GPT-6.2 Astra与Sol争议:测评两极分化背后

OpenAI 新旗舰 Astra 与 Sol 6.2 实测:优势真实,争议源于版本不同步。
文章梳理了 OpenAI 发布 Astra 和 Sol 6.2 后引发的舆论风波:早期访问者集体差评,随后官方解释测评版本与最终版本不同步,沟通缺位放大了争议。作者以大量 token 实测后认为,Astra 是一款合格但谈不上出色的模型,在 computer use 和浏览器控制上保持领先,能自主完成东京 3D 场景复刻;它还成功定位并修复了困扰团队 18 个月的录制掉帧问题,展现出桌面诊断价值。视频剪辑是被低估的长板,开源应用 Scarlett 已接近端到端完成剪辑。成本效率上 GPT 系列占优,但订阅配额优势已转向 Anthropic。结论是按任务类型分流使用,并认为模型值得再给一次机会。
OpenAI 同时放出 Astra 和 Sol 6.2 两款旗舰模型,但发布前后的舆论并不平静。早期访问测评者几乎集体给出负面评价,随后又出现一波"其实模型很不错"的反向叙事。作为参与早期测试的创作者之一,我花大量 token 深度测试了这两款模型,也无意中卷入了这场争议。这篇文章梳理事件脉络、展示实测结果,并给出我的真实判断。
争议的起点:早期访问者的集体差评
据参与 OpenAI 早期访问计划的创作者反馈,Astra 与 Sol 6.2 发布当天,几乎所有拿到提前访问权的人都在发布负面体验。Matt Schumer 公开表示自己"不打算写完整测评",称测试过程"基本不可用";Theo 直接发了一篇题为《为什么我讨厌 GPT-6.2 Astra》的文章;Paul Soltz 则指出模型不擅长沟通、总结写不好、会提前停止工作、抓错重点。Dan Chipper 的评价是"整体令人失望"。

这些声音叠加在一起,形成了发布初期的负面基调。但事情随后出现转折——OpenAI 的 Thibaut 在社交平台上解释,早期访问者拿到的是数周前的版本,而团队在发布前三四天做了大量改动,且很可能没有组织重新测试。换句话说,测评者们评价的模型和最终发布的模型并不是同一个。
沟通失误放大了争议
更让测评者不满的是信息同步问题。按照惯例,模型更新时 OpenAI 会提前通知重新测试,发布前通常也会给至少一天的预告。但这次多位早期访问者表示,他们几乎是在看到公开发布推文时才知道模型要上线,Matt Schumer 称只提前约十分钟收到通知。这种信息断层,让"集体差评"看起来更像一场误会,而非模型本身的全貌。
实测体验:Astra 是"不错",但谈不上"出色"
我对 Astra 的第一判断是:它是一款合格的模型,但仅此而已。在常规测试项目——建游戏、搭应用、做城市 3D 模拟——它完成度都不错。放在真空环境里看,模型是好的;但用户真实面临的是二选一的预算决策,一旦和 Anthropic 的 Opus、Fable 对比,差距就显现出来了。
浏览器操作仍是 OpenAI 的护城河
Astra 在 computer use 和浏览器控制上依然明显领先。我让它用 Unreal Engine 复刻东京 3D 场景,模型能够自主下载广告牌、品牌 logo 等素材,并手工生成每一栋建筑。最终成品包含大量手工搭建的楼体,视觉上相当震撼。

