Hoppa till huvudinnehållet

GPT-6.2 Astra och Sol: funktioner, riktmärken, tester och priser

OpenAI:s GPT-6.2 Astra och Sol sänker kostnaden per uppgift kraftigt. Vi går igenom vad som är nytt, riktmärkena, vilken nivå du ska välja, priser och ett praktiskt test mot GPT-6 Astra.

Skapa ditt gratiskonto

Öva och håll koll på dina framsteg.

Fortsätt med GoogleGenom att fortsätta godkänner du vår användarvillkor, våra integritetspolicy och att dina uppgifter lagras i USA.

November har varit en tät månad för frontmodeller. Anthropic släppte Claude Fable 5.2, Google har Gemini 4 Carbon ute, och idag, efter en vecka av spekulationer, svarade OpenAI med två modeller på en gång: GPT-6.2 Astra och GPT-6.2 Sol.

GPT-6.2 Astra är OpenAI:s nya frontmodell för tungt professionellt arbete, som presentationer, finansiella arbetsböcker, juridiskt författande, CAD och långa agentkörningar. GPT-6.2 Sol är den billigare vardagsmodellen för kodning, skrivande och agentloopar, och den hamnar nära Astra på kodning för ungefär en fjärdedel av tokenpriset.

Jag nämnde just deras skillnader, men båda kostar lika mycket eller mindre per uppgift än modellerna de ersätter: i API:t är Astras in- och utdata 20% billigare än GPT-6 Astra, och Sol behåller GPT-6.1 Sols priser.

I den här artikeln går jag igenom allt som är nytt med GPT-6.2 Astra och Sol, tittar på de nya funktionerna, utforskar riktmärkena och sätter Astra på prov med 2 praktiska tester mot GPT-6 Astra. 

Som du ser släpps nya modeller i snabb takt. För att hänga med i AI- och datavärlden, prenumerera gärna på vårt veckobrev, The Median.

TL;DR

  • GPT-6.2 Astra är OpenAI:s nya flaggskepp för tungt professionellt arbete; GPT-6.2 Sol är vardagsmodellen.
  • Den stora vinsten är kostnad per uppgift: Astra gör mer för betydligt mindre än GPT-6 Astra.
  • Sol hamnar nära Astra på kodning till en bråkdel av priset, så den bör vara ditt standardval.
  • Claude Fable 5.2 leder fortfarande flera riktmärken för kodning och resonemang, så OpenAI tar inte storslam.
  • I våra praktiska tester var Astra betydligt billigare än GPT-6 Astra, men GPT-6 Astra läste ett stökigt dataset mer förnuftigt.
  • Byt om du betalar för GPT-6 Astra idag; besparingarna i sig motiverar det.

Vad är GPT-6.2 Astra och Sol?

GPT-6.2 Astra ersätter GPT-6 Astra i toppen, och Sol ersätter GPT-6.1 Sol ett steg ned. Två saker skiljer dem från förra generationen:

  • Något smartare, mycket billigare per uppgift. OpenAI:s egen kapacitetsindex placerar Astra bara 1,7 poäng över GPT-6 Astra, men dess kostnad per uppgift föll med mer än hälften på flera riktmärken.
  • En ny riskklassning. Astra är den första modellen OpenAI släppt som uppfyller dess höga tröskel för AI-självförbättring, så den levereras med OpenAI:s strängaste skydd hittills.

Här är kostnadsbilden på en sida, skapad av GPT-6.2 Astra. (Förbättrade slides är en av funktionerna. Vi återkommer till det.)

Slide skapad av GPT-6.2 Astra: Astra får högre poäng på agentuppgifter för mindre, på $2,89 per uppgift på Agents' Last Exam

Viktigaste funktionerna i GPT-6.2 Astra och Sol

Det mesta som är nytt siktar på professionell output och effektivitet snarare än rå intelligens. Här är de fyra förändringarna som spelar roll.

