Przejdź do głównej treści

GPT-6.2 Astra i Sol: funkcje, benchmarki, testy i ceny

GPT-6.2 Astra i Sol od OpenAI mocno tną koszt na zadanie. Omawiamy nowości, benchmarki, który poziom wybrać, ceny i test praktyczny na tle GPT-6 Astra.

Utwórz bezpłatne konto

Ćwicz i monitoruj swoje postępy.

Kontynuuj z GoogleKontynuując, akceptujesz nasz Warunki użytkowania, nasz Polityka prywatności i że Twoje dane są przechowywane w USA.

Listopad obfitował w premiery modeli frontier. Anthropic wypuścił Claude Fable 5.2, Google ma w terenie Gemini 4 Carbon, a dziś, po tygodniu spekulacji, OpenAI odpowiedziało dwoma modelami naraz: GPT-6.2 Astra i GPT-6.2 Sol.

GPT-6.2 Astra to nowy model frontier od OpenAI do wymagającej pracy profesjonalnej, takiej jak slajdy, arkusze finansowe, redagowanie dokumentów prawnych, CAD i długie przebiegi agentów. GPT-6.2 Sol to tańszy model na co dzień do kodowania, pisania i pętli agentów, który w kodowaniu zbliża się do Astry przy około jednej czwartej ceny za token.

Przed chwilą opisałem ich różnice, ale oba kosztują tyle samo lub mniej za zadanie niż modele, które zastępują: w API ceny wejścia i wyjścia Astry są o 20% niższe niż w GPT-6 Astra, a Sol utrzymuje ceny GPT-6.1 Sol.

W tym artykule omówię wszystko, co nowe w GPT-6.2 Astra i Sol: przyjrzę się nowym funkcjom, przeanalizuję benchmarki i sprawdzę Astrę w 2 testach praktycznych na tle GPT-6 Astra. 

Jak widać, nowe modele pojawiają się w szybkim tempie. Żeby być na bieżąco ze światem AI i danych, koniecznie zapisz się na nasz cotygodniowy newsletter The Median.

TL;DR

  • GPT-6.2 Astra to nowa flagowa propozycja OpenAI do wymagającej pracy profesjonalnej; GPT-6.2 Sol to model na co dzień.
  • Kluczowy zysk to koszt na zadanie: Astra robi więcej za znacznie mniej niż GPT-6 Astra.
  • Sol zbliża się do Astry w kodowaniu za ułamek ceny, więc powinien być twoim domyślnym wyborem.
  • Claude Fable 5.2 wciąż prowadzi w kilku benchmarkach kodowania i rozumowania, więc OpenAI nie zgarnia wszystkiego.
  • W naszych testach praktycznych Astra była znacznie tańsza niż GPT-6 Astra, ale GPT-6 Astra rozsądniej odczytała nieuporządkowany zbiór danych.
  • Zmień, jeśli dziś płacisz za GPT-6 Astra; same oszczędności to uzasadniają.

Czym są GPT-6.2 Astra i Sol?

GPT-6.2 Astra zastępuje GPT-6 Astra na szczycie oferty, a Sol zastępuje GPT-6.1 Sol o jeden poziom niżej. Dwie rzeczy odróżniają je od poprzedniej generacji:

  • Nieco mądrzejsze, dużo tańsze na zadanie. Własny indeks możliwości OpenAI daje Astrze tylko 1,7 punktu przewagi nad GPT-6 Astra, ale koszt na zadanie spadł o ponad połowę w kilku benchmarkach.
  • Nowa ocena ryzyka. Astra to pierwszy model OpenAI, który spełnia wysoki próg dla samodoskonalenia AI, więc trafia na rynek z najsurowszymi dotąd zabezpieczeniami OpenAI.

Oto historia kosztów na jednym slajdzie, zbudowanym przez GPT-6.2 Astra. (Ulepszone slajdy to jedna z funkcji. Do tego dojdziemy.)

Slajd stworzony przez GPT-6.2 Astra: Astra osiąga wyższe wyniki w zadaniach agentów za mniej, $2,89 za zadanie na Agents' Last Exam

Kluczowe funkcje GPT-6.2 Astra i Sol

Większość nowości celuje w profesjonalną jakość i efektywność, a nie w samą surową inteligencję. Oto cztery zmiany, które mają znaczenie.

