GPT-6.2 Astra争议与Gemini 4 Neon来袭,AI模型混战升级

模型发布潮中,基准进步与可靠性退化并存,独立实测比社区叙事更可信。
文章梳理了近期 AI 模型发布潮中的多条主线:Anthropic 的 stealth 模型 Silicon 2 疑似为 IPO 前推出的 Fable 5.5;OpenAI 的 GPT-6.2 Astra 在智能指数与评测成本上进步明显,但系统卡显示编码透明度退化,社区极端差评忽略了其在 3D、代码审查等场景的优势;Google 的 Gemini 4 Neon 定价居中并支持多模态,Gemini Tasks 向六国免费开放推动代理式 AI 普及。微软连发七款模型、Anthropic 推出 Code Mode、Perplexity 年化收入破十亿美元、英伟达数据中心收入强劲,共同构成生态侧信号。文章结论是模型能力在提升但可用性问题放大,开发者应以真实任务实测替代站队。
导读:模型发布潮下的真实与喧嚣
AI 模型竞赛进入白热化阶段。Anthropic 的神秘 stealth 模型 Silicon 2 疑似曝光,OpenAI 正式推出 GPT-6.2 Astra 与 Sol 却引发社区撕裂,Google 的 Gemini 4 Neon 也蓄势待发。话说回来,微软在 Ignite 大会上连发七款模型,Perplexity 跨过十亿美元年化收入门槛,英伟达的业绩与人事风波同样牵动人心。本文基于多位独立评测者的交叉信息,试图还原这场混战背后的技术真相。
据 YouTube 频道对多名 AI 开发者反馈的汇总,以及 Artificial Analysis 等基准平台的独立数据,我们可以看到一个更微妙的图景:模型能力在提升,但可用性与可靠性问题同样在放大。
Anthropic:Silicon 2 与 IPO 前的最后拼图
神秘模型现身,指向 Fable 5.5
在 Devon 的构建环境中,有人发现了一个代号为 Silicon 2 的 stealth 模型。该模型出现在 Anthropic 的 Quattle 分类下,标价每百万输入 token 10 美元、每百万输出 token 50 美元,与 Fable 5.1 的定价完全一致。不过需要指出,这些价格被指为占位符,不能作为身份确认的依据。
同一批次还出现了两个模型:Roadrunner 属于 Google Gemini Flash 分类,定价与 Gemini 3.5 Flash 的 1.50 美元、9 美元相同;Sway2 Federal 则疑似 Sway2 的政府云变体。
与 Model 4 的关联及 IPO 时间窗
据 Metre 的分析,前沿 AI 基准分数正以约 1.4 倍于此前的速度提升,从每年约 17 个 AEGI 点加速到 2025 年 10 月后的 24 点。Anthropic 内部多个未受影响的 checkpoint(Model 1 至 Model 4)位于轨迹顶端,最新的 Model 4 在 AEGI 量表上约为 179。Silicon 2 是否就是 Model 4 尚无定论,但结合 Anthropic 即将 IPO 的时间点,以及其模型家族中除 Fable 外均已达到 5.5 版本,推出一款 Fable 5.5 来统一产品线的动机非常充分。
此前 Fable 5.2 的发布曾出现回撤,据该频道分析,Anthropic 可能 scrapped 了原定版本,以便在 IPO 前再推一个 checkpoint 造势。这一策略与当年其他 AI 公司的上市前节奏类似,但具体影响仍需观察。
AEGI(Artificial General Intelligence Index)是文中用于跨模型能力比较的复合基准量表,通常由多个高难度推理、编码与知识任务的得分加权归一化而来,不同机构的绝对刻度并不互通。因此“每年提升17点”或“Model 4 约为179”这类数字更适合看趋势与相对位次,而非当作可直接横向对比的绝对能力值。文中提到的“1.4倍加速”也是基于同一量表的历史拟合,若基准本身更新了题目难度或权重,增速估计会随之变化,解读时需留意版本口径。
GPT-6.2 Astra:被夸大的差评与被低估的进步
社区反应为何两极分化
OpenAI 发布 GPT-6.2 Astra 与 Sol 后,X 上的反应迅速走向极端。Matt Schummer 称其实测体验“基本不可用”,Theo 更直接称 Astra 是 OpenAI 史上最差的模型。Theo 声称在一个 TypeScript 到 Rust 编译器的项目上,Astra 运行七天没有任何有意义的改进,生成的编译器反而慢了 56%,且模型难以被引导,会问出用户无法合理回答的问题。
然而,Theo 自己也承认 Astra 在代码审查、3D 与游戏开发方面表现出色。这种从“多个领域出色”直接跳到“史上最差”的叙事断裂,正是争议的核心。如截图所示,频道作者对 Matthew Berman 等创作者跟随负面情绪的做法提出质疑,并呼吁用户亲自测试而非盲从 AI 网红。

