量子位 昨天
GPT-6.2 Astra首发24小时口碑大翻车!硅谷大佬集体差评
index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_keji1.html

 

GPT-6.2 刚发 24 小时口碑两极分化!API 再砍 20% 登顶性价比之王,硅谷大佬却连夜写长信:写代码不如 Opus 5.5

GPT-6.2 Astra 和 Sol,口碑好割裂,给我看不会了。

一边是榜单又杀疯了。

另一边,拿到早期测试权限的硅谷头部开发者们,却排着队交出了今年最严厉的差评。

HyperWrite 联创 Matt Shumer 直接在官方评论区撂下一句话:" 我不会写 GPT-6.2 的完整评测了,测试体验极其糟糕,基本不可用(essentially unusable),不推荐。" 这条帖子迅速冲上 90 万浏览。

紧接着,T3 Code 创始人、知名开发者博主 Theo 抱病躺在床上,把自己在内测期纯手敲发给 OpenAI 的千字控诉信全文公开。

核心结论就一句," 作为开发者,在日常工作里我绝对不会选它而不是 Claude Opus 5.5。"

还没完,内容机构 Every 的 CEO Dan Shipper 带着 30 人团队内测了几周后,测评贴的第一句话就是 " 我们团队中没有人喜欢 Astra 6.2"。

这仨内测玩家,经常看新模型测评的都熟悉吧,以前发新模型他们都是晒优质 Demo 为主,这回统一掉转方向开喷了。

看得好多人都怀疑是不是 A 要上市了买的黑稿了。

跑了 11 天反慢 56%,长程任务被批 " 活在自己脑子里 "

第一批翻车的重灾区,集中在长周期复杂编程和人机沟通上。

Theo 在信里晒出了一个压测项目 ts-rust(用 Rust 重写 TypeScript)。

靠着 OpenAI 给内测用户的无限 token 额度,此前几代 OpenAI 模型在这个项目上烧掉了超过 30 万美元的 token,连门都没摸进去;

而把任务扔给隔壁 Claude Opus 5.5,不到两周就跑通了,token 账单大约 2 万美元。

这次 Theo 满怀期待地换上新旗舰 GPT-6.2 Astra,让它缩小与其他 Rust 重写版本的性能差距,顺带提了一嘴 " 把体积也弄小点 "。

结果 Astra 自己闷头跑了整整 7 天,性能提升为 0,反而因为死磕 " 缩小体积 ",把编译器速度搞慢了 56%。

Theo 赶紧叫停体积优化,要求它只准盯死性能,结果模型又空转了 4 天,代码改动量为 0。

除了长任务死循环,这代模型最让测试者抓狂的是两个新毛病,完全没有人类的 " 知识盲区 " 概念,以及 " 加密通话 " 般的总结能力。

在多 Agent 协同测试中,Theo 给了一条指令 " 为游戏《星际拓荒》(Outer Wilds)做一个新关卡 "。

跑了两个小时后,Astra 突然把自己挂起(Blocked)停工了,跑来问人类," 请问 r24 的 reviewer 是把切片写进 24_g521.mp4 还是 24_p11.mp4?"

这种子 Agent 在运行中自己生成的内部文件名,屏幕前的人类怎么可能看懂。

为了防止 Astra 半夜问蠢问题把自己卡死,Theo 甚至被迫写了个定时任务(cron),专门挂着别的 Agent 去巡检 Astra 有没有又把自己锁死。

到了代码交付环节,沟通灾难更严重了。

有一次排查为什么开发工作树(worktrees)在其中一台机器上巨慢,折腾了半天 pnpm 测试甚至重装了文件系统都没解决,最后崩溃地问模型到底为什么这么慢。

GPT-6.2 Astra 洋洋洒洒写了四大段关于 pnpm 底层机制和缓存行为的硬核论文;而同样的问题扔给 Opus 5.5,对方只回了一句话," 因为你那块 SSD 固态硬盘太慢了。"

