-astra en gpt-6.2-sol aanroepen in de OpenAI API, en beide staan op OpenRouter.
Moet ik GPT-6.2 Sol of GPT-6.2 Astra gebruiken voor coderen?⌄
Gebruik GPT-6.2 Sol voor het meeste coderingswerk. Op FrontierCode 2.0 scoort het 43,8% tegenover Astra's 44,2% bij maximale inspanning, voor $1,29 per taak in plaats van $5,97. Schakel over op Astra voor security-gevoelige code, waar het Sol voorafgaat op SecureSWE, of voor CAD en wetenschappelijk werk.
Begin je reis met het ontwikkelen van AI-gestuurde applicaties met de OpenAI API. Leer over de functionaliteit achter populaire AI-toepassingen zoals ChatGPT.
November is een drukke maand geweest voor frontier-modellen. Anthropic bracht Claude Fable 5.2 uit, Google heeft Gemini 4 Carbon in het veld, en vandaag, na een week speculatie, antwoordde OpenAI met twee modellen tegelijk: GPT-6.2 Astra en GPT-6.2 Sol.
GPT-6.2 Astra is OpenAI's nieuwe frontier-model voor zwaar professioneel werk, zoals decks, financiële werkboeken, juridische stukken, CAD en lange agent-runs. GPT-6.2 Sol is het goedkopere model voor dagelijks gebruik bij coderen, schrijven en agent-loops, en komt qua coderen dicht in de buurt van Astra voor ongeveer een kwart van de tokenprijs.
Ik had het net over hun verschillen, maar beide kosten hetzelfde of minder per taak dan de modellen die ze vervangen: in de API liggen Astra's input- en outputprijzen 20% lager dan die van GPT-6 Astra, en Sol behoudt de prijzen van GPT-6.1 Sol.
In dit artikel behandel ik alles wat nieuw is aan GPT-6.2 Astra en Sol: de nieuwe functies, de benchmarks, en ik jaag Astra door de molen met 2 praktijktests tegenover GPT-6 Astra.
Zoals je ziet, komen er in hoog tempo nieuwe modellen uit. Wil je bijblijven in AI en data, abonneer je dan zeker op onze wekelijkse nieuwsbrief, The Median.
TL;DR
Wat zijn GPT-6.2 Astra en Sol?
GPT-6.2 Astra vervangt GPT-6 Astra aan de top, en Sol vervangt GPT-6.1 Sol een treetje lager. Twee dingen onderscheiden ze van de vorige generatie:
Hier is het kostenverhaal op één slide, gemaakt door GPT-6.2 Astra. (Verbeterde slides zijn een van de features. Daar komen we zo op.)
Belangrijkste functies van GPT-6.2 Astra en Sol
Het meeste nieuwe richt zich op professioneel output en efficiëntie in plaats van ruwe intelligentie. Dit zijn de vier veranderingen die ertoe doen.
Maak slides, werkboeken en documenten die jouw template volgen
GPT-6.2 Astra kan een slidetemplate, als origineel bestand of zelfs een screenshot, gebruiken en de layout, kleuren en typografie tot op het lettergrootte-niveau matchen. OpenAI trainde het op de conventies van vakgebieden als recht, sales, finance en accounting, met titels die de kernboodschap uitdragen en minder vulling in de bodycopy.
Ik heb deze nieuwe functie door het hele artikel getest, inclusief de slide hierboven. Astra schreef elke slide als HTML, die ik zonder wijzigingen naar een afbeelding heb gerenderd.
Diezelfde training zie je terug in spreadsheets. Op AA-AnalystAgent van Artificial Analysis, dat modellen laat cijfers zoeken in echte spreadsheets en rapporten, beantwoordde Astra 62,5% van de vragen correct in alle vijf onafhankelijke pogingen, een nieuw hoogtepunt volgens OpenAI. ClickUp meldt dat Astra zijn productiemodel nipt versloeg in blinde tests van de apps, dashboards en slides die ClickUp Brain bouwt, met zo'n 30% minder beoordelingsrondes.
