Anthropic人均3亿的IPO盛宴前,OpenAI急发GPT-6.2狙击却遭反噬?
来源 | Tech星球 文 | 华卫 就在 Anthropic 上市定价前,OpenAI 送上了一份颇具火药味的大礼包。11月18日凌晨,GPT-6.2 系列正式发布,官方公布的基准测试情况极具挑衅意味:在复杂专业任务上,GPT-6.2 Astra 的得分超过 Claude Fable 5.2,而单任务成本只有后者的约 5%。 意外的是,市场随后的反应不是惊叹,而是一众质疑声音。 “6.2 Astra 是OpenAI 有史以来发布的最差模型”,开发者兼 YouTuber Theo Browne也在 X 论坛上发帖称。投资者兼前 HyperWrite AI 首席执行官Matt Shumer发帖称,这些新模型“基本上无法使用”。 这恐怕是OpenAI第一次在新模型发布后不仅没收获性能标杆的掌声与追捧,还被骂得如此难堪。激烈的模型竞赛下,连GPT也陷入跑分焦虑了吗? 史上最不进步模型,“基本无法使用”? 此次,OpenAI共带来两款模型,分别是应对最棘手项目的前沿模型GPT‑6.2 Astra 和面向日常工作的高效多面手 GPT‑6.2 Sol。据介绍,两款模型都能以更少的输出 Token,在高难度任务中取得更好的结果。对企业和开发者而言,这意味着能在用量限制内完成更多工作,并以适合大规模应用的成本获得前沿性能。 从OpenAI发布公告中的成绩来看,新模型确实交出了一份漂亮的答卷。在九项对比基准测试图表中,GPT-6.2 Astra在所有九项测试中均胜过GPT-6 Astra,而GPT-6.2 Sol在九项测试中的八项中胜过GPT-6.1 Sol。 然而,来到AI用户的真实工作流中,新模型的表现却出现了明显落差。 据Browne公开分享,在他用Rust重写TypeScript编译器的实验性项目中,Astra 连续工作七天,却没有带来任何实质性改进。更糟糕的是,在尝试缩减编译器体积后,新版本的运行速度反而下降了56%。当 Browne 随后要求模型转而优化运行速度,Astra 又花了四天时间,依然没有取得任何进展。 比执行效率低下更让人担忧的是,模型在创意任务中表现出的“偷懒”。Browne和另一名测试者各自独立要求Astra为Outer Wilds和Majora’s Mask两款不同游戏设计新关卡,却得到了高度相似的结果:都是以音乐和钟声为核心的水下关卡,甚至连关卡名称都不约而同地叫作“Bellwether”。 当模型被寄望于承担创意设计工作时,这种输出趋同显然不是一个好信号。它暴露出的可能不只是创造力不足,而意味着模型并没有真正理解任务的差异,而是在用一种高概率的“安全答案”覆盖所有开放性问题。 在一篇题为《Why I hate GPT-6.2 Astra》的长篇 X 帖子中,Browne 又集中列出了更多不满。他表示,这篇帖子实际上是此前在早期测试阶段发给 OpenAI 的一封反馈信全文。批评主要集中在两个方面:一是 Astra 很难在长期项目中持续、有效地推进工作;二是任务完成后,开发者很难理解模型究竟做了什么,以及它为什么这样做。 Browne 承认,OpenAI 在正式发布前解决了他反馈的一部分问题,但即便如此,他仍然更愿意使用 Claude Opus 5.5 完成开发工作。 类似的质疑也出现在其他开发者的测试中。Shumer表示,他曾将任务交给 Astra 作为子代理执行,但负责监督它的 Claude 模型最终不得不重新完成这些工作。一名 X 用户也认同 Shumer 的判断,并将问题指向 OpenAI 训练模型行为的方式。 "自 GPT-4.5 以来 OpenAI 前沿发布首次未见明显进步",沃顿教授 Ethan Mollick在测试完GPT-6.2 后给出这样一句尖锐的评价,并直言其"非常不稳定且古怪"。 第三方评测呈现出更复杂的结果。在 Artificial Analysis Intelligence Index(AII)上,GPT-6.2 Astra 以62分成为 OpenAI 目前得分最高的模型,比上一代 GPT-6 Astra 提高了5分,总排名第二,仅次于 Claude Fable 5.2。 但在更贴近实际开发场景的编程智能体榜单上,Astra 却停留在53分,与上一代持平,落后于获得58分的 Claude Fable 5.2 和 Claude Opus 5.5,也不及拿下55分的 Gemini 4 Carbon。 并且在价格层面,OpenAI 并没有给出明显的降价惊喜。GPT-6.2 Astra 每百万未缓存输入 Token 收费8美元,输出 Token 收费40美元;GPT-6.2 Sol 则延续上一代定价,输入和输出分别为每百万2美元和10美元。 问题在于,留给 OpenAI 价格竞争窗口正在缩小。就