Bygg presentationer, arbetsböcker och dokument som följer din mall

GPT-6.2 Astra kan ta en presentationsmall, som originalfil eller till och med en skärmdump, och matcha dess layout, färger och typografi ned till teckenstorlek. OpenAI tränade den på konventioner inom områden som juridik, sälj, finans och redovisning, med rubriker som anger huvudpoängen och mindre utfyllnad i brödtexten.

Jag testade den nya funktionen genom hela artikeln, inklusive sliden ovan. Astra skrev varje slide som HTML, som jag renderade till en bild utan ändringar. 

Samma träning syns i kalkylark. På Artificial Analysis AA-AnalystAgent, som ber modeller hitta siffror i riktiga kalkylark och rapporter, svarade Astra rätt på 62,5% av frågorna i alla fem oberoende försök, ett nytt toppresultat enligt OpenAI. ClickUp rapporterar att Astra knappt slog dess produktionsmodell i blindtester av de appar, instrumentpaneler och slides som ClickUp Brain bygger, med cirka 30% färre granskningsrundor.

Arbeta i CAD- och simuleringsverktyg med datoranvändning

GPT-6.2 Astras datoranvändning fungerar nu ned till enskilda delar och kopplingar i CAD- och simuleringsverktyg. Vi räknar med att detta är stort för mekanikk- och produktingenjörer. OpenAI:s demo inkluderar en bils chassidynamik simulerad med en Python-lösare och animerad i Blender, en RC-buggy i skala 1:8 modellerad del för del från offentliga foton och byggmanualer, och en papperslampa designad från referensfoton via CAD-revisioner.

Vi kan inte enkelt bygga ett eget CAD-projekt för att testa detta, så här är OpenAI:s körsimulationsdemo. Astra byggde 3D-bilen, skrev Python-lösaren för däck och fjädring och animerade resultatet i Blender:

OpenAI:s demo av en GPT-6.2 Astra-körsimulering: en bil på en bergsväg bredvid vyer av fram- och bakfjädring, däckens kontaktkraft, en friktionscirkel, förarinmatningar och drivlinesiffror

Källa: OpenAI

Få mer gjort per token i agentarbetsflöden

Båda modellerna når bättre resultat med färre utdata-token, vilket är där största delen av besparingarna kommer ifrån. På OpenAI:s interna GDPval v2 får GPT-6.2 Astra 6,2 poäng mer än GPT-6 Astra samtidigt som den använder 22% färre utdata-token. Astra väljer också sina verktyg bättre, inklusive när en plugin ska användas istället för datoranvändning, och Basis rapporterar att dess genomsnittliga tid för redovisning med lång horisont halverades.

Systemkortet har också bättre nyheter om promptinjektion, där dolda instruktioner i ett e-postmeddelande eller på en webbsida försöker kapa agenten. Astras slide sammanfattar säkerhetsavvägningarna:

Slide skapad av GPT-6.2 Astra: båda modellerna motstår fler promptinjektioner, med Sol som motstår 91,65%

Slide av GPT-6.2 Astra

Skriv säkrare kod, inom stramare skydd

GPT-6.2 Astra och Sol hittar och utnyttjar sårbarheter mer effektivt, och OpenAI lade till träningssignaler för att skriva säker kod och patchar som bevarar avsedd funktionalitet. Båda uppfyller den kritiska tröskeln för cybersäkerhet enligt OpenAI:s Preparedness Framework, liksom GPT-6 Astra gjorde.

Avvägningen är fler vägran. OpenAI lanserade båda modellerna med stramare skydd som också begränsar viss legitim sårbarhetsforskning och säkerhetstestning. Godkända försvarare använder fortfarande GPT-6 Astra och GPT-6 Cyber, som blev tillgänglig för två veckor sedan, via OpenAI Daybreak.

Hur presterar GPT-6.2 Astra och Sol på riktmärkena?

GPT-6.2 Astra leder OpenAI:s riktmärken för professionellt arbete och vetenskap, men Claude Fable 5.2 leder flera resultat inom kodning och resonemang. 