Werk in CAD- en simulatie-tools met computer use
De computer use van GPT-6.2 Astra werkt nu door tot op individuele onderdelen en verbindingen in CAD- en simulatie-tools. We verwachten dat dit een grote stap is voor mechanical en productingenieurs. OpenAI's demo's omvatten de simulatie van de chassisdynamiek van een auto met een Python-oplosser en animatie in Blender, een 1:8 RC-buggy die onderdeel voor onderdeel is gemodelleerd op basis van publieke foto's en bouwmanuals, en een papieren lamp ontworpen van referentiefoto's via CAD-revisies.
We kunnen niet eenvoudig zelf een CAD-project bouwen om dit te testen, dus hier is OpenAI's demo van de rijsimulatie. Astra bouwde de 3D-auto, schreef de Python-oplosser voor de banden en ophanging en animeerde het resultaat in Blender:
Bron: OpenAI
Krijg meer gedaan per token in agent-workflows
Beide modellen behalen betere resultaten met minder output-tokens, waar het grootste deel van de besparing vandaan komt. Op OpenAI's interne GDPval v2 scoort GPT-6.2 Astra 6,2 punten hoger dan GPT-6 Astra terwijl het 22% minder output-tokens gebruikt. Astra kiest ook beter zijn tools, waaronder wanneer een plugin te gebruiken in plaats van computer use, en Basis meldt dat de gemiddelde doorlooptijd voor accountingwerk met lange horizon halveerde.
De system card heeft ook beter nieuws over prompt injection, waarbij verborgen instructies in een e-mail of webpagina proberen de agent over te nemen. Astra's slide vat de veiligheidstrade-offs samen:
Slide door GPT-6.2 Astra
Schrijf veiliger code, binnen striktere waarborgen
GPT-6.2 Astra en Sol vinden en misbruiken kwetsbaarheden effectiever, en OpenAI voegde trainingssignalen toe voor het schrijven van veilige code en patches die het beoogde gedrag behouden. Beide voldoen aan de Critical-drempel voor cybersecurity onder OpenAI's Preparedness Framework, zoals GPT-6 Astra dat deed.
De keerzijde is meer weigeringen. OpenAI lanceerde beide modellen met striktere safeguards die ook legitiem kwetsbaarheidsonderzoek en securitytesting deels beperken. Goedgekeurde defenders gebruiken nog steeds GPT-6 Astra en GPT-6 Cyber, dat twee weken geleden beschikbaar kwam, via OpenAI Daybreak.
Hoe presteren GPT-6.2 Astra en Sol op de benchmarks?
GPT-6.2 Astra leidt OpenAI's benchmarks voor professioneel werk en wetenschap, maar Claude Fable 5.2 leidt op verschillende codeer- en redeneerresultaten.
In de volgende tabellen zijn alle scores door de leveranciers gerapporteerd. Ik heb de beste score per rij vetgedrukt.
Professioneel werk en agentische workflows
Op Agents' Last Exam v1.1, dat lange, meerstaps professionele workflows test, scoort GPT-6.2 Astra 78,3% voor $2,89 per taak. GPT-6 Astra scoort 73,1% voor $8,99 per taak, en Claude Fable 5.2 72,8% voor $60,05.
Gemini 4 Carbon komt het dichtst in de buurt met 77,4%, maar kost $4,60 per taak. De rest van de resultaten voor professioneel werk volgen hetzelfde patroon:
Astra leidt hier elke rij onder de modellen in de tabel en verdubbelt Fable 5.2 op Harvey's juridische benchmark. Gemini 4 Carbon blijft het nipt voor op AutomationBench met 53,9%, en op GDPval v2 zit Carbons 48,8% tussen Astra en Sol in.
OpenAI's GDPval v2-grafiek laat zien waar de besparing vandaan komt: bij hetzelfde aantal output-tokens scoren de nieuwe modellen hoger dan de modellen die ze vervangen.
Coding en security
Coding is waar Sol zijn plek verdient: op FrontierCode 2.0 scoort het 43,8% voor $1,29 per taak, tegenover Astra's 44,2% voor $5,97.
Claude Fable 5.2 behoudt de leiding op FrontierCode 2.0, en Claude Opus 5.5 met maximale inspanning (45,5%) verslaat daar ook beide GPT-6.2-modellen. De security-rijen laten de generatiesprong het duidelijkst zien, al rapporteerde OpenAI Fable 5.2 op geen van die metingen.