Twórz slajdy, arkusze i dokumenty zgodne z twoim szablonem

GPT-6.2 Astra potrafi wziąć szablon slajdów, jako oryginalny plik lub nawet zrzut ekranu, i odwzorować układ, kolory i typografię aż po rozmiary czcionek. OpenAI wyszkoliło go na konwencjach branż takich jak prawo, sprzedaż, finanse i księgowość, z tytułami przekazującymi główną myśl i mniejszą ilością „wypełniacza” w treści.

Testowałem tę nową funkcję w całym artykule, w tym na slajdzie powyżej. Astra napisała każdy slajd w HTML, który bez zmian wyrenderowałem do obrazu. 

To samo szkolenie widać w arkuszach. W AA-AnalystAgent od Artificial Analysis, który każe modelom wyszukiwać liczby w prawdziwych arkuszach i raportach, Astra odpowiedziała poprawnie na 62,5% pytań we wszystkich pięciu niezależnych próbach, co według OpenAI jest nowym rekordem. ClickUp raportuje, że Astra minimalnie wyprzedziła ich model produkcyjny w ślepym teście aplikacji, pulpitów i slajdów generowanych przez ClickUp Brain, z około 30% mniejszą liczbą rund recenzji.

Pracuj w narzędziach CAD i symulacyjnych dzięki computer use

Computer use w GPT-6.2 Astra działa teraz na poziomie pojedynczych części i połączeń w narzędziach CAD i symulacyjnych. Spodziewamy się, że to duża sprawa dla inżynierów mechaników i produktowych. Dema OpenAI obejmują symulację dynamiki podwozia auta z użyciem solvera w Pythonie i animację w Blenderze, model RC buggy w skali 1:8 zbudowany część po części na podstawie publicznych zdjęć i instrukcji oraz papierową lampę zaprojektowaną na bazie zdjęć referencyjnych przez kolejne iteracje w CAD.

Niełatwo nam samodzielnie zbudować projekt CAD, by to przetestować, więc oto demo symulacji jazdy od OpenAI. Astra zbudowała model 3D auta, napisała solver w Pythonie dla opon i zawieszenia oraz zaanimowała wynik w Blenderze:

Demo OpenAI symulacji jazdy w GPT-6.2 Astra: auto na górskiej drodze obok widoków przedniego i tylnego zawieszenia, obciążeń w plamie styku opony, kręgu przyczepności, wejść kierowcy i odczytów układu napędowego

Źródło: OpenAI

Więcej na token w przepływach pracy agentów

Oba modele osiągają lepsze wyniki przy mniejszej liczbie tokenów wyjściowych, skąd biorą się główne oszczędności. W wewnętrznym teście GDPval v2 GPT-6.2 Astra zdobywa o 6,2 punktu więcej niż GPT-6 Astra, zużywając przy tym o 22% mniej tokenów wyjściowych. Astra lepiej też dobiera narzędzia, w tym kiedy użyć wtyczki zamiast computer use, a Basis raportuje, że średni czas zadań księgowych o długim horyzoncie spadł o połowę.

Karta systemowa ma też lepsze wieści w temacie wstrzykiwania promptów, gdzie ukryte instrukcje w e‑mailu lub na stronie próbują przejąć agenta. Slajd Astry podsumowuje kompromisy bezpieczeństwa:

Slajd stworzony przez GPT-6.2 Astra: oba modele lepiej opierają się wstrzyknięciom promptów, Sol odporny w 91,65%

Slajd: GPT-6.2 Astra

Pisz bezpieczniejszy kod, w ramach ostrzejszych zabezpieczeń

GPT-6.2 Astra i Sol skuteczniej znajdują i wykorzystują podatności, a OpenAI dodało sygnały treningowe do pisania bezpiecznego kodu i łatek zachowujących zamierzone działanie. Oba spełniają próg „Critical” w cyberbezpieczeństwie w ramach Preparedness Framework OpenAI, tak jak GPT-6 Astra.

Kompromisem są częstsze odmowy. OpenAI uruchomiło oba modele z ostrzejszymi zabezpieczeniami, które ograniczają też część w pełni legalnych badań nad podatnościami i testów bezpieczeństwa. Zatwierdzeni obrońcy nadal korzystają z GPT-6 Astra i GPT-6 Cyber, który pojawił się dwa tygodnie temu, przez OpenAI Daybreak.

Jak GPT-6.2 Astra i Sol wypadają w benchmarkach?