I följande tabeller är alla poäng rapporterade av leverantörer. Jag gjorde bästa poängen i varje rad fet.

Professionellt arbete och agentiska arbetsflöden

På Agents' Last Exam v1.1, som testar långa, flerledade professionella arbetsflöden, får GPT-6.2 Astra 78,3% till $2,89 per uppgift. GPT-6 Astra får 73,1% till $8,99 per uppgift, och Claude Fable 5.2 får 72,8% till $60,05.

Diagram för Agents' Last Exam v1.1: GPT-6.2 Astra får 78,3% till $2,89 per uppgift, före Gemini 4 Carbon på 77,4% ($4,60), GPT-6 Astra på 73,1% ($8,99) och Claude Fable 5.2 på 72,8% ($60,05)

Gemini 4 Carbon kommer närmast med 77,4%, men kostar $4,60 per uppgift. Resten av resultaten för professionellt arbete följer samma mönster:

BenchmarkVad det mäterGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
Agents' Last Exam v1.1Långsiktiga professionella arbetsflöden78.3%73.0%73.1%72.5%72.8%
GDPval v2 (OpenAI internt)Flerstegsuppdrag i konsulting, finans och design50.4%46.9%44.2%41.5%44.8%
Harvey LAB-AA v1.1Juridiska leverabler som uppfyller varje kriterium15.0%11.1%8.6%6.9%7.2%
AutomationBench 1.0.6Automatisering av affärsarbetsflöden52.4%41.2%41.4%36.1%51.4%
LifeVal (OpenAI)Utmana nde vardagsuppgifter86.1%83.8%79.8%79.5%n/a

Astra leder varje rad här bland modellerna i tabellen, och fördubblar Fable 5.2 på Harveys juridiska riktmärke. Gemini 4 Carbon ligger fortfarande snäppet före på AutomationBench med 53,9%, och på GDPval v2 ligger Carbons 48,8% mellan Astra och Sol.

OpenAI:s GDPval v2-diagram visar var besparingarna kommer ifrån: för samma antal utdata-token når de nya modellerna högre poäng än de de ersätter.

Diagram för GDPval v2: GPT-6.2 Astra och Sol når högre poäng än GPT-6 Astra och GPT-6.1 Sol med färre utdata-token vid varje resonemangsinsats

Kodning och säkerhet

Kodning är där Sol förtjänar sin plats: på FrontierCode 2.0 får den 43,8% till $1,29 per uppgift, mot Astras 44,2% till $5,97.

BenchmarkVad det mäterGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
FrontierCode 2.0Kodändringar som uppfyller underhållarnas krav för att mergas44.2%43.8%42.8%39.0%49.1%
SecureSWE (OpenAI internt)Funktionell och säker kod för säkerhetskänsliga komponenter65.7%55.6%48.7%49.7%n/a
PatchBenchSäkerhetspatchar79.7%75.6%70.9%71.0%n/a
ExploitBench Internal PortGodtycklig kodexekveringsgrad över V8 och Chrome53.5%50.5%31.5%21.5%n/a

Claude Fable 5.2 behåller ledningen på FrontierCode 2.0, och Claude Opus 5.5 vid maxinsats (45,5%) slår också båda GPT-6.2-modellerna där. Säkerhetsraderna är där generationssprånget är tydligast, även om OpenAI inte rapporterade Fable 5.2 på någon av dem.

OpenAI:s FrontierCode-diagram talar för Sol: vid maxinsats når den Astras poäng för ungefär en femtedel av kostnaden per uppgift.

Diagram för FrontierCode 2.0: GPT-6.2 Sol når ungefär Astras poäng till en bråkdel av kostnaden per uppgift, medan Claude Fable 5.2 får högst poäng till ett mycket högre pris

Vetenskap, CAD och allmänt resonemang

På Terminal-Bench-Science 0.1, som testar vetenskapligt arbete i en terminal, får GPT-6.2 Astra 77,1%, 9 poäng över GPT-6 Astra till mindre än en tredjedel av kostnaden per uppgift.