OpenAI's FrontierCode-grafiek maakt Sol's punt: bij maximale inspanning haalt het Astra's score voor ongeveer een vijfde van de kost per taak.
Wetenschap, CAD en algemene redenering
Op Terminal-Bench-Science 0.1, dat wetenschappelijk werk in een terminal test, scoort GPT-6.2 Astra 77,1%, 9 punten boven GPT-6 Astra tegen minder dan een derde van de kost per taak.
Fable 5.2 leidt nog steeds de Intelligence Index en BenchCAD, maar dan voor $26,54 en $50,77 per taak tegenover Astra's $4,00 en $5,43. Heb je de allerbeste CAD-output nodig, dan blijft Fable de keuze; heb je het meerdere keren per dag nodig, dan brengt Astra je 99% van de weg voor ongeveer een tiende van de prijs.
Op Terminal-Bench-Science haalt Astra de hoogste score voor $7,15 per taak bij maximale inspanning, tegenover $23,80 voor GPT-6 Astra en $45,21 voor Claude Fable 5.2.
Welke tier moet je gebruiken?
GPT-6.2 Sol zou je standaard moeten zijn, en GPT-6.2 Astra het model waar je naartoe opschaalt. Sol kost een kwart van Astra's tokenprijs en levert bij coderen minder dan een punt in.
GPT-6.2 Astra maakte hetzelfde punt tegen zichzelf in zijn eigen deck:
Slide door GPT-6.2 Astra
Beide modellen tonen in OpenAI's grafieken vijf redeneerinspanningen, van laag tot max, en de instelling voor inspanning is net zo belangrijk als de tier. Op Agents' Last Exam komt Sol bij hoge inspanning (72,0% voor $0,69 per taak) ongeveer een punt achter GPT-6 Astra bij maximale inspanning (73,1% voor $8,99) voor een dertiende van de kosten. Ultrafast-modus is beschikbaar voor beide modellen in de API en voor Pro 500-abonnees in ChatGPT.
GPT-6.2 Astra testen: praktijkvoorbeelden
De bovenstaande benchmarks zijn van OpenAI zelf, dus ik draaide 2 tests met GPT-6.2 Astra en zijn voorganger, GPT-6 Astra, met identieke prompts en identieke tooling. Voor de dashboardtest draaiden beide modellen in OpenCode met een vastgezette toolsurface (alleen lezen, zoeken en bestanden bewerken), dezelfde hoge redeneerinspanning, één poging en een nieuwe sessie.
Test 1: Een eerlijk dashboard van rommelige data
De taak: bouw een HTML-dashboard in één bestand vanuit een CSV met inkomsten- en arbeidsuitkomsten voor 173 Amerikaanse studierichtingen, voor een loopbaanadviseur die velden voor cliënten vergelijkt. Het moest categorieën vergelijken op inkomsten en werkgelegenheid, de hoogst- en laagst verdienende majors tonen, de data embedden in plaats van ophalen en op één 1440×900-scherm passen.
De echte test zit in de data, die problemen heeft waar de prompt nooit op wijst:
Het test 2 claims tegelijk: Astra's betere analytische werkboeken en zijn efficiëntie, met minder output-tokens voor betere resultaten. Dit is wat GPT-6.2 Astra produceerde:
De belangrijkste bevindingen:
Bekijk GPT-6 Astra's versie van dichterbij. Vergelijk zijn categoriegrafiek met die van GPT-6.2 Astra hierboven: Health staat hier 4e en daar 10e, en Biology & Life Science zakt van 6e naar 11e.
Geen van beide methoden is wiskundig fout, en GPT-6.2 Astra labelt zijn grafiek als een mediaan van major-medianen. Maar een loopbaanadviseur wil weten waar afgestudeerden daadwerkelijk terechtkomen, en alleen de naar afgestudeerden gewogen versie beantwoordt dat.
Test 2: Een slidedeck vanaf een templatescreenshot
De taak: zet de researchnotities achter dit artikel om in een deck van 5 slides voor engineeringmanagers die willen beslissen of ze moeten overstappen, in de stijl van één templateslide. De modellen kregen de template alleen als screenshot, en de prompt vroeg ze die te matchen "tot op de lettergrootte" zonder het lettertype of een grootte te noemen.