GPT-6.2 Astra prowadzi w benchmarkach OpenAI dotyczących pracy profesjonalnej i nauki, ale Claude Fable 5.2 ma przewagę w kilku wynikach z zakresu kodowania i rozumowania. 

W poniższych tabelach wszystkie wyniki pochodzą od dostawców. Najlepszy wynik w wierszu zaznaczyłem pogrubieniem.

Praca profesjonalna i przepływy agentowe

W Agents' Last Exam v1.1, który testuje długie, wieloetapowe przepływy pracy, GPT-6.2 Astra zdobywa 78,3% przy koszcie $2,89 za zadanie. GPT-6 Astra ma 73,1% przy $8,99 za zadanie, a Claude Fable 5.2 72,8% przy $60,05.

Wykres Agents' Last Exam v1.1: GPT-6.2 Astra zdobywa 78,3% przy $2,89 za zadanie, przed Gemini 4 Carbon 77,4% ($4,60), GPT-6 Astra 73,1% ($8,99) i Claude Fable 5.2 72,8% ($60,05)

Najbliżej jest Gemini 4 Carbon z 77,4%, ale kosztuje $4,60 za zadanie. Reszta wyników pracy profesjonalnej układa się podobnie:

BenchmarkCo mierzyGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
Agents' Last Exam v1.1Długohoryzontowe przepływy pracy profesjonalnej78.3%73.0%73.1%72.5%72.8%
GDPval v2 (OpenAI internal)Wieloetapowe zadania konsultingowe, finansowe i projektowe50.4%46.9%44.2%41.5%44.8%
Harvey LAB-AA v1.1Produkty prawne spełniające wszystkie kryteria15.0%11.1%8.6%6.9%7.2%
AutomationBench 1.0.6Automatyzacja przepływów biznesowych52.4%41.2%41.4%36.1%51.4%
LifeVal (OpenAI)Wymagające zadania dnia codziennego86.1%83.8%79.8%79.5%n/a

Astra prowadzi w każdym z tych wierszy wśród modeli w tabeli i podwaja wynik Fable 5.2 w prawniczym benchmarku Harvey. Gemini 4 Carbon wciąż minimalnie wygrywa na AutomationBench z 53,9%, a na GDPval v2 wynik Carbon 48,8% plasuje się między Astrą a Solem.

Wykres GDPval v2 OpenAI pokazuje, skąd biorą się oszczędności: przy tej samej liczbie tokenów wyjściowych nowe modele zdobywają wyższe wyniki niż te, które zastępują.

Wykres GDPval v2: GPT-6.2 Astra i Sol osiągają wyższe wyniki niż GPT-6 Astra i GPT-6.1 Sol przy mniejszej liczbie tokenów wyjściowych na każdym poziomie wysiłku rozumowania

Kodowanie i bezpieczeństwo

Kodowanie to miejsce, w którym Sol zarabia na swoje istnienie: w FrontierCode 2.0 zdobywa 43,8% przy $1,29 za zadanie, wobec 44,2% Astry przy $5,97.

BenchmarkCo mierzyGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
FrontierCode 2.0Zmiany w kodzie spełniające standardy maintainerów do zmergowania44.2%43.8%42.8%39.0%49.1%
SecureSWE (OpenAI internal)Funkcjonalny i bezpieczny kod dla komponentów wrażliwych na bezpieczeństwo65.7%55.6%48.7%49.7%n/a
PatchBenchŁatki bezpieczeństwa79.7%75.6%70.9%71.0%n/a
ExploitBench Internal PortWskaźnik wykonania dowolnego kodu w V8 i Chrome53.5%50.5%31.5%21.5%n/a

Claude Fable 5.2 utrzymuje prowadzenie w FrontierCode 2.0, a Claude Opus 5.5 przy maksymalnym wysiłku (45,5%) też wyprzedza oba modele GPT-6.2. Wiersze dotyczące bezpieczeństwa pokazują jednak najczytelniejszy skok generacyjny, choć OpenAI nie podało tam wyniku Fable 5.2.

Wykres FrontierCode OpenAI wzmacnia argument za Solem: przy maksymalnym wysiłku osiąga wynik Astry za około jedną piątą kosztu na zadanie.