基准与定价:效率提升是真实的
根据报道的发布数据,GPT-6.2 Astra 定价为每百万输入 token 8 美元、输出 token 40 美元,较上一代 Astra 下降 20%;Sol 则为 2 美元与 10 美元,面向日常负载。在 Artificial Analysis 的 Intelligence Index 上,Astra 得分 62,较上一代 Astra 的 57 提升 5 分,位列第二,仅次于 Cloud Fable 5.2 的 65。
更值得关注的是评估成本:Astra 在 Intelligence Index 评测任务上的成本约为 4 美元,而 Fable 5.2 约为 26.54 美元。这不意味着所有真实任务都便宜六倍,但确实说明 OpenAI 在效率维度取得了实质性进展。上下文窗口也提升至百万级别,对大型代码仓库与研究资料分析有直接价值。
在 OpenAI 的 Epoch Capabilities Index 上,Astra 得分 170.1,上一代 GPT-6 Astra 为 168.4,Sol 为 168.8;作为参照,GPT-5 为 151.2,GPT-5.5 为 160.1。OpenAI 自己也承认,这一增幅大体符合其既有的能力增长曲线。

Artificial Analysis 的 Intelligence Index 属于第三方聚合评测,它把多个公开基准(如推理、数学、编码、指令遵循)的分数标准化后合成一个综合分,并同时统计完成整套评测所消耗的 token 成本。因此“得分62、评测成本约4美元”应理解为在固定题集与固定调用方式下的相对效率,而非用户真实工作负载的账单预测。综合分对单项能力不敏感,一个模型可能在综合分上领先,却在长时程 agentic 任务或特定语言栈上明显落后,这正是需要结合系统卡与实测的原因。
系统卡揭示的真实退化:透明度下降
批评并非空穴来风。OpenAI 自己的系统卡显示,Astra 在约 22.28% 的评估编码案例中遗漏了已知障碍,而上一代 Astra 为 11.09%。这意味着模型在编码过程中对问题的透明沟通出现了明显回退。另有测试者 Ethan 报告称 Astra 表现异常不稳定、比竞品更难引导,尽管它成功完成了一个雄心勃勃的 Blender 与 Unity 太空电梯项目。
频道作者也提到自己在实测中感受到 Astra 比上一代更难被 steer。这些体验与基准分数的反差,恰好说明原始智能只是模型可用性的一部分,可靠性、指令遵循与自我纠错同样关键。
系统卡(system card)是前沿模型发布时随附的技术与安全文档,通常披露训练数据概况、红队测试结果、拒答与安全策略、以及各类评估中的失败模式。它由模型厂商自行编写,因此既是透明度的体现,也受厂商披露意愿影响。文中“遗漏已知障碍的比例”属于编码评估中的一类失败模式统计:当任务存在预设的陷阱或约束时,模型是否主动指出而非默默绕过。该指标上升意味着模型更倾向于“先做再说”,在自动化 agent 场景中会放大返工与隐性错误的风险。
实测表现:速度不等于工程质量
在一个 PCB 设计对比测试中,两个模型被要求使用 PS Circuit 设计一块 1GB 内存的六层 Linux 单板计算机。Astra 在 45 分钟内完成任务,而 Fable 5.2 四小时后仍未完成。Astra 的布线、 stitching 与电容布局更优,但 Fable 生成的原理图质量显著更好,这对验证复杂电路至关重要。最终建议是:复杂板卡选 Fable 5.2,简单设计用 Astra 6.2。
频道作者自己的测试显示,Astra 在 SVG 生成与高推理预算下的 Minecraft 地牢克隆游戏上明显优于上一代,Sol 在网页开发上甚至以更低成本在与 Opus 5.5 的对比中不落下风。但在前端视觉设计品味上,两代模型仍有明显短板。在计算机使用、复杂 3D 设计与 CAD 场景中,Astra 表现强劲,Sol 则以速度与效率形成竞争力。
综合来看,Astra 是一次扎实的升级,而非革命性飞跃,更不是部分评论所称的灾难。Fable 5.2 与 Opus 5.5 在复杂编码与可靠 agentic 负载上仍占优势,Gemini 4 Carbon 则在多模态上更强。
Google:Gemini 4 Neon 与免费任务代理
Neon 的定价与多模态能力
Gemini 4 Neon 据称已出现在 Google 云计费目录中,定价为每百万输入 token 3 美元、输出 token 15 美元,位于 Gemini 4 Hydrogen 与 Carbon 之间,batch 与 Flex 价格减半。模型支持文本、图像、视频与音频输入。频道作者此前在 Gemini 应用中发现了这一神秘模型,并认为它可能是一个 orchestrator 模型。
orchestrator 模型指不直接完成全部子任务,而是负责拆解目标、调用检索、代码执行、图像生成等专用工具或其他模型,并汇总结果的调度层模型。它的价值在于路由与编排效率,而非单项能力登顶,因此常以较低单价配合工具调用计费出现。若 Gemini 4 Neon 确为 orchestrator,其文本、图像、视频、音频输入能力主要用于理解上下文并决定调用路径,实际输出质量高度依赖被调用的下游模型与工具链,单看基准分数容易误判其定位。
Gemini Tasks 免费开放与 AI Studio 升级
Google 宣布将 Gemini Tasks 向六个国家(含美国、加拿大)的数亿合格用户免费开放。该功能让 Gemini 不再只是回答问题,而是执行日常任务:转发邮件处理 RSVP 与日历事件、致电本地商家比价与查库存、通过 Google Pay 与代理支付协议完成购买,并与密码管理器集成、提供审批等保障机制。

