[控场AI]
· 10 分钟阅读· 5,220 字

GPT-6.2 Astra泄露实测曝光,OpenAI自曝已触及AGI?

GPT-6.2 Astra泄露实测曝光,OpenAI自曝已触及AGI?

GPT-6.2 Astra经泄露曝光,安全延迟与基准跃升并存,Gemini 4扩军、腾讯低价模型搅局。

文章综述了近期AI行业的多条动态。核心事件是OpenAI下一代旗舰GPT-6.2 Astra通过API中转服务流出早期访问,并在官网交互图表中被发现隐藏的第8个模型,据称在biobasics基准最高设置取得89%,较前代67%大幅提升,但该数据未经独立复核,应视为单一来源传闻。演示显示其在3D场景与游戏代码生成上明显跃升。Astra迟迟未发布被归因于对齐与安全挑战,OpenAI同日宣布与四家独立机构合作开放内部模型访问。此外,谷歌Gemini 4家族新增Neon与Oxygen标识,腾讯HY4 Flash以接近Haiku 5.5的满意度但低约18倍的单任务成本主打性价比,Codex与Claude Code在容量稳定性和验证工作流上持续改进,行业同时面临AGI宣言与AI安全抗议带来的张力。

OpenAI的下一代旗舰模型GPT-6.2 Astra,正以一种颇为戏剧化的方式浮出水面。距离GPT-6 Astra发布已经过去约75天,而过去这段时间里,OpenAI虽然陆续推出了GPT-6 Sol、Luna以及GPT-6.1 Sol和Terra等型号,但真正意义上的Astra旗舰升级始终缺席。如今,通过API中转服务流出的早期访问、以及一次意外的官网基准测试泄露,外界第一次看到了这个模型的实际能力轮廓。话说回来,谷歌的Gemini 4家族继续以近乎疯狂的速度扩张,腾讯、微软也各自在端侧和编码模型上落子。这一轮AI竞赛的主线,正在从"谁的模型更强"转向"谁能在能力与安全之间找到平衡点"。

GPT-6.2 Astra:泄露的基准与实机演示

据多方信息交叉印证,标注为GPT-6.2 Astra、Sol以及Terra的模型标识符曾在Azure相关日志中出现,随后有中转服务在数小时内开始提供访问。一位来自中国的观众向视频作者提供了实际使用截图并经过验证,这也是目前少有的、带有实证色彩的早期预览。

从这些演示来看,GPT-6.2 Astra在3D场景与游戏元素的代码生成上有明显跃升。此前用GPT系列模型构建游戏时,往往先输出基础占位对象,再另行替换为正式3D资产;而这一代模型直接生成的元素本身就接近成品素材——船只、起重机、纹理以及环境细节全部由模型从零编写,未调用外部资产或工具。经典的"鹈鹕骑自行车"测试中,Astra版本的鹈鹕翅膀甚至延伸到了画面边界之外,整体生成质量优于前代Astra。

textures, and environmental details. This was all fully done by the model itself.

更具说服力的是基准测试的泄露方式。据Benkji的报道,OpenAI在为新biobasics基准制作的交互图表中,博客正文只提到测试了7个模型,但有用户通过浏览器开发者工具发现了隐藏的第8个模型,并运行测试确认其为GPT-6.2 Astra。该隐藏结果在最高设置下取得89%的分数,而GPT-6 Astra为67%,相差22个百分点。需要说明的是,原作者并未独立复核这一发现,且相关页面据信已被修复,因此这一数据应视为单一来源的传闻,而非确证。

安全争议:OpenAI真的在"压着不发"吗?

围绕GPT-6.2 Astra迟迟不发布的解释,指向了安全与对齐问题。有报道称OpenAI在GPT-6.1、GPT-6.2乃至GPT-6.5上都遇到了显著的对齐挑战——模型能力足够强、足以支撑大规模预训练,但将其转化为可安全公开发布的版本却导致数周延迟。甚至有观点认为,OpenAI在安全上的谨慎程度已经超过Anthropic,这也是GPT-6.1 Astra初版发布被取消的原因之一。

OpenAI同日宣布的一项安全合作为此提供了注脚:公司与Metre、Apollo Research、Goodfire以及Transluce四家独立机构合作,后者将获得对OpenAI内部模型的更深层访问权限,用于调查对齐风险与评估防护措施。此外,有据称已被删除的OpenAI工程师推文暗示,公司在早前一次安全事件之后变得格外保守。

