来源与核验状态

本文关于 GPT-6.2 的信息仅来自用户提供的简报,未经独立确认。我们没有运行这些评测,也没有核实模型发布、账户权限或网关支持。下文的工作示例是试用建议,不是模型实测案例;简报价格不是 Sublyx 报价。

基准要和比较对象一起看

先看比较对象,再看分差和费用。GDPval 比的是两条产品线各自的代际变化,并不是 Astra 与 Sol 之间的差距。

评测简报中的比较选型时要核对什么
Agents Last ExamGPT-6.2 Astra 比 GPT-6 Astra 高 5.2 分,成本为后者的 1/3多步任务应计入失败尝试和工具调用,不能只看最后一次回答。
GDPvalGPT-6.2 Astra 比 GPT-6 Astra 高 6.2 分;GPT-6.2 Sol 比 GPT-6.1 Sol 高 5.3 分这两个分差都不是绝对成绩,也不能换算成某个职业的任务通过率。
FrontierCode与基线相差不超过 0.5 分,成本为其 1/5看点是以较低成本取得接近的成绩,不是代码质量全面领先。
LifeVal成绩高于上一代 GPT-6 Astra,成本为其 1/7比较对象是旧 Astra,不是 6.2 Astra;简报未给出绝对分数。

Astra:从文档底稿到可核对的交付件

准备管理层汇报时,可以先让 Astra 把材料整理成四列:结论、原文页码、数据期间、待确认事项。第二步再根据这张表写幻灯片:每页只回答一个业务问题,图表沿用底稿的单位,讲者备注保留出处。验收时抽掉一条证据,看对应结论是否随之修改,比单看排版更能发现问题。

财务分析:让模型拆解收入变化,并区分实际数、预算数和汇率影响;用电子表格重算合计。简报称 AA AnalystAgent 的五次尝试均为 62.5%,不是五次中取最高分,也不代表每个数字都可信。

法律审阅:给出合同的两个版本,要求逐条列出责任上限、例外条款和生效条件的差异,并保留条款编号。遇到引用缺失的附件,应标为“无法判断”,而不是补写义务。适用法律及最终意见由经办律师确认。

简报还列了两项专业工作评估。财会场景中,Basis 报告的两项耗时降幅为 50% 和 73%,衡量的是时间而非正确率。法律场景中,据简报转述,Astra 在 Harvey 的 LAB-AA v1.1 上通过率超过 Claude Fable 5.2 的两倍,成本约为对方的六分之一。评估自己的合同审阅流程时,应把律师核对引文、纠正错漏的时间也算进去。

CAD、三维设计与机器人:把外观和约束分开验收

简报举了摆钟、1:8 比例的燃油遥控越野车(nitro RC buggy)和底盘仿真三个例子。验收摆钟模型,可以检查摆杆运动时是否与壳体干涉;验收越野车,则应拿装配尺寸核对安装孔和悬架行程。看底盘仿真时,先问载荷、材料和边界条件是什么,再看变形图。三者都不能只凭渲染图判断设计可用。

简报中的三维设计与机器人评测
评测模型与成绩(从高到低)
AA-3D(Elo)GPT-6.2 Astra 1318;Claude Fable 5.2 1271;GPT-6.2 Sol 1259
机器人评测GPT-6.2 Astra 79;GPT-6.2 Sol 78;Claude Fable 5.2 75;Gemini 4 Hydrogen 58

Elo 衡量同组比较中的相对表现,不是 CAD 文件的合格率。机器人评测中 Astra 与 Sol 相差一分,也不说明它们在具体设备上同样可靠;应在仿真中分别记录失败、碰撞和人工接管,再做真机安全验证。

编程:先看改动能否自动验收

给一个已有测试的解析器增加日期格式支持,可以先试 Sol:固定输入样例,在干净环境运行测试,再检查是否改变了旧格式的行为。若是跨模块迁移,先试 Astra 梳理调用方和兼容约束,再让它提交小范围改动。FrontierCode 的成本差距值得测试,但若便宜的补丁需要多轮返工,节省的 token 费用未必抵得过审查时间。

科学计算、网络安全与权限边界

简报称,使用适配器时 ARC-AGI-3 达到 100%。这个结果属于“模型加适配器”的组合,不能当成裸模型成绩。Terminal Bench Science 的成绩约为 78%,报告成本低于 10 美元;简报没有说明这笔费用的统计范围,不宜直接据此给研究项目做预算。

简报还提到 Vals Science Index,以及一项悬赏 300 美元的 Erdős 数学问题。悬赏金额不是推理费用;要判断数学结果是否成立,应审读证明,而不是看奖金或榜单名次。

安全方面,简报将网络安全能力列为 Critical,提到 Daybreak,并将模型自我改进能力列为 High。简报称紧急停止机制可在 35 秒内生效;这不是对任一部署都能在 35 秒内停机的保证,也不意味着已经执行的操作会被撤销。