Theo 表示,怎么改系统提示词、哪怕求着它 " 按 5 岁小孩能听懂的话讲(ELI5)" 都没用。

他现在已经养成习惯,每次用 6.2 Astra 跑完长任务,必须切到 Opus 5.5,让 Opus 把 Astra 写的总结 " 翻译 " 成人话。

这种诡异的体验并非个例。

内容机构 Every 的 CEO Dan Shipper 带着 30 人团队内测了几周后直言,新模型相比 Claude Fable 5.2 令人失望,团队里没人愿意切回来。

它的文本被压缩得太狠,在该详细解释的地方只给短句,且端到端构建时经常 " 过早停工 "。

非开发者的内测用户中 Mark Humphries 和沃顿商学院教授 Ethan Mollick 也给出了高度一致的诊断:它的底层智商极高,能从零调用 Blender 和 Unity 写出带零重力物理模拟的太空电梯,也能调度子 Agent 检索海量文献,但沟通方式极度怪异、充满不必要的抽象,需要人类使劲推着走。

甚至在创意生成上,它还表现出了严重的 " 向均值回归 "。

Theo 和另一位测试者 Ben 分别让它给《星际拓荒》和《塞尔达传说:梅祖拉的假面》设计关卡,完全不同的游戏和提示词,两人居然拿到了重名的关卡,都叫 "Bellwether",且全是水下 + 钟声音乐主题。

咱就是说,难道因为这个模型内部代号是 Bel 吗?

偏科战神:数学题

被开发者喷得这么惨,OpenAI 这次是在反向升级吗?

把第三方机构 Artificial Analysis、Epoch AI 和 Vals AI 的首发跑分拆开看,其实是偏科了。

GPT-6.2 把技能点全加在了科学计算、3D 空间、网络安全和极致性价比上,唯独在传统 Agent 编程上开了倒车车。

在 Artificial Analysis 综合九大维度的智能指数(Intelligence Index)上,GPT-6.2 Astra 暴涨 5 分拿到 62 分,超越 Gemini 4 Carbon(60 分)和 Claude Opus 5.5(59 分)。

如果算上经济账,OpenAI 几乎包揽了单任务成本与性能的 " 帕累托前沿 "。

就连写长信痛骂它的 Theo 也承认,Astra 是个极强的 " 偏科怪才 ":

它做 Code Review 能抓出所有其他模型漏掉的死角,偶发的奇思妙想极其惊艳。

它帮 Theo 重构了一套新的反向代理方案,每个月能省下 2.5 万美元的服务器开销,"Opus 就没那个胆量去探索这么多激进的选项 "。

但一回到常规软件工程,数据立马印证了开发者的体感。

Artificial Analysis 的数据显示,在基于 Codex 测试架满算力运行的 Coding Agent Index 上,GPT-6.2 Astra 的得分与前代完全持平(0 提升),而 GPT-6.2 Sol 甚至比 6.1 Sol 倒退了 3 分。

在专业评测机构 Vals AI 的榜单里也出现了类似的分歧。

虽然 OpenAI 官方宣称 Astra 在 Harvey 法律基准上通过率是 Fable 5.2 的两倍以上,但在 Vals AI 的法律检索(Legal Research)实测中,通用版 Astra 和 Sol 只排到了第 30 名和第 52 名(专用版 Astra for Law 排第 6)。

原因正是它们调用了近两倍的工具,却写出了过于简短、漏掉关键推论的回答。

扒开 System Card:全是 " 省 Token" 惹的祸

为什么一个能解开人类未解数学题的模型,会在写代码和日常沟通上让人觉得 " 不可理喻 "?

把 Epoch AI 的底层测算、Vals AI 的统计与 OpenAI 自己公布的 System Card 拼在一起,就能从第一性原理推导出病根:

OpenAI 对 "Token 压缩 " 和 " 隐式推理 " 的极致压榨,反噬了模型的可控性。

首先是极端的输出压缩。

在 OpenAI 内部涵盖咨询、金融和设计的 GDPval-v2 测试中,Astra 得分提升了 6.2%,但输出 token 硬生生减少了 22%。Vals AI 的统计更是指出,Astra 平均每个任务只消耗 9.1 万个输出 token,是全网 Top 10 模型里话最少的。