BenchmarkVad det mäterGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
Terminal-Bench-Science 0.1Vetenskapliga forskningsarbetsflöden i en terminal77.1%68.0%68.1%57.0%73.3%*
Vals Science Index v1Tolka biologiska data och köra experiment68.4%58.5%65.1%59.6%63.7%
BenchCAD 2.1 CoreCAD-modelleringsuppgifter82.5%73.1%62.6%52.6%83.5%
Artificial Analysis Intelligence Index v5.0.1Sammansatt av 9 utvärderingar (indexpoäng)62.157.356.954.664.6
GPQA Diamond (utan verktyg)Forskarutbildningsnivå på naturvetenskapliga frågor97.0%96.0%96.0%n/an/a

Fable 5.2 leder fortfarande Intelligence Index och BenchCAD, men till $26,54 och $50,77 per uppgift mot Astras $4,00 och $5,43. Om du behöver absolut bästa CAD-output är Fable fortfarande valet; om du behöver det många gånger om dagen tar Astra dig 99% av vägen för ungefär en tiondel av priset.

På Terminal-Bench-Science når Astra toppresultatet till $7,15 per uppgift vid maxinsats, mot $23,80 för GPT-6 Astra och $45,21 för Claude Fable 5.2.

Diagram för Terminal-Bench-Science 0.1: GPT-6.2 Astra får högst poäng till en bråkdel av Claude Fable 5.2:s och GPT-6 Astras kostnad per uppgift

Vilken nivå ska du använda?

GPT-6.2 Sol bör vara ditt standardval, och GPT-6.2 Astra modellen du eskalerar till. Sol kostar en fjärdedel av Astras tokenpris, och på kodning tappar den mindre än en poäng.

Vilken GPT-6.2-nivå du ska använda: Sol för vardaglig kodning och agentloopar, Astra för presentationer, arbetsböcker, juridiska utkast, CAD, simulering och vetenskapligt arbete

GPT-6.2 Astra framförde samma argument mot sig själv i sin egen deck:

Slide skapad av GPT-6.2 Astra: Sol matchar nästan Astra på FrontierCode till $1,29 per koduppgift

Slide av GPT-6.2 Astra

Båda modellerna exponerar fem resonemangsinsatser i OpenAI:s diagram, från låg till max, och insatsnivån spelar lika stor roll som nivån. På Agents' Last Exam landar Sol vid hög insats (72,0% till $0,69 per uppgift) ungefär en poäng bakom GPT-6 Astra vid maxinsats (73,1% till $8,99) för en trettondel av kostnaden. Ultrafast-läget finns för båda modellerna i API:t och för Pro 500-prenumeranter i ChatGPT.

AnvändningsfallNivåVarför
Vardaglig kodning, refaktorering och kodgranskningSolInom 0,5 poäng från Astra på FrontierCode 2.0 till ungefär en femtedel av kostnaden
Agentloopar och automatisering i hög volymSol$2 / $10 per miljon token, oförändrat från GPT-6.1 Sol
Kundklara presentationer, finansiella arbetsböcker och PMAstraMallmatchning och ledningen på GDPval v2 är Astra-specifikt
Juridiskt skrivande och researchAstra15,0% på Harvey LAB-AA mot Sols 11,1%
CAD, simulering och vetenskaplig analysAstraUngefär 9 poäng före Sol på BenchCAD och Terminal-Bench-Science

Test av GPT-6.2 Astra: praktiska exempel

Riktmärkena ovan är OpenAI:s egna, så jag körde 2 tester mot GPT-6.2 Astra och dess föregångare, GPT-6 Astra, med identiska promptar och identiska verktyg. För instrumentpanelstestet kördes båda modellerna i OpenCode med en låst verktygsyta (läsa, söka och redigera filer endast), samma höga resonemangsinsats, ett försök och en ny session.

