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.
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.)
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:
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: 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.
Najbliżej jest Gemini 4 Carbon z 77,4%, ale kosztuje $4,60 za zadanie. Reszta wyników pracy profesjonalnej układa się podobnie:
Benchmark
Co mierzy
GPT-6.2 Astra
GPT-6.2 Sol
GPT-6 Astra
GPT-6.1 Sol
Claude Fable 5.2
Agents' Last Exam v1.1
Długohoryzontowe przepływy pracy profesjonalnej
78.3%
73.0%
73.1%
72.5%
72.8%
GDPval v2 (OpenAI internal)
Wieloetapowe zadania konsultingowe, finansowe i projektowe
50.4%
46.9%
44.2%
41.5%
44.8%
Harvey LAB-AA v1.1
Produkty prawne spełniające wszystkie kryteria
15.0%
11.1%
8.6%
6.9%
7.2%
AutomationBench 1.0.6
Automatyzacja przepływów biznesowych
52.4%
41.2%
41.4%
36.1%
51.4%
LifeVal (OpenAI)
Wymagające zadania dnia codziennego
86.1%
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.
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.
Benchmark
Co mierzy
GPT-6.2 Astra
GPT-6.2 Sol
GPT-6 Astra
GPT-6.1 Sol
Claude Fable 5.2
FrontierCode 2.0
Zmiany w kodzie spełniające standardy maintainerów do zmergowania
44.2%
43.8%
42.8%
39.0%
49.1%
SecureSWE (OpenAI internal)
Funkcjonalny i bezpieczny kod dla komponentów wrażliwych na bezpieczeństwo
65.7%
55.6%
48.7%
49.7%
n/a
PatchBench
Łatki bezpieczeństwa
79.7%
75.6%
70.9%
71.0%
n/a
ExploitBench Internal Port
Wskaźnik wykonania dowolnego kodu w V8 i Chrome
53.5%
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.
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.
Benchmark
Co mierzy
GPT-6.2 Astra
GPT-6.2 Sol
GPT-6 Astra
GPT-6.1 Sol
Claude Fable 5.2
Terminal-Bench-Science 0.1
Naukowe przepływy pracy w terminalu
77.1%
68.0%
68.1%
57.0%
73.3%*
Vals Science Index v1
Interpretacja danych biologicznych i prowadzenie eksperymentów
68.4%
58.5%
65.1%
59.6%
63.7%
BenchCAD 2.1 Core
Zadania modelowania CAD
82.5%
73.1%
62.6%
52.6%
83.5%
Artificial Analysis Intelligence Index v5.0.1
Złożony z 9 ewaluacji (wynik indeksu)
62.1
57.3
56.9
54.6
64.6
GPQA Diamond (bez narzędzi)
Pytania naukowe na poziomie magisterskim
97.0%
96.0%
96.0%
n/a
n/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.
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.
GPT-6.2 Astra sama przedstawiła ten argument przeciw sobie na własnym decku:
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 case
Poziom
Dlaczego
Codzienne kodowanie, refaktoryzacje i review
Sol
W granicach 0,5 punktu od Astry w FrontierCode 2.0 przy około jednej piątej kosztu
Wysokowolumenowe pętle agentów i automatyzacje
Sol
$2 / $10 za milion tokenów, bez zmian względem GPT-6.1 Sol
Decki dla klientów, arkusze finansowe i mema
Astra
Dopasowanie do szablonu i prowadzenie w GDPval v2 to cechy Astry
Redagowanie i research prawniczy
Astra
15,0% w Harvey LAB-AA wobec 11,1% u Sol
CAD, symulacje i analizy naukowe
Astra
Około 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:
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.
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:
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:
Model
Wejście
Cache’owane wejście
Wyjście
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: 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)Obsługiwane przez
Oba modele są też dostępne na OpenRouter (openai/gpt-6.2-astra i openai/gpt-6.2-sol) oraz w katalogu modeli OpenCode.
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: 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.
Rozpocznij swoją przygodę z tworzeniem aplikacji opartych na AI z OpenAI API. Poznaj funkcjonalność stojącą za popularnymi aplikacjami AI, takimi jak ChatGPT.
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
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:
Oto historia kosztów na jednym slajdzie, zbudowanym przez GPT-6.2 Astra. (Ulepszone slajdy to jedna z funkcji. Do tego dojdziemy.)
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:
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: 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.
Najbliżej jest Gemini 4 Carbon z 77,4%, ale kosztuje $4,60 za zadanie. Reszta wyników pracy profesjonalnej układa się podobnie:
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.
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.
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.
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.
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.
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.
GPT-6.2 Astra sama przedstawiła ten argument przeciw sobie na własnym decku:
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.
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:
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:
Najważniejsze wnioski:
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.
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:
Najważniejsze wnioski:
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:
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: 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-astraigpt-6.2-sol, a Ultrafast jest dostępny dla obu od premiery. Minimalne wywołanie z użyciem OpenAI Python SDK wygląda tak:Oba modele są też dostępne na OpenRouter (
openai/gpt-6.2-astraiopenai/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: GPT-6.2 Astra
Jeśli chcesz dowiedzieć się więcej o budowaniu z wykorzystaniem modeli OpenAI, polecam nasz kurs Working with the OpenAI API.