mt logoMyToken
ETH Gas
EN

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

Favoritecollect
Shareshare

文|晓静

编辑|徐青阳

美国当地时间11月17日,OpenAI正式推出GPT-6.2 Astra和GPT-6.2 Sol。

这场发布来得比外界预期更晚。早在10月底,就有网友从ChatGPT用量记录中扒出疑似GPT-6.2的灰测痕迹,此后模型标识和测试截图不断流出。此前媒体曾预测新模型最快于11月6日发布,最终发布日期比这一预期晚了11天。

OpenAI这次重点强调了AI接手专业工作的能力。

从一张PPT截图复刻完整的演示文稿,到提取财务数据、建立估值模型,再到操作Blender生成汽车三维模型、模拟车辆悬架的物理运动,甚至利用CAD设计机械零件并验证装配关系,GPT-6.2开始深入过去需要专业人员使用复杂软件才能完成的工作。

OpenAI尤其强调,新模型能够减少无效输出和反复修改,让AI交付的结果更接近专业工作标准。

过去两个多月,OpenAI陆续推出GPT-6 Astra、Sol和Luna,以及GPT-6.1 Sol、Terra等模型。刚刚发布的GPT-6.2 Astra是继9月GPT-6 Astra之后的旗舰模型升级,重点提升复杂专业任务的处理能力;GPT-6.2 Sol,主要强化日常工作、编程和多步骤智能体任务的效率。

根据Artificial Analysis最新榜单,Astra以62分升至全球第二,较前代提升5分;Sol达到57分。价格方面,Astra的API输入、输出单价均下调20%,缓存输入价格降低60%;Sol维持原价,但完成部分任务的总体成本进一步下降。

值得注意的是,GPT-6.2 Astra也是OpenAI首个被评估为达到AI自主改进能力“High”能力门槛的公开模型。

不过,漂亮的演示和跑分也引来了不同评价。发布当天,多位提前数周试用新模型的开发者公开表达失望,认为Astra在长时间的软件开发任务中仍可能提前停止,过于简洁的输出有时还会遗漏必要信息。

同时,在越来越接近真实专业工作的同时,模型能力的边界和安全控制也成为这次发布的重要看点。

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

OpenAI首席执行官山姆·奥特曼。图片经由AI生成

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

GPT-6.2 Astra的API价格为每百万输入Token 8美元、输出Token 40美元,缓存输入为0.40美元。与前代相比,输入和输出价格均下降20%,缓存输入则从1美元降至0.40美元,降幅达到60%。GPT-6.2 Sol维持每百万输入Token 2美元、输出Token 10美元的价格。

对于多步骤智能体来说,API单价并不能完全反映实际开销。模型执行任务时,可能需要多次调用工具、读取文件、处理错误并重新尝试。即使单价不变,如果完成任务所需的Token更少,最终账单也会随之下降。

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

在Cognition的FrontierCode 2.0编程测试中,GPT-6.2 Sol的得分只比Astra低0.5分,成本约为后者的五分之一。在面向日常复杂事务的LifeVal评估中,Sol的得分超过上一代旗舰GPT-6 Astra,单项任务成本约为后者的七分之一。

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

Astra在高难度任务中的表现也有提升。在Agents' Last Exam评估中,它较GPT-6 Astra提高5.2分,完成任务的成本不到前代的三分之一。与Claude Fable 5.2相比,Astra得分高出5.5分,单任务成本约为后者的5%。

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

财务、法律和咨询等专业工作,要求AI处理大量原始资料、核对数据,并按照行业规范形成可交付的成果。OpenAI表示,GPT-6.2 Astra在这类任务中的表现有所提升,能够完成财务建模、并购分析、法律检索和数据科学分析等工作。

OpenAI内部的GDPval v2测试覆盖咨询、金融和设计等领域,Astra得分较前代提高6.2个百分点,输出Token减少22%。

法律检索方面,在模拟真实律所任务的Harvey LAB-AA v1.1测试中,Astra的通过率超过Claude Fable 5.2的一倍,单任务成本约为后者的六分之一。

OpenAI内部的GDPval v2则覆盖咨询、金融和设计等工作。测试结果显示,Astra的得分较前代提高6.2个百分点,输出Token减少22%。

GPT-6.2 Astra此次展示的另一项能力,是直接参与3D建模和工程设计。模型不再只是生成一段建模代码,还能操作专业软件,处理零件、调整结构,并将计算结果制作成可视化内容。

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

GPT-6.2 Astra进行山路驾驶与底盘动力学模拟

在山路驾驶模拟案例中,Astra先建立跑车的3D模型,再编写Python物理求解器,计算轮胎接地力和悬挂系统的动态变化,最后把计算结果导入Blender,生成车辆行驶动画。通过模拟,工程师可以在制造实体样车之前,观察车辆经过复杂路况时的载荷转移情况。

