OpenAI представила передовую ИИ-модель GPT-6.2 Astra — 2-е место в рейтинге ИИ и шквал критики

Пост опубликован в блогах iXBT.com, его автор не имеет отношения к редакции iXBT.com

Компания OpenAI представила GPT-6.2 Astra и GPT-6.2 Sol, бросая вызов конкуренту — Anthropic — прежде всего за счет более выгодной стоимости. Это не самая «умная» ИИ-модель в мире, зато лучшая по соотношению цены и качества.

Автор: Qwen Ai Источник: chat.qwen.ai

По заявлению OpenAI, GPT-6.2 Astra — это новая флагманская модель для решения наиболее сложных задач, а GPT-6.2 Sol — эффективное решение для повседневной работы. Обе модели лучше справляются со сложными задачами, потребляя при этом меньше выходных токенов. Новинки уже доступны платным пользователям ChatGPT Work и Codex, а также через API.

Второе место в рейтинге Artificial Analysis

В независимом рейтинге Artificial Analysis модель GPT-6.2 Astra заняла второе место. Ей не хватило трех баллов, чтобы догнать лидера — Claude Fable 5.2 (от Anthropic), который ранее сместил с первой строчки модель Gemini. Вот как выглядит верхняя часть списка в рейтинге Artificial Analysis Intelligence Index v5:

  • Claude Fable 5.2 (Anthropic) — 65 баллов;
  • GPT-6.2 Astra (OpenAI) — 62 балла;
  • Gemini 4 Carbon (Google) — 60 баллов;
  • Claude Opus 5.5 (Anthropic) — 59 баллов;
  • GPT-6.2 Sol (OpenAI) — 57 баллов.

Таким образом, Astra улучшила свой результат на пять баллов по сравнению с GPT-6 Astra, обойдя Gemini 4 Carbon и Claude Opus 5.5 (в их наиболее мощных конфигурациях). Модель Sol прибавила два балла по сравнению с GPT-6.1 Sol и теперь находится на одном уровне с GPT-6 Astra, однако стоимость выполнения одной задачи у нее составляет лишь около 15% от стоимости Astra.

Выполнение одной задачи с использованием модели Astra (при максимальном уровне «размышлений») обходится примерно в 4 доллара, тогда как для Fable 5.2 эта цифра достигает 27 долларов. Модели OpenAI занимают большую часть так называемой «границы Парето» (Pareto front), предлагая наилучшее соотношение цены и производительности. OpenAI также лидирует по показателю расхода выходных токенов на одну задачу; Fable 5.2 — единственная модель от другого разработчика, попавшая в эту категорию.

OpenAI занимает первое место в бенчмарке Terminal-Bench-Science, оценивающем процессы научных исследований, а в тесте по физике CritPt уступает только модели Fable 5.2. В проверке фактических знаний (AA-Omniscience), а также в тесте на общие знания и логическое мышление HLE-Diamond, новую модель Astra превосходит лишь Fable 5.2.

В бенчмарке AA-3D, где люди оценивают интерактивные 3D-среды, не зная, какая именно модель их создала, Astra лидирует с результатом 1318 баллов по системе Эло, опережая Fable 5.2 (1271 балл) и Sol (1259 баллов). В тесте AA-Robotics, оценивающем способность языковых моделей планировать действия и взаимодействовать с реальным миром, Astra (79 баллов) и Sol (78 баллов) также обходят Fable 5.2 (75 баллов). В Artificial Analysis планируют усложнить этот тест, поскольку модели от OpenAI и Anthropic уже успешно справляются с большинством базовых задач.

В индексе Coding Agent показатели Astra остаются на прежнем уровне, а Sol теряет три балла. Причиной стало снижение результата на 14 пунктов в тесте SWE-Atlas-QnA: модель Sol чаще, чем её предшественница, упускает важные факты при формировании ответов. Тем не менее, благодаря низкой стоимости, несколько конфигураций Astra и Sol всё же попадают на «границу Парето». Стоимость в расчете на токен у модели Astra также снижается. Один миллион входных токенов теперь стоит 8 долларов, а один миллион выходных токенов — 40 долларов; это на 20 процентов меньше, чем было ранее для GPT-6 Astra. Цена за кэшированные входные токены уменьшается с 1 доллара до 0,40 доллара за миллион. Для модели Sol расценки остаются прежними: 2 доллара за входные токены и 10 долларов за выходные.

Что OpenAI обещает в своем блоге

В публикации, посвященной запуску, сама компания OpenAI демонстрирует привычную уверенность в себе. Вот ключевые тезисы. Презентации, таблицы и документы, созданные с помощью Astra, должны выглядеть «менее похожими на продукт ИИ» модель способна точно воспроизводить шаблоны, вплоть до размера шрифта. В ходе внутреннего тестирования GDPval v2, предназначенного для оценки интеллектуального труда, Astra показала прирост эффективности на 6,2 процентных пункта, потребляя при этом на 22% меньше выходных токенов.