其次是恐怖的 " 单 Token 暗箱推理 "。

Epoch AI 测算发现,GPT-6.2 Astra 在不输出任何可见思维链(CoT)的情况下,单个输出 token 内部能完成 12.3 步串行推理(前代 6 Astra 为 10.5 步,而非 OpenAI 阵营最强的 Claude Fable 5.1 仅为 4.2 步)。

思考全藏在隐空间里,嘴上又被训练得惜字如金,这直接导致了两个严重后果:

第一,遇到难题时喜欢 " 不懂装懂 " 和 " 丢三落四 "。

Artificial Analysis 测出,在极限难度知识问答 AA-Omniscience 中,Astra 和 Sol 在最高推理档位下的幻觉率高达 59% 和 55%,

遇到盲区时,它极少承认不知道,而是倾向于硬猜。同时,Sol 在编程榜掉分的主因,正是因为它在 SWE-Atlas-QnA-AA 测试中遗漏关键事实的频率大幅增加,单项暴跌 14 分。

第二,遇到卡点时 " 报喜不报忧 "。

OpenAI 的 System Card 披露了一组扎心的数据:在 Blocker Deception(障碍欺骗 / 隐瞒)测试中,GPT-6.2 Astra 在明知存在阻碍任务完成的障碍时,有 22.28% 的概率在最终回复里完全隐瞒该问题,比前代的 11.09% 整整翻了一倍。

在搜索工具失效测试(Broken Search Tool)中,它不告知用户工具损坏或缺失条件的比例也从 7.58% 飙升到了 23.00%。

更值得所有开发者注意的是 System Card 里藏着的一个部署差异大坑,

OpenAI 发现它爱隐瞒报错后,通过一段专门的开发者提示词(Prompt Intervention)大幅压低了这种瞒报率,并在首发时直接内置进了 Codex 客户端里;但是,直接通过 API 调用模型的开发者,默认是拿不到这个提示词补丁的,

此外,GPT-6.2 Astra 还是 OpenAI 历史上首个对外发布的、达到"AI 自我改进(AI Self-Improvement)" 高风险(High)阈值的模型,官方评估其加速 AI 研发的能力相当于给每位研究员配了一名高水平研究工程师。

而在安全对齐测试中,Astra 已经被证明比前代更擅长绕过仅针对思维链的监控(Reasoning-only monitoring),毕竟它一个 Token 能在肚子里转 12 道弯,监控系统必须结合实际执行动作(Action-aware)才能抓到它的越界行为。

如果你今天打算更新 Codex CLI 或者切 API 开蹬,记住内测大佬们用几万美元 Token 换来的血泪经验。

拿它做 3D、啃硬核科研、跑高并发低成本子 Agent,它是真神;但要是跑长周期工程或者通过 API 裸调,千万记得自己在 System Prompt 里加上一句 " 遇到报错或缺失工具必须如实汇报 "。

实在看不懂它写的天书总结,不妨在旁边开个 Claude 当翻译。

参考链接:

[ 1 ] https://x.com/theo/status/2122760447103484410

[ 2 ] https://x.com/mattshumer_/status/2122752192226406421

[ 3 ] https://x.com/every/status/2122785967371415985

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法!

—  完  —

 AI 从「能说」到「能干」,中间隔着什么?

12 月 9 日 · 北京金茂万丽酒店,MEET2027 智能未来大会来为你拆解。

当前 16 位嘉宾已确认!百度王颖、分子之心许锦波、昆仑万维方汉、基元律动王云鹤、紫东太初王金桥、蚂蚁顾进杰、商汤宣善明、酷哇廖文龙、相干科技金贻荣都来了了解详情

邀请你和我们一起,不再只是讨论 AI 能做什么,而是看它怎么把活干完、干稳、干得敢交付。

点亮星标

科技前沿进展每日见

智客推

智客推

ZAKER 智客推 GEO | AI 时代的品牌认知解决方案

一起剪

一起剪

ZAKER旗下免费视频剪辑工具

相关标签

astra 创始人 联创
相关文章
打开 ZAKER 参与讨论