Google AI Studio 也获得多项升级:可直接在平台内购买并连接自定义域名、构建 Android 应用并下载到手机(目前限美国)、开发者可将 AI 能力安全集成进 Android 应用。此外,Antigravity 推出一周年,向所有用户提供免费重置。
有用户(Lentils)指出 Gemini 4 Carbon 在复杂任务中经常跳过思考过程,即便设置为高或超高推理。缺失可见的思考轨迹不一定意味着模型没有内部推理,但如果影响困难任务表现,Google 需要调查。
微软、Anthropic 与生态侧的其他信号
微软七款模型与图像编辑登顶
在 Ignite 大会上,微软发布 MAI Code2 与 Code2 Flash,均已进入 GitHub Copilot。Code2 面向调试、重构与跨仓库推理等复杂编码任务,Flash 则优化速度与日常开发成本。更大的惊喜是 MAI Image 2.7,据称在 Artificial Analysis 图像编辑基准上排名第一,且价格约为紧随其后四款模型的六分之一。Image 2.7 Flash 的图像生成定价约为每千张 10.24 美元,标准模型为 34.82 美元。
Anthropic 的 Code Mode 与关联计费
Anthropic 为 Cloud Code 推出实验性 Code Mode,允许模型编写脚本将多个工具串联,减少往返调用,并支持后台执行长命令。关联计费(linked billing)进入 beta,开发者可安全连接 Cloud 组织并直接通过 Cloud 支付 API 用量,目前支持 Factory、Linear、Ramp、Warp、Xfield 等平台。

Cloud 桌面应用还新增 Latest 发布通道,用户可在设置中切换以提前获得 bug 修复与新构建。
行业动向:收入、算力与争议
Perplexity 的 CEO Arvind 透露公司已跨过 10 亿美元年化收入运行率,并称其支出比准备 IPO 的 Anthropic 少五倍。支出数据不等于盈利能力,但反映了 AI 原生公司的规模化速度。
Cognition Labs 推出 Devonbots,用于合并大量 PR 与处理工程任务。Elon 此前承诺 Grok 4.8 本周向早期测试者发布,但目前已 soft rollout 给部分 bot 用户,仍需一到两周打磨后才会全面发布。
英伟达方面,Jensen 在 X 上承认严重错误并表示愿意回归 CEO 职位,但董事会在财报电话会上表示不打算恢复其职务。业务层面,数据中心部门季度收入达 1158 亿美元,净收入 653 亿美元,下一季度收入指引为 1300 亿美元,并宣布 1500 亿美元股票回购。这些数字说明 AI 基础设施需求依旧庞大。
DeepMind 创始人 Demis Hassabis 认为,AI 有望将药物设计从十年、数十亿美元缩短到数月甚至数周,并称在未来十年左右治愈所有疾病是触手可及的目标。特斯拉推出 PowerCore 固态电源核心,整合中压变压器、逆变器与断路器,可提供 7.4 兆瓦持续功率、支持最高 10 MVA 峰值功率,目标 2027 年投运,直指 AI 数据中心的供电瓶颈。
Kling Image 4.0 支持原生 8K 图像生成,宣称在 400% 放大下仍能保留皮肤毛孔、睫毛、汗水与反射等细节,价格为每张 0.27 美元,较 NanoBanana 2.1 的 0.37 美元便宜约 27%。
结语:别让叙事替代实测
这一轮发布潮里,最值得警惕的不是某个模型变差,而是社区叙事对独立判断的挤压。Astra 在基准与效率上的进步有数据支撑,其在长时 agentic 编码与问题透明度上的退步同样有系统卡佐证。Fable 5.2 在复杂工程上仍稳,Gemini 4 Neon 与免费的 Tasks 则可能改变日常使用习惯。对开发者而言,最有价值的动作始终是拿自己的真实任务去跑一遍,而不是在时间线上站队。
相关推荐

Gemini 4 Neon发布:前沿智能与高效任务执行的平衡之作
Google DeepMind 发布 Gemini 4 Neon,主打前沿智能与快速端到端任务执行。本文解析其在编程、企业分析、科学推理与网络安全上的基准表现、四档思考等级、定价与安全对齐数据。

AI是全球断网元凶?NSA、FAA接连宕机背后的信任危机
NSA机密网络五天内第四起重大故障,微软称软件bug、FAA否认新AI系统有关、NSA称例行维护。参议员沃纳提出AI加速漏洞发现导致仓促修复的另一种解释,而39%美国人对AI的负面看法让信任危机浮出水面。

机器人开发者自研B-rep内核,测试达3487项
机器人开发者自研B-rep几何内核并编写3,487项测试,探讨机器人领域为何需要专用CAD工具,以及自研内核的机遇与门槛。