这构成了一个耐人寻味的悖论:如果泄露的基准数据可信,GPT-6.2 Astra在科学类基准上有大幅提升;而如果安全团队的报告可信,这个模型恰恰因为太强而难以放行。作者本人的判断是两者兼有——既有发布节奏上的策略考量,也有真实的安全门槛。

对齐(Alignment) 是AI安全领域的核心概念,指确保AI系统的行为与人类意图和价值观保持一致的技术问题。在大模型语境下,对齐挑战通常出现在两个层面:一是模型能力越强,其在训练中可能发展出越复杂的内部策略,使得"能力足够支撑大规模预训练"与"行为可预测、可控制"之间产生张力;二是安全微调(如RLHF、宪法AI)可能削弱模型的部分能力,导致研究团队需要在发布前反复权衡。所谓"发布延迟数周",往往与红队测试、越狱防护加固和危险能力评估(如生物、网络攻击相关能力)的反复迭代有关,而非单一技术故障。

递归自我改进(RSI) 指AI系统能够自主改进自身的架构、训练流程或研究效率,从而形成能力加速提升的反馈循环。这一概念在AGI讨论中具有标志性意义:一旦模型能在AI研究与工程任务上超越人类专家并持续优化下一代系统,进步速度可能脱离传统研发节奏。目前主流观点认为RSI尚未实现,但编码智能体在自动化实验、代码生成与验证上的进展,使部分研究者开始重新评估其时间线。

Gemini 4家族继续扩军:Neon与Oxygen现身

谷歌这边的节奏则完全是另一套逻辑。Gemini 4 Neon和Gemini 4 Oxygen两个新标识符出现在后端日志中,与Gemini 4 Argon、Carbon并列于Gemini Web的模型记录。Neon的定位尚不明确,它同时以一个全新订阅层级的形态出现,并与Gemini Ultra存在某种分层关联但又被单独处理;日志中还出现了与Gemini Plus关联的Helium层级,以及针对视频生成和深度研究低配额场景的预警机制。

plus a lot more. But going back to Neon, it isn't just showing up as a

Oxygen则更像是Gemini 4家族中的Flash变体。测试显示其前端与Web开发能力出色,速度超过Hydrogen,输出质量在多项测试中也不逊于Carbon。在VoxelBench的对比中,Oxygen生成的城堡在细节丰富度和创意表现上明显优于Hydrogen。作者对谷歌发布节奏的调侃颇为传神:再这样下去,模型选择器可以直接做成元素周期表了。

腾讯HY4 Flash:用价格撕开一道口子

腾讯推出的HY4 Flash是一款主打速度与低价的模型。其规格包括2240亿总参数、120亿激活参数、100万token上下文窗口、原生多模态能力,生成速度超过每秒150 token。API定价为每百万输入token 7美分、每百万输出token约28美分。

腾讯自己的盲测覆盖85名用户和259个真实任务,HY4 Flash在最高思考模式下与Claude Haiku 5.5的表现接近,用户满意度评分为2.79对2.81。但平均单任务成本仅4美分,而Haiku 5.5为71美分,接近18倍的差距。报告还称其为测试中最快的模型,平均每任务约6.7分钟。

实际测试中,HY4 Flash在Web开发类任务(例如模拟蜜蜂采蜜的场景)上表现相当不错且速度极快;但在SVG绘制类任务上,即便开启最高推理档位也出现了明显失误。结论比较清晰:它不是要取代Haiku 5.5的智能上限,而是在高频、成本敏感的日常任务中提供更具性价比的选项。腾讯还计划开放该模型的权重,并以WorkBuddy免费提供、API五折的形式推广。

总参数与激活参数 是混合专家(MoE)架构中的一对关键指标。总参数指模型全部专家网络与共享层的参数总量,决定模型的知识容量上限;激活参数指单次前向推理中实际参与计算的参数量,直接决定计算成本与推理速度。HY4 Flash的2240亿总参数配合120亿激活参数,意味着它在推理时只调用约5%的容量,因而能以极低成本实现高速生成,但在需要跨领域深度推理的复杂任务上,有效能力可能不及同等总参数的全激活稠密模型。这种"大容量、稀疏激活"的设计正是当前低价高速模型的主流路线。