机械建模案例的输入资料则简单得多。OpenAI只提供了1:8比例遥控越野车和直列六缸发动机的公开照片及装配手册。Astra据此建立各个机械零件的三维模型,并生成分步装配动画和带图解的零件目录。

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

还有一项测试把CAD设计与实际制作联系起来。OpenAI团队提供了芝加哥地标建筑Marina City的扇形阳台照片,让模型参考其结构进行设计。经过多次调整,Astra最终制作出一盏可以打印、折叠组装的纸艺台灯,并编写了配套网页Lamp Builder,供用户在线调整参数、生成定制图纸。

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

GPT-6.2 Astra完成遥控越野车及发动机机械建模

在网页开发中,Astra制作了一个露营车交互式配置器。用户可以切换车身颜色、加装车顶帐篷,页面报价也会同步更新。它还根据文字描述生成了可玩的弹球台、罗马斗兽场复原模型,以及一款名为《Meridian Sound Racing》的未来城市赛车游戏。

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

从芝加哥Marina City建筑到纸艺台灯

Artificial Analysis的AA-3D人类评审盲测也对模型的3D生成能力进行了比较。GPT-6.2 Astra获得1318 Elo分,排名第一;Claude Fable 5.2为1271分,GPT-6.2 Sol为1259分。

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

GPT-6.2 Astra生成的露营车交互式配置器

在测试物理世界理解和行动规划能力的AA-Robotics v0.1预览版中,Astra和Sol分别获得79分和78分,高于Claude Fable 5.2的75分。不过,评测团队表示,目前头部模型已经能够完成初始测试中的绝大多数基础任务,正在增加难度更高的题目。

科学研究也是OpenAI此次展示的重点。

在Terminal-Bench-Science 0.1测试中,GPT-6.2 Astra较前代提高9个百分点,排名第一。这项测试主要考察模型在终端环境中完成科研工作流的能力。在要求模型解读真实生物数据、设计实验并推断系统机制的Vals Science Index中,Astra也创下新高。

其他几项测试的结果则略逊于Claude Fable 5.2。在物理推理基准CritPt v2的高难度子集、事实知识评估AA-Omniscience v1.1以及推理基准HLE-Diamond中,Astra均排名第二。

模型仍然存在的一个问题,是面对不确定的事实时可能给出错误答案。

GPT-6.2 发布:能复刻 PPT、建估值模型、做 3D 建模,但幻觉率仍高达 59%

Artificial Analysis的AA-Omniscience幻觉率测试显示,在最高推理强度下,GPT-6.2 Astra和Sol的幻觉率分别为59%和55%。这项测试主要考察模型面对自身可能并不掌握答案的事实性问题时,是否仍倾向于猜测作答。它并不代表模型在一般问答中的错误率,但对于财务审计、法律援引等场景,仍然需要人工核对。

编程测试也没有出现全面提升。在Artificial Analysis编程智能体指数中,GPT-6.2 Astra的得分与前代持平,GPT-6.2 Sol则较GPT-6.1 Sol下降3分。

分项结果显示,Sol的失分主要来自SWE-Atlas-QnA-AA,成绩下降14分。这项测试考察模型对复杂代码库的理解和问答能力。测试结果表明,Sol在回答代码库相关问题时,比前代更容易遗漏关键事实。

这对需要处理大型存量代码库的开发者来说,是一个需要留意的地方。模型能写出代码,并不代表它已经准确掌握项目的历史、依赖关系和具体约束。

模型能够操作终端、审查代码和调用专业软件后,网络安全风险也随之增加。

OpenAI披露,GPT-6.2 Astra和Sol均已达到公司《防范框架》(Preparedness Framework)设定的网络安全“关键阈值”(Critical threshold)。两款模型可以更高效地发现和利用软件漏洞,也能编写更安全的底层代码,生成尽可能保留原有业务逻辑的修复补丁。

这意味着,同一项能力既可以用于漏洞排查,也可能被用于攻击。OpenAI因此加强了公开版本对高风险网络安全任务的限制。

对于需要进行漏洞测试的安全研究人员,限制也会影响部分正常工作。OpenAI目前通过Daybreak项目分级开放相关能力:防御人员可以通过Daybreak Blue使用拒绝率较低的GPT-6 Sol;获得高级授权的红队测试人员,则可以在Daybreak Red中调用GPT-6 Astra阿尔法版及GPT-6 Cyber。OpenAI表示,后续也会将GPT-6.2系列引入这一体系。

此外,OpenAI还在训练阶段加入了防御导向的训练信号。此前,AI已经被用于发现PHP2Shell等高危漏洞。GPT-6.2系列则进一步加强了从开发源头识别安全缺陷的能力,并学习生成兼顾安全性和功能完整性的修复补丁。

Disclaimer: This article is copyrighted by the original author and does not represent MyToken’s views and positions. If you have any questions regarding content or copyright, please contact us.(www.mytokencap.com)contact
More exciting content is available on
X(https://x.com/MyTokencap)
or join the community to learn more:MyToken-English Telegram Group
(https://t.me/mytokenGroup)