Test 1: En ärlig instrumentpanel från stökiga data

Uppgiften: bygg en HTML-instrumentpanel i en enda fil från en CSV med inkomster och sysselsättningsutfall för 173 amerikanska högskoleinriktningar, för en karriärrådgivare som jämför områden för klienter. Den skulle jämföra kategorier på inkomster och sysselsättning, lyfta fram de högst och lägst betalda inriktningarna, bädda in datat istället för att hämta det, och rymmas på en 1440×900-skärm.

Det verkliga testet finns i datat, som har problem som prompten aldrig nämner:

  • Topptjänaren, Petroleum Engineering på $110 000, bygger på ett enkäturval av 36 personer, och 76 av de 173 inriktningarna har urval under 100.
  • Lägst betalt, Library Science på $22 000, bygger på ett urval av 2.
  • Food Science saknar totalsiffror för master-/doktorander.
  • Kategorierna spänner från en enda inriktning (Interdisciplinary, 12 296 utexaminerade) till 13 inriktningar med 1,3 miljoner utexaminerade (Business), så hur du medelvärdesbildar spelar roll.

Det prövar 2 lanseringspåståenden samtidigt: Astras bättre analytiska arbetsböcker och dess effektivitet, med färre utdata-token för bättre resultat. Här är vad GPT-6.2 Astra producerade:

GPT-6.2 Astras instrumentpanel rangordnar kategorier efter en oviktad median av inriktningsmedianer, vilket placerar Health på 10:e plats med $35 000

Huvudfynden:

  • Båda modellerna levererade en fungerande instrumentpanel på första försöket. Var och en bäddade in alla 173 inriktningar, ritade egna SVG-diagram utan bibliotek, rymdes på en skärm och laddade utan fel.
  • De läste samma data olika, och det ommöblerar kategorierna. GPT-6.2 Astra rangordnade varje kategori efter medianen av dess inriktningsmedianer, vilket räknar en inriktning med några tusen utexaminerade lika som en med 200 000. GPT-6 Astra viktade varje inriktning efter antalet utexaminerade. Resultatet: Health hamnar 10:a på $35 000 i GPT-6.2 Astras instrumentpanel och 4:a på $40,6k i GPT-6 Astras, eftersom sjuksköterskeutbildningen, med 209 394 utexaminerade och $48 000 i median, räknas för vad den är.
  • GPT-6 Astra lyfte också fram stickprovsstorlekar. Dess huvudtabell visar att de 4 bäst betalda bygger på stickprov på 36, 7, 3 och 16. GPT-6.2 Astra visar dem först när du väljer en inriktning, med en enradig varning om instabila rankningar.
  • GPT-6.2 Astra var billigare och mer återhållsam. Den kostade $1,79 mot $2,93 för GPT-6 Astra, med 27 821 utdata-token mot 35 298.

Låt oss titta närmare på GPT-6 Astras version. Jämför dess kategoridiagram med GPT-6.2 Astras ovan: Health ligger 4:a här och 10:a där, och Biology & Life Science faller från 6:a till 11:a.

GPT-6 Astras instrumentpanel viktar kategorilöner efter utexaminerade, vilket placerar Health 4:a på $40,6k, och visar en kolumn för stickprovsstorlek bredvid varje inriktning

Inget av sätten är fel matematiskt, och GPT-6.2 Astra märker sitt diagram som median av inriktningsmedianer. Men en karriärrådgivare vill veta var utexaminerade faktiskt hamnar, och bara den utexaminerade-viktade versionen svarar på det.

Test 2: En slide-deck från en mallskärmdump

Uppgiften: gör om forskningsanteckningarna bakom den här artikeln till en deck på 5 slides för teknikchefer som ska avgöra om de ska byta, i stilen från en mallslide. Modellerna fick mallen endast som skärmdump, och prompten bad dem matcha den ”ned till teckenstorlekarna” utan att namnge typsnitt eller någon storlek.