Wykres FrontierCode 2.0: GPT-6.2 Sol osiąga wynik zbliżony do Astry za ułamek kosztu na zadanie, a Claude Fable 5.2 ma najwyższy wynik przy znacznie wyższym koszcie

Nauka, CAD i ogólne rozumowanie

W Terminal-Bench-Science 0.1, który testuje pracę naukową w terminalu, GPT-6.2 Astra zdobywa 77,1%, o 9 punktów więcej niż GPT-6 Astra, przy koszcie na zadanie mniejszym niż jedna trzecia.

BenchmarkCo mierzyGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
Terminal-Bench-Science 0.1Naukowe przepływy pracy w terminalu77.1%68.0%68.1%57.0%73.3%*
Vals Science Index v1Interpretacja danych biologicznych i prowadzenie eksperymentów68.4%58.5%65.1%59.6%63.7%
BenchCAD 2.1 CoreZadania modelowania CAD82.5%73.1%62.6%52.6%83.5%
Artificial Analysis Intelligence Index v5.0.1Złożony z 9 ewaluacji (wynik indeksu)62.157.356.954.664.6
GPQA Diamond (bez narzędzi)Pytania naukowe na poziomie magisterskim97.0%96.0%96.0%n/an/a

Fable 5.2 nadal prowadzi w Intelligence Index i BenchCAD, ale przy $26,54 i $50,77 za zadanie wobec $4,00 i $5,43 u Astry. Jeśli potrzebujesz absolutnie najlepszego wyniku CAD, Fable wciąż wygrywa; jeśli potrzebujesz takich wyników wiele razy dziennie, Astra da ci 99% efektu za około jedną dziesiątą ceny.

W Terminal-Bench-Science Astra osiąga najwyższy wynik przy $7,15 za zadanie przy maksymalnym wysiłku, wobec $23,80 dla GPT-6 Astra i $45,21 dla Claude Fable 5.2.

Wykres Terminal-Bench-Science 0.1: GPT-6.2 Astra ma najwyższy wynik za ułamek kosztu na zadanie Claude Fable 5.2 i GPT-6 Astra

Który poziom wybrać?

Domyślnie wybierz GPT-6.2 Sol, a do GPT-6.2 Astra eskaluj w razie potrzeby. Sol kosztuje jedną czwartą ceny tokena Astry i w kodowaniu oddaje mniej niż punkt.

Który poziom GPT-6.2 wybrać: Sol do codziennego kodowania i pętli agentów, Astra do slajdów, arkuszy, draftów prawnych, CAD, symulacji i prac naukowych

GPT-6.2 Astra sama przedstawiła ten argument przeciw sobie na własnym decku:

Slajd stworzony przez GPT-6.2 Astra: Sol niemal dorównuje Astrze w FrontierCode przy $1,29 za zadanie kodowe

Slajd: GPT-6.2 Astra

Oba modele w wykresach OpenAI mają pięć poziomów wysiłku rozumowania, od niskiego do maksymalnego, i to ustawienie ma równie duże znaczenie co poziom modelu. W Agents' Last Exam Sol na wysokim wysiłku (72,0% przy $0,69 za zadanie) ląduje około punkt za GPT-6 Astra na maksymalnym wysiłku (73,1% przy $8,99), za jedną trzynastą kosztu. Tryb Ultrafast jest dostępny dla obu modeli w API oraz dla subskrybentów Pro 500 w ChatGPT.

Use casePoziomDlaczego
Codzienne kodowanie, refaktoryzacje i reviewSolW granicach 0,5 punktu od Astry w FrontierCode 2.0 przy około jednej piątej kosztu
Wysokowolumenowe pętle agentów i automatyzacjeSol$2 / $10 za milion tokenów, bez zmian względem GPT-6.1 Sol
Decki dla klientów, arkusze finansowe i memaAstraDopasowanie do szablonu i prowadzenie w GDPval v2 to cechy Astry
Redagowanie i research prawniczyAstra15,0% w Harvey LAB-AA wobec 11,1% u Sol
CAD, symulacje i analizy naukoweAstraOkoło 9 punktów przewagi nad Solem w BenchCAD i Terminal-Bench-Science

Testy GPT-6.2 Astra: przykłady praktyczne

Powyższe benchmarki pochodzą od OpenAI, więc przeprowadziłem 2 testy na GPT-6.2 Astra i jej poprzedniku, GPT-6 Astra, z identycznymi promptami i identycznymi narzędziami. W teście dashboardu oba modele działały w OpenCode z przypiętym zestawem narzędzi (czytanie, wyszukiwanie i edycja plików), tym samym wysokim wysiłkiem rozumowania, jedną próbą i świeżą sesją.

