[控场AI]
· 12 分钟阅读· 6,437 字

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

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。

And where I disagree with all of this is the framing. You've got people like Matthew Berman,

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。

and basically your everyday driver. Now what's impressive with these models is its creative

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。

covered it just yesterday and now it's reportedly

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。

builds. Simply head over to Settings, then the Desktop app, and switch to Latest, and this is

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。

#GPT-6.2 Astra#Gemini 4 Neon#Claude Fable 5.5#Anthropic Silicon 2#OpenAI 新模型#AI 模型对比#微软 MAI 模型
分享:

相关推荐