科学计算可先用有已知解的例题校验单位、误差和复现步骤。网络安全工作则可从只读任务开始,例如审查自己项目的依赖清单、解释已脱敏的告警并草拟修复建议。不要把生产密钥交给模型,也不要让它自行更改访问控制;涉及写入、外部传输或设备动作时,应单独授权并由人复核。

Sol:交互速度和长上下文怎样衡量

简报给出的 Sol Intelligence 成绩为 57.3,对照值为 55。速度方面,简报称观察到约 2 至 3 倍的提速,并列出一次任务耗时对照:Sol 用时 8 分钟,另两组为 19 分钟和 26.2 分钟。上一代 GPT-6.1 Sol 的参考生成速度是每秒 112 个 token。整项任务耗时包含推理和等待,不能把 112 乘以提速倍数,当作新 Sol 的实测吞吐量。

简报将 Sol 的速度表现与动态推理和缓存联系起来:比较客服分类与长文审阅时,应分别记录推理耗时,并区分首次请求与重复前缀命中缓存的请求。流传的代号 Bell 或 Bel 未获确认,不宜据此识别模型。

按简报口径,上下文窗口合计约 1.05M tokens,分为约 922k 输入 + 128k 输出,不是可以输入 1.05M tokens。长文任务可先试章节索引、条款抽取和批量归类,再抽查材料中段和末尾是否漏项。

价格:按同一份任务算账

用户简报所列 API 单价(美元 / 百万 tokens,未经独立核验)
模型普通输入缓存命中输入输出
GPT-6.2 Astra80.4040
GPT-6 Astra10150
GPT-6.2 Sol20.1010
GPT-6.1 Sol20.1010
Claude Opus 5.515简报未列出75

例如一份报告用掉 10 万个未缓存输入 token,生成 1 万个输出 token,不计工具费与重试:Astra 是 0.80 + 0.40 = 1.20 美元,Sol 是 0.30 美元,按旧版 GPT-6 Astra 文章的参考价则是 1.50 美元。新 Astra 的普通输入和输出单价均比旧文低 20%,但实际账单取决于用量。

按同一用量,Claude Opus 5.5 为 0.1 × 15 + 0.01 × 75 = 2.25 美元;两代 Sol 都是 0.30 美元。简报还提到 Batch(批处理)和 Flex(弹性处理)。能接受排队的离线任务可以单独比较这两种方式,但不能把上表视为其费率,也不能假定网关提供相同服务。

按失败代价决定先试谁

  • 量大、可回滚、好验收:工单分类、字段抽取和单测草稿先试 Sol。用人工标注样本设定最低通过率,未达标的样本再交给 Astra 对照。
  • 材料互相依赖、修改成本高:跨表财务解释、合同版本比较和多模块代码变更先试 Astra。要求交付证据与检查记录;只多写几段文字,不算质量提升。
  • 错误会带来现实后果:法律签署、财务披露或机器人上线,都不应把任一模型当最终审批人。若两者都不能稳定满足验收条件,保留人工流程。

可用性与 Python 接入

据用户简报,GPT-6.2 Astra 与 Sol 于 推出,入口包括 ChatGPT Work、Codex 和 API。简报列出的 ChatGPT 套餐为 Plus、Pro、Enterprise 和 Edu;Work 不等于常规 Chat,后者不在此次开放范围内。简报还列出 Amazon Bedrock,并称 Pro 200 和 Pro 500 两档可用 Sol 超高速模式(ultrafast)。这些是发布范围的转述,不是对具体账户、地区或 Sublyx 网关权限的确认。

简报给出的候选模型 ID 是 gpt-6.2-astra 和 gpt-6.2-sol,不保证它们就是 Sublyx 可调用的 ID。先查 Sublyx 模型目录,再对照接入文档核实账户权限、端点和接口类型。目录中没有对应条目时,不要用候选名称试探。

仅在目录列出目标模型且账户支持 Chat Completions 时运行下例。先用 python -m pip install openai 安装 SDK,在本地环境设置 SUBLYX_API_KEY,并将目录里的完整 ID 原样设为 SUBLYX_MODEL_ID。示例只发一条不含业务数据的请求:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["SUBLYX_API_KEY"],
    base_url="https://api.sublyx.org/v1",
)
response = client.chat.completions.create(
    model=os.environ["SUBLYX_MODEL_ID"],
    messages=[{"role": "user", "content": "把这三项按日期排序:3月2日、1月9日、2月1日。"}],
)
print(response.choices[0].message.content)

一次成功响应只能说明该 ID 此时在该账户下可调用,不能验证榜单成绩或单价。收到鉴权或模型不可用错误时,先核对密钥权限、目录条目和接口类型,不要通过替换为相似名称来判断模型身份。

开始自己的对照测试

挑一份已有标准答案的任务,固定材料和验收条件,再比较总费用、等待时间和返工量。

查看模型目录阅读接入文档