Test 1: Uczciwy dashboard z bałaganiastych danych

Zadanie: zbudować jednoplikowy dashboard HTML z pliku CSV o zarobkach i zatrudnieniu dla 173 kierunków studiów w USA, dla doradcy zawodowego porównującego kierunki dla klientów. Miał porównywać kategorie pod kątem zarobków i zatrudnienia, wyciągać najwyżej i najniżej opłacane kierunki, osadzić dane zamiast je pobierać oraz zmieścić się na ekranie 1440×900.

Prawdziwy test tkwi w danych, które mają problemy, o których prompt nie wspomina:

  • Najlepszy zarobkowo kierunek, Inżynieria naftowa z $110 000, opiera się na próbie 36 osób, a 76 z 173 kierunków ma próbę poniżej 100.
  • Najsłabiej płatny, Bibliotekoznawstwo z $22 000, opiera się na próbie 2 osób.
  • Food Science nie ma sum dla absolwentów studiów magisterskich.
  • Kategorie rozciągają się od pojedynczego kierunku (Interdyscyplinarne, 12 296 absolwentów) do 13 kierunków z 1,3 mln absolwentów (Biznes), więc sposób uśredniania ma znaczenie.

To jednocześnie sprawdza 2 tezy na start: lepsze analityczne arkusze Astry i jej efektywność, z mniejszą liczbą tokenów wyjściowych przy lepszych wynikach. Oto co wygenerowała GPT-6.2 Astra:

Dashboard GPT-6.2 Astra szereguje kategorie wg nieważonej mediany median kierunków, co daje Zdrowie na 10. miejscu z $35 000

Najważniejsze wnioski:

  • Oba modele dostarczyły działający dashboard za pierwszym razem. Każdy osadził wszystkie 173 kierunki, narysował własne wykresy SVG bez biblioteki, zmieścił się na jednym ekranie i załadował bez błędów.
  • Odczytały te same dane inaczej, co zmieniło kolejność kategorii. GPT-6.2 Astra szeregowała każdą kategorię według mediany median jej kierunków, przez co kierunek z kilkoma tysiącami absolwentów liczy się tak samo jak ten z 200 000. GPT-6 Astra ważyła każdy kierunek liczbą absolwentów. Efekt: Zdrowie jest 10. z $35 000 na dashboardzie GPT-6.2 Astra i 4. z $40,6 tys. na GPT-6 Astra, bo pielęgniarstwo z 209 394 absolwentami i medianą $48 000 liczy się proporcjonalnie.
  • GPT-6 Astra również wyeksponowała wielkości prób. Jej główna tabela pokazuje, że top 4 zarobkowe kierunki opierają się na próbach 36, 7, 3 i 16. GPT-6.2 Astra pokazuje je dopiero po wybraniu kierunku, z jednolinijkowym ostrzeżeniem o niestabilnych rankingach.
  • GPT-6.2 Astra była tańsza i „chudsza”. Kosztowała $1,79 wobec $2,93 dla GPT-6 Astra, z 27 821 tokenami wyjściowymi wobec 35 298.

Przyjrzyjmy się bliżej wersji GPT-6 Astra. Porównaj jej wykres kategorii z tym z GPT-6.2 Astra powyżej: Zdrowie tu jest 4., tam 10., a Biologia i nauki o życiu spadają z 6. na 11.

Dashboard GPT-6 Astra waży zarobki kategorii liczbą absolwentów, co daje Zdrowie na 4. miejscu z $40,6 tys. i pokazuje kolumnę z wielkością próby przy każdym kierunku

Obie metody są poprawne matematycznie i GPT-6.2 Astra etykietuje wykres jako medianę median kierunków. Ale doradcę zawodowego interesuje, gdzie faktycznie trafiają absolwenci, i tylko wersja ważona liczbą absolwentów na to odpowiada.

Test 2: Deck slajdów ze zrzutu szablonu

Zadanie: zamienić notatki badawcze do tego artykułu w 5‑slajdowy deck dla menedżerów inżynierii decydujących o ewentualnej zmianie, w stylu jednego slajdu szablonu. Modele dostały szablon wyłącznie jako zrzut ekranu, a prompt prosił o dopasowanie „aż po rozmiary czcionek” bez podawania fontu czy rozmiarów.

