OpenAI 声称,GPT-6.2 Astra 在多项专业工作和科学基准上优于前代或竞品,且单项任务成本更低;但文章未公开多数基准的完整分数、样本量和运行配置,不能据此独立复现或泛化到所有任务。
适合判断的任务:了解 OpenAI 对 Astra 与 GPT-6 Astra、GPT-6.2 Sol 及文中其他模型的官方基准和成本比较。
不适合外推的任务:估算任意业务的实际账单,或比较不同工具、推理档位、样本和评分方法下的模型表现。
适用的模型版本:GPT-6.2 Astra;个别比较涉及 GPT-6 Astra、GPT-6.2 Sol、GPT-6.1 Sol、Claude Fable 5.2 等。
测试环境或客户端:基准各异;文章只披露了部分环境信息,详见下文。
推理档位和参数:仅 FrontierCode 2.0 明确说明 Astra 与 Sol 均设为 Max;其余多数基准未注明。
文章汇总多项长程专业工作、科学、法律、知识工作、编程及 3D 生成评估,并对部分结果报告模型分差、任务成本或相对成本。它还给出 GPT-6.2 Astra 的 API 标准 token 单价。基准结果和相对任务成本是 OpenAI 发布的结论,不是本文独立测量。
文章披露的评测定义与配置:
Agents’ Last Exam:评估长程专业工作流。文章说明 Claude Fable 5.2 榜单结果未包含使用备用模型的九项任务。未给出完整分数表、样本量或各模型运行配置。
Terminal-Bench-Science 0.1:评估在终端中进行科学工作的能力。文章称 Astra 比 GPT-6 Astra 高 9 个百分点,任务成本不到其三分之一。脚注指出,Artificial Analysis 报告的 Fable 5.2 结果使用 mini-swe-agent 执行框架;Anthropic 报告其 Claude Code、Max 档得分为 74.6%。这些结果来自不同执行配置,不应直接视作同环境对照。
FrontierCode 2.0:评估对真实代码库的修改是否符合维护者合并标准。Astra 和 Sol 均设为 Max;文章比较两者的得分和相对任务成本。
Harvey LAB-AA v1.1:法律任务评估,检验模型能否从源文件提取事实、遵守详细要求并交付准确结果。文章称主指标只有在交付满足全部评分标准且没有实质性幻觉时才计分。
GDPval v2:OpenAI 内部基准,覆盖金融、数据科学、生物技术、市场营销等领域的真实长流程知识工作任务。
AA-AnalystAgent:使用真实电子表格与报告评估分析工作。文章举例要求模型从加州 Medicaid 支出报告计算医疗转运支出;未披露该项的完整提示、工具配置或样本总量。
Artificial Analysis AA-3D:评审者在不知道模型身份的情况下体验同一提示词生成的两个作品并投票。文章公布 Elo,但未披露样本量、提示集合或置信区间。
API 定价:标准价按每百万 token 报告,属于标价信息,不是基准任务实付成本的复算过程。
除上述披露外,文章没有给出各评测的完整提示、硬件、工具链、重复次数、统计不确定性或逐项成本计算方法。
| 评估或对照 | OpenAI 发布的结果 | 文章给出的限制 |
|---|---|---|
| Agents’ Last Exam | Astra 比 GPT-6 Astra 高 5.2 分,任务成本不到其三分之一;比 Claude Fable 5.2 高 5.5 分,成本约为其 5%。 | Fable 5.2 的榜单结果排除了使用备用模型的九项任务;未公布完整分数和运行配置。 |
| Terminal-Bench-Science 0.1 | Astra 比 GPT-6 Astra 高 9 个百分点,任务成本不到其三分之一。 | Fable 5.2 的公开结果来自不同执行环境;具体差异见测评方法。 |
| FrontierCode 2.0 | Astra 与 Sol 的分差小于 0.5 分;Sol 成本约为 Astra 的五分之一。 | 两者均为 Max;未公布绝对分数、样本量及计价细节。 |
| LifeVal | Sol 得分高于 GPT-6 Astra,成本约为其七分之一。 | 未公布分数、样本量和运行参数。 |
| Harvey LAB-AA v1.1 | Astra 通过率超过 Fable 5.2 的两倍,成本约为其六分之一;面向律师的 Astra 配置得分更高。 | 未公布绝对通过率、样本量、配置和成本计算细节。 |
| GDPval v2 | Astra 比 GPT-6 Astra 高 6.2 个百分点,输出 token 减少 22%;Sol 比 GPT-6.1 Sol 高 5.3 个百分点。 | 内部基准;未公布完整分数、样本量及成本。 |
| AA-AnalystAgent | 在一个加州 Medicaid 支出分析任务中,62.5% 的问题在五次独立尝试中每次均答对。 | 这是文章描述的特定任务结果,不代表整个基准准确率。 |
| AA-3D | Astra Elo 为 1,318;Claude Fable 5.2 为 1,271;Sol 为 1,259。 | 未公布样本量、提示集合和统计区间。 |
文章列出的 GPT-6.2 Astra API 标准价为每百万 token:输入 $8、缓存输入 $0.40、输出 $40。OpenAI 称其输入和输出单价比 GPT-6 Astra 低 20%,缓存输入单价低 60%。这是 token 单价比较;文章另称多项基准的单项任务成本下降,但未公布完整计算过程,二者不应混为一谈。
发布文称 Astra 在 Agents’ Last Exam 上高于 GPT-6 Astra 5.2 分、高于 Claude Fable 5.2 5.5 分;相对任务成本分别为不到三分之一和约 5%。
发布文称 Astra 在 Terminal-Bench-Science 0.1 上比 GPT-6 Astra 高 9 个百分点,成本不到三分之一;脚注对 Fable 5.2 的两种执行环境分别作了说明,但没有给出 Astra 的运行参数。
发布文称 FrontierCode 2.0 中 Astra 与 Sol 均为 Max,分差小于 0.5 分,Sol 成本约为 Astra 的五分之一。
发布文称 LifeVal 中 Sol 高于 GPT-6 Astra,成本约为七分之一;Harvey LAB-AA v1.1 中 Astra 通过率超过 Fable 5.2 两倍,成本约为六分之一。
发布文称 GDPval v2 中 Astra 相对 GPT-6 Astra 高 6.2 个百分点且输出 token 减少 22%;Sol 相对 GPT-6.1 Sol 高 5.3 个百分点。
发布文报告 AA-AnalystAgent 某项任务五次独立尝试均答对的问题占 62.5%;AA-3D Elo 为 Astra 1,318、Fable 5.2 1,271、Sol 1,259。
API 标准价(每百万 token):输入 $8、缓存输入 $0.40、输出 $40。发布文称 Astra 相对 GPT-6 Astra 的输入和输出 token 单价低 20%,缓存输入低 60%。
这些数据支持的结论仅是:按 OpenAI 所述配置和计价口径,Astra 在发布文列举的若干评测中取得更高结果或更低成本。文章没有提供多数测试的完整方法和原始结果,也没有给出任务成本计算的 token 数、工具费用或重复分布。涉及其他厂商的对照还可能存在 harness、推理档位或基准子集差异。应把数字视为厂商发布的比较结果,不视为独立验证或普遍性能保证。
采集日期为 2026-11-19。通过 Tabbit 打开用户指定的英文 URL;页面跳转至 OpenAI 中文版同一发布文章并显示完整正文。页面作者标为 OpenAI,年份显示为“2026 年”,未发现具体发布日期元数据,因此发布日期记为“未注明”;采集日期不等同于发布日期。本文未运行任何基准或 API 请求,不能独立复算模型得分和任务成本。
GPT-6.2 Astra