但过程并不顺利。模型最初的做法是生成建筑立面后下载卫星影像贴图,乍看不错,细看却有窗户和门开在错误位置的问题。我反复提示、逐步引导,它才转向手工建模。这种"不听话"的倾向,正是不少测评者 frustration 的来源——明明指令很清晰,模型却要绕一圈才照做。
computer use(计算机使用) 是让模型直接操作图形界面——移动鼠标、点击按钮、在浏览器和桌面应用中执行多步任务——而不只是生成文本或代码的能力。它通常依赖视觉理解屏幕截图、规划操作序列,并通过工具调用驱动键鼠事件。这一能力对模型提出了更高要求:既要准确识别界面元素,又要在长流程中保持状态一致性。Astra 在这方面的领先,意味着它能在缺乏 API 的软件环境中替用户完成实际操作,例如自动搜集素材、填写表单或跨应用搬运数据。不过,界面操作也容易放大模型“绕路”的倾向——模型可能选择看似可行但效率较低的路径,需要用户反复纠正。
意外的惊喜:修好了困扰 18 个月的顽疾
我团队在录制视频时偶发掉帧,问题持续了约 18 个月。换相机、换 HDMI 线、换电脑、请人类专家排查,都没找到原因。我把 Astra 指向这个问题,它逐一检查相机设置、HDMI 输入,最后打开 OBS 读取录制日志,发现缓冲区设置存在问题——即便设为自动,OBS 在丢帧时也没有真正启用缓冲。Astra 判断需要强制开启,问题随即消失。
这类需要跨软件排查、读取日志并定位根因的任务,恰好落在 Astra 的能力区间内。它不只是一个能写代码的模型,在复杂桌面环境里做诊断同样有价值。
另一条被忽视的长板:视频剪辑
除了 computer use,Astra 在视频剪辑上的表现被严重低估。我一直在开发一款开源 AI 视频剪辑应用 Scarlett,过去数周里驱动全部剪辑功能的就是 Astra。它在对话剪辑上表现稳定,对节奏和取舍有不错的判断。

这个应用已经接近能一次性端到端完成我的视频剪辑。需要说明的是,这是单一来源的体验,Paul Soltz 也提到视频剪辑能力比预期好,算是形成了一定交叉印证。
成本和配额:格局已经反转
社区里流传的对比实验显示,同类任务下 GPT 系列的耗时和开销普遍低于 Anthropic 的模型,Astra 与 Sol 在性价比上有明显优势。有创作者用相同 prompt 对比四款模型,Fable 成品质量领先,Astra 紧随其后,而成本差距达到数倍乃至数量级。
但订阅层面的天平已经倾斜。几个月前我会推荐 OpenAI,因为每周 token 配额远高于 Anthropic;现在 Anthropic 算力充足,Opus 5.5 几乎可以整周不间断运行而不触顶。如果只能选一家付费,我会推荐 Anthropic 的订阅。这与单个模型的跑分无关,而是配额和可用性的现实考量。
订阅配额(token quota) 指付费订阅计划在固定周期内允许消耗的 token 总量或调用次数。对重度用户而言,模型的单次跑分优势可能被配额限制抵消:若一周内频繁触顶,实际可用性会大幅下降。文章提到的“整周不间断运行而不触顶”,反映的是算力供给与限流策略的差异。Anthropic 近期算力充足,使得 Opus 5.5 在高强度使用下仍能维持可用;而 OpenAI 即便单任务成本更低,订阅层面的总量限制仍可能成为瓶颈。因此,选择订阅时不能只看单价或 benchmark,还要看配额上限、重置周期以及高峰期限流情况——这些因素直接决定了模型能否稳定嵌入日常工作流。
我的结论
Astra 和 Sol 6.2 相比 GPT 前代是明显的跃升,但绝非完美。它们在 computer use、视频剪辑和成本效率上有真实优势,在沟通表达、任务坚持度和 UI 细节上仍有短板。发布初期的集体差评,很大程度上源于版本不同步和沟通缺位,而非模型真实水平。

对开发者来说,更务实的做法是按任务类型分流:需要浏览器操作、桌面诊断或视频处理的场景,Astra 值得一试;对输出质量和长时任务稳定性要求极高的场景,Anthropic 的模型目前仍更稳妥。OpenAI 在这轮 rollout 上的处理确实可以更好,但模型本身值得再给一次机会。
相关推荐

Anthropic IPO与GPT-6.2 Astra:模型竞争背后的数据依赖与安全隐忧
深度解读Anthropic IPO与GPT-6.2 Astra发布背后:模型性能取决于训练数据而非通用智商,各领域表现分化明显;思维链监控作为安全支柱正在失效;Anthropic的向上竞争叙事面临内部员工质疑。

Atlassian团队图谱:让AI智能体更懂上下文
Atlassian利用Jira的上下文优势构建Teamwork Graph,连接人员、项目、文档与代码,让AI智能体输出更好且消耗更少token。

DeepMind CTO:产品才是通往AGI的真实路径
Google DeepMind的Koray Kavukcuoglu在播客中阐述:AGI没有测试,产品才是通往AGI的真实路径;Gemini每代均为手工定制,架构持续演化,安全依赖对思维链的实时监控。