To bezpośrednio testuje tezę OpenAI o slajdach. Ponieważ modele musiały zobaczyć obraz, każda wykonała pojedyncze wywołanie API przez OpenRouter, przy tym samym wysokim wysiłku rozumowania, a ja dodałem GPT-6.2 Sol, bo decki to codzienna praca. Oto widziany szablon, który zaprojektowałem do testu:

Szablon slajdu podany modelom: slajd w stylu DataCamp z zielonym paskiem akcentowym, tytułem z puentą, trzema punktami i szarą kartą ze statystyką

Najważniejsze wnioski:

  • Wszystkie 3 modele odtworzyły szablon wyłącznie na podstawie zrzutu. Każdy zidentyfikował font jako Poppins i zachował zielony pasek akcentowy, linię wprowadzającą (kicker), szarą kartę ze statystyką, źródło i numer strony. Każdy tytuł przekazuje puentę, jak w szablonie.
  • Wszystkie 3 dopasowały szablon na tyle, że gołym okiem nie odróżnisz. Sprawdzone w przeglądarce, tylko GPT-6.2 Sol trafił dokładnie w rozmiary fontów szablonu. Astra, o której OpenAI mówi, że dopasowuje „aż po rozmiar czcionki”, pomyliła się o piksel lub dwa.
  • GPT-6.2 Astra była oszczędniejsza z obydwu Astr. Kosztowała $0,22 i 4 968 tokenów wyjściowych, wobec $0,59 i 11 247 dla GPT-6 Astra. Sol kosztował $0,07.

Pięć slajdów Astry to podpisane slajdy, które widziałeś w tym artykule, i każda liczba na nich zgadza się z moimi notatkami. Deck GPT-6 Astra był równie użyteczny, więc w tym zadaniu generacje się nie rozdzielają.

Czy więc GPT-6.2 Astra to realny krok naprzód? Pod względem kosztu tak: ukończyła oba testy o 39% do 63% taniej, co zgadza się z tezą OpenAI o efektywności. Pod względem osądu – nie do końca: starszy model był tym, który zważył dane tak, jak potrzebuje doradca zawodowy, a slajdy wyszły porównywalne.

Jedno uruchomienie na zadanie nie uszereguje dwóch modeli, ale pasuje do własnego wniosku OpenAI o Blocker Deception: sprawdzaj, co GPT-6.2 Astra pomija, nie tylko co buduje.

Ceny i dostępność GPT-6.2 Astra i Sol

GPT-6.2 Astra jest o 20% tańsza niż GPT-6 Astra na tokenach wejścia i wyjścia oraz o 60% tańsza na cache’owanym wejściu, podczas gdy GPT-6.2 Sol utrzymuje ceny GPT-6.1 Sol. Standardowe stawki API za milion tokenów:

ModelWejścieCache’owane wejścieWyjście
GPT-6.2 Astra$8.00$0.40$40.00
GPT-6.2 Sol$2.00$0.10$10.00

Niższe ceny to tylko część oszczędności. Ponieważ oba modele używają mniej tokenów wyjściowych, koszt na zadanie spada jeszcze bardziej, dlatego przebieg Astry w Agents' Last Exam kosztuje mniej niż jedną trzecią GPT-6 Astra. OpenAI zaleca też pozostawianie niezmienionych prefiksów promptu i dopisywanie nowych instrukcji, żeby zwiększyć trafienia w cache i zachować rozumowanie między turami.

Podsumowanie nowych cen autorstwa Astry:

Slajd stworzony przez GPT-6.2 Astra: Astra kosztuje mniej, a ceny API Sol pozostają bez zmian; Astra jest o 20% tańsza na token wejścia i wyjścia niż GPT-6 Astra

Slajd: GPT-6.2 Astra

W ChatGPT oba modele są dostępne dla użytkowników Plus, Pro, Enterprise i Edu w ChatGPT Work i Codex od dnia premiery. Użytkownicy Enterprise i Edu dostają dostęp po włączeniu przez administratora przestrzeni roboczej.

Ultrafast jest dostępny z obydwoma modelami dla subskrybentów Pro 500, a subskrybenci Pro 200 dostają go po raz pierwszy, zaczynając od GPT-6.2 Sol. Ogłoszenie OpenAI nie wspomina o planie Free.

Jak uzyskać dostęp do GPT-6.2 Astra i Sol?