Det testar OpenAI:s slide-påstående direkt. Eftersom modellerna behövde se en bild kördes var och en som ett enda API-anrop via OpenRouter med samma höga resonemangsinsats, och jag lade till GPT-6.2 Sol, eftersom deckar är vardagsarbete. Detta är mallen de såg, som jag designade för testet:

Slide-mall given till modellerna: en DataCamp-liknande slide med en grön accentbar, en takeaway-rubrik, tre punkter och ett grått statistik-kort

Huvudfynden:

  • Alla 3 modeller återskapade mallen enbart från skärmdumpen. Var och en identifierade typsnittet som Poppins och behöll den gröna accentbaren, kicker-raden, det grå statistik-kortet, källraden och sidnumret. Varje rubrik anger en takeaway, som i mallen.
  • Alla 3 matchade mallen så väl att jag inte kunde skilja dem åt med blotta ögat. I webbläsaren var det bara GPT-6.2 Sol som träffade mallens teckenstorlekar exakt. Astra, modellen som OpenAI säger matchar mallar ”ned till teckenstorlek”, missade med en pixel eller två.
  • GPT-6.2 Astra var mest ekonomisk av de två Astra. Den kostade $0,22 och 4 968 utdata-token, mot $0,59 och 11 247 för GPT-6 Astra. Sol kostade $0,07.

Astras 5 slides är de bildtexter du sett i den här artikeln, och varje figur på dem stämmer med mina anteckningar. GPT-6 Astras deck var lika användbar, så i denna uppgift skiljer sig inte generationerna åt.

Är då GPT-6.2 Astra ett verkligt steg upp? På kostnad, ja: den avslutade båda testerna för 39% till 63% mindre, vilket matchar OpenAI:s effektivitetsanspråk. På omdöme, inte riktigt: den äldre modellen var den som viktade datat så som en karriärrådgivare behöver det, medan slidesen blev ungefär lika.

Ett körning per uppgift kan inte ranka två modeller, men det passar OpenAI:s eget Blocker Deception-fynd: granska vad GPT-6.2 Astra utelämnar, inte bara vad den bygger.

Priser och tillgänglighet för GPT-6.2 Astra och Sol

GPT-6.2 Astra är 20% billigare än GPT-6 Astra på in- och utdata-token och 60% billigare på cachad indata, medan GPT-6.2 Sol behåller GPT-6.1 Sols priser. Standardpriser i API:t per miljon token:

ModellIndataCachad indataUtdata
GPT-6.2 Astra$8.00$0.40$40.00
GPT-6.2 Sol$2.00$0.10$10.00

De lägre priserna är bara en del av besparingen. Eftersom båda modellerna använder färre utdata-token sjunker kostnaden per uppgift ytterligare, vilket är varför Astras körning på Agents' Last Exam kostar mindre än en tredjedel av GPT-6 Astras. OpenAI rekommenderar också att behålla promptprefix oförändrade och lägga till nya instruktioner, för att få fler cacheträffar och bevara resonemang över turer.

Astras egen sammanfattning av de nya priserna:

Slide skapad av GPT-6.2 Astra: Astra kostar mindre medan Sols API-priser ligger stilla, med Astra 20% billigare per in- eller utdata-token än GPT-6 Astra

Slide av GPT-6.2 Astra

I ChatGPT är båda modellerna tillgängliga för Plus-, Pro-, Enterprise- och Edu-användare i ChatGPT Work och Codex från lanseringsdagen. Enterprise- och Edu-användare får tillgång när deras arbetsyteadmin aktiverar det.

Ultrafast finns med båda modellerna för Pro 500-prenumeranter, och Pro 200-prenumeranter får det för första gången, med start i GPT-6.2 Sol. OpenAI:s tillkännagivande nämner inte Gratisplanen.

Hur får man tillgång till GPT-6.2 Astra och Sol?