Dit test OpenAI's slide-claim direct. Omdat de modellen een afbeelding moesten zien, draaide elk als één API-call via OpenRouter bij dezelfde hoge redeneerinspanning, en ik voegde GPT-6.2 Sol toe, omdat decks dagelijks werk zijn. Dit is de template die ze zagen, die ik voor de test heb ontworpen:
De belangrijkste bevindingen:
Astra's 5 slides zijn de bijschriften die je in dit artikel hebt gezien, en elke figuur daarop klopt met mijn notities. GPT-6 Astra's deck was net zo bruikbaar, dus op deze taak scheiden de generaties niet.
Is GPT-6.2 Astra dus echt een stap vooruit? Qua kosten wel: het rondde beide tests af voor 39% tot 63% minder, wat overeenkomt met OpenAI's efficiëntieclaim. Qua oordeel net niet: het oudere model was degene die de data woog zoals een loopbaanadviseur het nodig heeft, terwijl de slides ongeveer gelijk eindigden.
Één run per taak kan twee modellen niet rangschikken, maar het past bij OpenAI's eigen Blocker Deception-bevinding: kijk wat GPT-6.2 Astra weglaat, niet alleen wat het bouwt.
Prijzen en beschikbaarheid van GPT-6.2 Astra en Sol
GPT-6.2 Astra is 20% goedkoper dan GPT-6 Astra op input- en output-tokens en 60% goedkoper op gecachete input, terwijl GPT-6.2 Sol de prijzen van GPT-6.1 Sol behoudt. Standaard API-tarieven per miljoen tokens:
De lagere prijzen zijn slechts een deel van de besparing. Omdat beide modellen minder output-tokens gebruiken, daalt de kost per taak verder, wat verklaart waarom Astra's run op Agents' Last Exam minder dan een derde kost van die van GPT-6 Astra. OpenAI raadt ook aan promptprefixen ongewijzigd te laten en nieuwe instructies toe te voegen, om meer cache-hits te krijgen en redeneren over beurten heen te behouden.
Astra's eigen samenvatting van de nieuwe prijzen:
Slide door GPT-6.2 Astra
In ChatGPT zijn beide modellen vanaf de lanceerdag beschikbaar voor Plus-, Pro-, Enterprise- en Edu-gebruikers in ChatGPT Work en Codex. Enterprise- en Edu-gebruikers krijgen toegang zodra hun workspace-beheerder het inschakelt.
Ultrafast is beschikbaar met beide modellen voor Pro 500-abonnees, en Pro 200-abonnees krijgen het voor het eerst, te beginnen met GPT-6.2 Sol. OpenAI's aankondiging noemt het Free-plan niet.
Hoe krijg je toegang tot GPT-6.2 Astra en Sol?
Beide modellen zijn algemeen beschikbaar in de OpenAI API als
gpt-6.2-astraengpt-6.2-sol, met Ultrafast beschikbaar voor beide bij launch. Een minimaal request met de OpenAI Python SDK ziet er zo uit:Beide modellen staan ook op OpenRouter (
openai/gpt-6.2-astraenopenai/gpt-6.2-sol) en in de OpenCode-modelcatalogus.Voor een volledige build met de vorige generatie, zie onze GPT-6 Astra API-tutorial en GPT-6.1 Sol-tutorial; het wisselen van het model-ID is de belangrijkste wijziging.
Tot slot
GPT-6.2 is een prijsverlaging die OpenAI heeft omgezet in een capaciteitsrelease. Astra verslaat GPT-6 Astra op elke professionele benchmark die OpenAI rapporteert, tegen een derde van de kost per taak, en Sol komt qua coderen zo dicht in de buurt dat de meeste teams daar zouden moeten beginnen.
Het beslecht de algehele race niet. Claude Fable 5.2 leidt nog steeds op FrontierCode en de Intelligence Index, Gemini 4 Carbon leidt AutomationBench, en in onze tests las de oudere Astra een rommelige dataset zinvoller. Maar ik zou vandaag nog overstappen van GPT-6 Astra vanwege de besparing.
Slide door GPT-6.2 Astra
Als je meer wilt leren over bouwen met de modellen van OpenAI, raad ik onze cursus Working with the OpenAI API aan.