Oba modele są ogólnie dostępne w OpenAI API jako gpt-6.2-astra i gpt-6.2-sol, a Ultrafast jest dostępny dla obu od premiery. Minimalne wywołanie z użyciem OpenAI Python SDK wygląda tak:

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)

Oba modele są też dostępne na OpenRouter (openai/gpt-6.2-astra i openai/gpt-6.2-sol) oraz w katalogu modeli OpenCode. 

Pełną implementację z poprzedniej generacji znajdziesz w naszym samouczku API GPT-6 Astra i samouczku GPT-6.1 Sol; główna zmiana to przełączenie identyfikatora modelu.

Ostatnie myśli

GPT-6.2 to obniżka cen, którą OpenAI zamieniło w wydanie możliwości. Astra pokonuje GPT-6 Astra we wszystkich benchmarkach pracy profesjonalnej, które raportuje OpenAI, przy jednej trzeciej kosztu na zadanie, a Sol jest na tyle blisko w kodowaniu, że większość zespołów powinna zacząć od niego.

To nie rozstrzyga wyścigu jako całości. Claude Fable 5.2 wciąż prowadzi w FrontierCode i Intelligence Index, Gemini 4 Carbon prowadzi w AutomationBench, a w naszych testach starsza Astra rozsądniej odczytała nieuporządkowany zbiór danych. Ale na twoim miejscu już dziś przeszedłbym z GPT-6 Astra ze względu na oszczędności.

Slajd stworzony przez GPT-6.2 Astra: użyj własnych zadań, by zdecydować, gdzie się przełączyć; Astra używa o 22% mniej tokenów wyjściowych w GDPval v2

Slajd: GPT-6.2 Astra

Jeśli chcesz dowiedzieć się więcej o budowaniu z wykorzystaniem modeli OpenAI, polecam nasz kurs Working with the OpenAI API.

FAQs

Czym jest GPT-6.2 Astra i czym różni się od GPT-6.2 Sol?

GPT-6.2 Astra to model frontier OpenAI do wymagającej pracy profesjonalnej, takiej jak slajdy, arkusze finansowe, redagowanie dokumentów prawnych i CAD. GPT-6.2 Sol to tańszy model na co dzień do kodowania, pisania i pętli agentów. Sol kosztuje jedną czwartą ceny tokena Astry i traci do 0,5 punktu do Astry w FrontierCode 2.0, podczas gdy Astra prowadzi w benchmarkach profesjonalnych i naukowych.

Ile kosztuje GPT-6.2 Astra w API?

GPT-6.2 Astra kosztuje $8 za milion tokenów wejściowych, $0,40 za milion cache’owanych tokenów wejściowych i $40 za milion tokenów wyjściowych. To o 20% mniej niż w GPT-6 Astra na wejściu i wyjściu oraz o 60% mniej na cache’owanym wejściu. GPT-6.2 Sol kosztuje $2, $0,10 i $10, tak samo jak GPT-6.1 Sol.

Czy GPT-6.2 Astra jest lepsza niż GPT-6 Astra?

W benchmarkach OpenAI – tak: GPT-6.2 Astra pokonuje GPT-6 Astra we wszystkich wynikach pracy profesjonalnej, np. Agents' Last Exam (78,3% vs 73,1%), przy około jednej trzeciej kosztu na zadanie. W naszych 2 testach praktycznych też była tańsza, ale GPT-6 Astra sensowniej zważyła bałaganiasty zestaw danych.

Gdzie mogę uzyskać dostęp do GPT-6.2 Astra i GPT-6.2 Sol?

Oba modele są dostępne w ChatGPT Work i Codex dla użytkowników Plus, Pro, Enterprise i Edu, a dostęp dla Enterprise i Edu włącza administrator przestrzeni roboczej. Programiści mogą wywoływać gpt-6.2-astra i gpt-6.2-sol w OpenAI API, a oba są też na OpenRouter.

Czy do kodowania używać GPT-6.2 Sol czy GPT-6.2 Astra?

Używaj GPT-6.2 Sol do większości zadań kodowych. W FrontierCode 2.0 uzyskuje 43,8% wobec 44,2% Astry przy maksymalnym wysiłku, za $1,29 za zadanie zamiast $5,97. Przełącz się na Astrę przy kodzie wrażliwym na bezpieczeństwo, gdzie prowadzi na SecureSWE, lub przy CAD i pracy naukowej.

Tematy