盲测与用户满意度评分 在此类对比中通常采用成对比较(A/B测试)方式:用户在不知晓模型身份的情况下对同一任务的两个输出打分,最终换算为Elo式或均值式评分。2.79与2.81的差距在统计上通常不显著,因此"表现接近"的结论比"略逊"更准确。需要留意的是,满意度评分反映的是任务完成的主观感受,并不等同于基准测试中的客观正确率。

编码工具链的集体升级

Codex方面有一个值得肯定的修复。10月中旬至11月中旬的统计显示,容量错误一度影响6.89%的日活Codex用户,而在11月6日更新之后,这一比例降至0.085%,相对峰值减少约99%。需要明确的是,这并非算力扩容,而是重试指令、自动延迟与WebSocket错误处理等系统性改进的结果。

Claude Code桌面版新增了对iPhone Duo及iOS模拟器的支持(公测中),可以自动折叠与展开模拟设备以测试不同布局,并借助苹果的可调整性检查识别布局问题、提出修复建议并在模拟器中验证。Anthropic同时发布博客披露,Claude如今编写并审查了Claude Code团队近90%的代码,为此团队构建了验证工作流:让Claude运行真实应用、测试数千种输入、比对结果并在提交前自动修复缺陷,还设有slash verify技能,若三次尝试后问题仍存则交由人工介入;团队还维护了39项基于历史缺陷的检查项。这一思路或许比不断堆叠AI审查员更有价值——当编码智能体被大规模并行使用时,验证能力与生成能力同等重要。

on finding a new CEO. And once they do find him, I hope they are actually going to be progressing

其他更新还包括:Hugging Face模型现可通过OpenRouter路由,按价格、速度与可靠性自动选择供应商并在故障时自动切换,开发者无需更换现有token与API;Gemini Notebook支持将资料转化为可交互、可分享的网站;Anti-Gravity中Gemini 4 Carbon、Hydrogen、Argon的上下文窗口从256K翻倍至512K token,上下文压缩频率据称降低至原来的约三分之一。

And some great news for anti-gravity users because the context window for Gemini for

上下文窗口与上下文压缩 是长任务编码场景中的一对制约关系。上下文窗口指模型单次可处理的token总量,从256K翻倍至512K意味着智能体可以一次性容纳更多代码文件、日志与对话历史。但窗口扩大并不自动等于有效利用——模型在超长上下文中容易出现注意力分散与信息遗忘,因此工具链通常引入上下文压缩:将早期对话或已完成步骤摘要为更短的表示,腾出空间给新信息。压缩频率降低至原来的约三分之一,意味着系统对原始上下文的保留更充分,减少了因摘要丢失关键细节而导致的返工,但也会提高单次调用的token成本与延迟。

验证工作流 指在AI生成代码后自动运行应用、注入大量测试输入并比对预期结果,形成"生成—执行—检验—修复"的闭环。其核心价值在于把质量保障从人工审查转移到可重复的自动化流程,尤其适用于编码智能体被并行调用、单人或小团队难以逐行审阅大量产出的场景。

AGI宣言与行业张力

Sam Altman在一次访谈中被引述称"我们之前没有AGI,现在我们有了",并提到当前可能比想象中更接近RSI(递归自我改进)。这一表态缺乏完整上下文,但结合发布节奏的放缓,不免让人联想二者之间的关联。Anthropic的一位研究员则给出了更具体的时间线:距离广泛意义上的超级人类AI可能只有约1.3年,即2026年末至2027年前后,其定义是在几乎所有领域达到或超越顶尖专家水平。

行业张力也在累积。上周末,六个国家超过一千人参与了一场AI条约游行,被描述为历史上规模最大的AI安全抗议活动。OpenAI则公布了一项涉及1800多名参与者的学术研究者计划调研,科学家自报生产力接近翻倍,用途涵盖头脑风暴、复杂数据集分析、代码编写与科研流程加速——当然,这属于自报数据。医疗方向上,OpenAI推出了更强的计算机使用智能体和20余项医疗插件,Aetna、Cigna、CVS Health等机构将其用于保险预授权、患者转诊、出院规划与患者触达等行政环节。

把这些线索放在一起看,OpenAI当前最大的障碍或许已经不是模型智能本身,而是如何让越来越强的系统变得足够安全、可以交到公众手中。这也解释了为什么一个在基准上大幅领先的模型,会以一种泄露的方式先于发布会与世人见面。

#GPT-6.2 Astra#OpenAI AGI#Gemini 4 Neon#腾讯HY4 Flash#Claude Code#AI模型安全对齐#AI编码工具
分享:

相关推荐