「一句话:」OpenAI 在 11 月 17 日官宣双子星,Astra 打硬仗,Sol 管日常,上线即进 ChatGPT Work、Codex 和 API。官方口径是智能大涨、价格更便宜,但独立评测摊开看,故事没这么齐整:智能指数涨了,编码原地踏步,有一项幻觉率还更高。
划重点:别被「涨了 5 分」这种单点数字带跑。这一代真正的信号是产品策略:同一个模型家族拆成两档,Astra 专攻最难的任务,Sol 用低价承包日常,API 输入价直接砍掉两成。官方还强调,两个模型输出更省 token,同样的用量能多干不少活。选哪个,先看任务值多少钱,再看参数。


官方发布:Astra 打硬仗,Sol 管日常
Astra 是这一代的旗舰,接的是「最难的任务」:深度推理、科研、长链条 Agent 都归它。Sol 是日常全能选手,延续 GPT-6.1 Sol 的定位和定价,写作、总结、问答这类高频活都能干,官方说自家很多员工默认拿它当主力。
渠道上,两个模型都进了 ChatGPT Work、Codex 和 API,Plus、Pro、Enterprise、Edu 用户都能开用。Pro 500 美元档可开 Ultrafast 双模,Pro 200 档第一次对新模型开放,但只限 Sol。
价格是这次最实在的部分。据官方,Astra 每百万 token 输入 8 美元、输出 40 美元,比 GPT-6 Astra 降了 20%;缓存输入 0.4 美元,降了 60%;Sol 沿用 GPT-6.1 Sol 的 2 美元、0.1 美元、10 美元价格。缓存价接近膝盖斩。
我的判断:缓存输入价砍 60%,是冲着 Agent 场景去的,长上下文反复调用,缓存命中越多,账单越好看。OpenAI 这次不想只在榜单上赢,想在你家后台任务里赢,价格结构比参数更说明问题。对开发者来说,先看任务类型再算账,比纠结榜单名次实在。

智能指数:Astra 62 分,只输 Claude 一家
据 Artificial Analysis 的智能指数,Astra 拿到 62 分,只输 Claude Fable 5.2 的 65 分,比上一代 GPT-6 Astra 高 5 分。Sol 57 分,成绩不低,成本却只有 GPT-6 Astra 的约 15%。分数上涨肉眼可见,钱反倒更少。
更狠的一组对比来自 Agents' Last Exam。据 OpenAI 官方,Astra 比 GPT-6 Astra 高 5.2 分,成本不到上一代三分之一;比 Claude Fable 5.2 高 5.5 分,成本只要对方的 5%。说白了,这代是拿更少的钱,考更高的分。
但这里有个前提:这些分数是榜单口径,反映的是模型在测试题集上的表现,不等于你的任务一定更快更准。榜单能说明方向,不能打包票,尤其别把 62 分当成实际体验的六成二。榜单排位会随题集和版本更新变化,今天的第一不代表明天的第一。
换个角度看,Sol 的 57 分只比 Astra 低 5 分,成本却差出一个量级。一分钱一分货的老话在这代不灵了,接近旗舰的分数配上平民定价,才是这轮发布真正值得盯的部分。

编码和幻觉:没跟上涨幅的两块短板
编码和幻觉,是两个没跟上涨幅的单项。据 Artificial Analysis 的编码 Agent 指数,按 Codex harness 最高档测,Astra 与 GPT-6 Astra 持平,Sol 反而掉了 3 分,其中 SWE-Atlas-QnA-AA 掉了 14 分,更容易漏关键事实。
幻觉率这边也不好看。按 AA-Omniscience 测试的口径,Astra 幻觉率 59%,比 GPT-6 Astra 的 50% 更高;Sol 是 55%。注意,这是测试环境的口径,不等于线上错误率,但方向本身值得警惕。推理涨了、幻觉也涨了,两个方向同时出现,才需要掰开看。
不过 Sol 也不是处处掉队。据 Cognition 的 FrontierCode 2.0 评测,它只差 Astra 0.5 分,成本约五分之一。同一个模型,在合并代码这类任务上表现并不差,掉分集中在特定题集,挑测试比挑模型更讲究。
我的判断:智能指数涨、编码不动、幻觉率升,三件事摆在一起,说明这代升级的收益集中在理解和推理,执行和记忆没跟上。对靠写代码吃饭的人,这个温差值得盯上几周,别急着下「编码没救」的结论,等更多第三方跑完长任务评测再说不迟。

普通人怎么选:先想任务,再掏钱
日常场景,Sol 更划算。据 OpenAI 官方的 LifeVal 评测,Sol 用大约七分之一的成本,就赢过了 GPT-6 Astra。写邮件、做总结、跑问答、整理材料,它都够用,预算还省下大半。对学生党和小团队,这几乎是明牌。
硬仗才轮到 Astra。据 OpenAI 官方,Terminal-Bench-Science 上比上一代高 9 分,成本不到三分之一,Vals Science Index 创新高;据 Artificial Analysis,AA-3D 的 Elo 1318 排第一。科研、3D、长流程,才是它的主场。
官方还宣布,GPT-6.2 系列首次达到「AI 自我改进」的 High 阈值,相当于给每位研究员多发一个高水平研究工程师助手。这个类比说得挺满,建议先存疑,等第三方复现了再当真。
所以别问「哪个模型更强」,要问「我这个任务值多少钱」。Astra 打硬仗,Sol 管日常,连 Responses API 都降价:后台任务 2 小时窗口比 Standard 便宜 30%,8 小时便宜 40%。但这里有个前提,以上都是发布首日评测,真实表现等几周后的使用数据。