Båda modellerna är allmänt tillgängliga i OpenAI:s API som gpt-6.2-astra och gpt-6.2-sol, med Ultrafast tillgängligt för båda vid lansering. Ett minimalt anrop med OpenAI:s Python-SDK ser ut så här:

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)

Båda modellerna finns också listade på OpenRouter (openai/gpt-6.2-astra och openai/gpt-6.2-sol) och i OpenCode-modellkatalogen. 

För en fullständig implementation med föregående generation, se vår GPT-6 Astra API-guide och GPT-6.1 Sol-guide; att byta modell-ID är den huvudsakliga ändringen.

Avslutande tankar

GPT-6.2 är en prissänkning som OpenAI har gjort till en kapabilitetslansering. Astra slår GPT-6 Astra på varje professionellt riktmärke som OpenAI rapporterar, till en tredjedel av kostnaden per uppgift, och Sol kommer tillräckligt nära på kodning för att de flesta team ska börja där.

Det avgör inte hela racet. Claude Fable 5.2 leder fortfarande på FrontierCode och Intelligence Index, Gemini 4 Carbon leder AutomationBench, och i våra tester läste den äldre Astra ett stökigt dataset mer förnuftigt. Men jag skulle byta från GPT-6 Astra idag för besparingarna.

Slide skapad av GPT-6.2 Astra: använd dina egna uppgifter för att avgöra var du ska byta, med Astra som använder 22% färre utdata-token på GDPval v2

Slide av GPT-6.2 Astra

Om du vill lära dig mer om att bygga med OpenAI:s modeller rekommenderar jag vår kurs Working with the OpenAI API.

FAQs

Vad är GPT-6.2 Astra och hur skiljer den sig från GPT-6.2 Sol?

GPT-6.2 Astra är OpenAI:s frontmodell för tungt professionellt arbete som presentationer, finansiella arbetsböcker, juridiskt skrivande och CAD. GPT-6.2 Sol är den billigare vardagsmodellen för kodning, skrivande och agentloopar. Sol kostar en fjärdedel av Astras tokenpris och kommer inom 0,5 poäng från Astra på FrontierCode 2.0, medan Astra leder på professionella och vetenskapliga riktmärken.

Hur mycket kostar GPT-6.2 Astra i API:t?

GPT-6.2 Astra kostar $8 per miljon indata-token, $0,40 per miljon cachade indata-token och $40 per miljon utdata-token. Det är 20% under GPT-6 Astra på in- och utdata och 60% under på cachad indata. GPT-6.2 Sol kostar $2, $0,10 och $10, samma som GPT-6.1 Sol.

Är GPT-6.2 Astra bättre än GPT-6 Astra?

På OpenAI:s riktmärken, ja: GPT-6.2 Astra slår GPT-6 Astra på varje resultat för professionellt arbete, såsom Agents' Last Exam (78,3% vs 73,1%), till ungefär en tredjedel av kostnaden per uppgift. I våra 2 praktiska tester var den också billigare, men GPT-6 Astra viktade ett stökigt dataset mer förnuftigt.

Var kan jag få tillgång till GPT-6.2 Astra och GPT-6.2 Sol?

Båda modellerna finns i ChatGPT Work och Codex för Plus-, Pro-, Enterprise- och Edu-användare, med Enterprise- och Edu-åtkomst aktiverad av en arbetsyteadmin. Utvecklare kan anropa gpt-6.2-astra och gpt-6.2-sol i OpenAI:s API, och båda finns listade på OpenRouter.

Ska jag använda GPT-6.2 Sol eller GPT-6.2 Astra för kodning?

Använd GPT-6.2 Sol för det mesta av kodningen. På FrontierCode 2.0 får den 43,8% mot Astras 44,2% vid maxinsats, för $1,29 per uppgift istället för $5,97. Byt till Astra för säkerhetskänslig kod, där den leder Sol på SecureSWE, eller för CAD och vetenskapligt arbete.

Ämnen