Согласно данным OpenAI, в бенчмарке «Agents‘ Last Exam» (оценивающем выполнение многоэтапных профессиональных задач) Astra опережает модель Claude Fable 5.2 на 5,5 балла, обходясь при этом всего в 5% от ее стоимости. В юридическом тесте Harvey LAB-AA показатели успешности Astra более чем вдвое превышают результаты Fable 5.2.

В OpenAI считают Astra «лучшей в мире моделью для ученых», отмечая новые рекордные показатели в тестах Terminal-Bench-Science и Vals Science Index. На ​​основе текстовых описаний Astra способна создавать интерактивные 3D-среды, веб-сайты и CAD-модели — например, комплект деталей для сборки радиоуправляемого автомобиля вместе с анимированной инструкцией.

В тесте на написание кода FrontierCode 2.0 модель Sol отстает от Astra всего на 0,5 балла, при этом ее стоимость составляет лишь пятую часть от цены Astra. Как сообщается в блоге, многие сотрудники OpenAI используют Sol в качестве основной модели для повседневной работы.

Впервые достигнут уровень «High» в категории самосовершенствования ИИ

GPT-6.2 Astra — первая выпущенная модель OpenAI, которая, согласно внутренней системе оценки рисков (Preparedness Framework), достигла уровня «High» (высокий) в категории «самосовершенствование ИИ». По словам представителей OpenAI, это означает, что модель работает так, словно у каждого исследователя в компании появился дополнительный, крайне способный инженер-исследователь в качестве помощника. Сама компания OpenAI предупреждает: модели, помогающие в разработке будущих систем искусственного интеллекта, могут настолько ускорить прогресс, что меры безопасности и человеческий контроль перестанут за ним поспевать. Для решения этой проблемы создана новая система — «Control Room» (диспетчерская), предназначенная для мониторинга исследовательских процессов и, при необходимости, остановки работы модели.

В сфере кибербезопасности обе модели — как и их предшественница GPT-6 Astra — получили высший уровень оценки: «Critical» (критический). В связи с этим OpenAI оснастила их более строгими механизмами защиты, которые, однако, ограничивают даже легитимные исследования в области безопасности. Для специалистов по защите предусмотрена программа Daybreak, предоставляющая доступ к менее ограниченным версиям моделей.

Разработчики разочарованы

Едва модель была представлена, как в социальной сети X на нее обрушилась волна критики со стороны сообщества разработчиков. Наиболее громко высказался Тео Браун, генеральный директор компании T3 и известный техноблогер, который получил возможность протестировать Astra до официального релиза. В открытом письме к OpenAI он отметил, что в своей работе разработчика предпочел бы использовать Claude Opus 5.5, а не Astra. Браун признает сильные стороны новой модели: она отлично справляется с проверкой кода (code review), демонстрирует «мировой уровень» в работе с 3D-графикой и играми, а также эффективно управляет компьютерными интерфейсами. Однако список выявленных им недостатков оказался весьма внушительным.

При выполнении объемных задач Astra может «застопориться», задавая внутренние технические вопросы, на которые пользователь просто не в состоянии ответить. Например, при попытке создать новый уровень для игры Outer Wilds модель спустя два часа работы прервалась, чтобы уточнить детали, касающиеся внутренних имен файлов.

Astra чрезмерно углубляется в детали, объясняя код так, что это оказывается сложнее самого кода. Теперь Тео использует модель Opus 5.5 для обобщения результатов, полученных от Astra. Так, на вопрос о причинах медленной работы компьютера Astra выдала четыре абзаца текста об управлении пакетами, тогда как Opus ответил лаконично: «Медленный SSD».

В рамках проекта по переписыванию компилятора TypeScript на языке Rust система Astra проработала семь дней, не добившись ровным счетом никакого прогресса, а в итоге лишь замедлила работу компилятора на 56%. Ранее модель Opus справилась с этой базовой задачей менее чем за две недели, потратив на токены около 20 000 долларов.

Автор прогнозирует: в первый день все будут в восторге от модели, а через две недели о ней уже почти забудут. Впрочем, он допускает, что, возможно, реагирует слишком остро.

Другие эксперты также не выражают особого восторга. Разработчик Маккей Ригли заметил, что Astra 6.2 — это «довольно неплохая реклама для IPO компании Anthropic», которое должно состояться в четверг. Эксперт в области ИИ, известный под ником Token Gremlin, предполагает, что OpenAI поспешила с запуском, чтобы помешать выходу Anthropic на биржу, но в итоге лишь оказала конкуренту услугу. Он указывает на проблемы модели с согласованием (alignment) и безопасностью, отмечая, что при выполнении длительных задач она начинает «говорить на чужом языке». Кроме того, пользователь synthwavedd обращает внимание на то, что в рейтинге Coding Agent Index от Artificial Analysis модели Astra и Sol не превосходят своих предшественниц и уступают всем актуальным версиям Claude.

Больше возможностей, новые недостатки

В двух тестах новые модели чаще «замалчивали» препятствия, мешавшие выполнению задачи — например, отсутствие необходимого файла. Согласно системному отчету (system card), у модели Astra это происходило примерно в 22% случаев — вдвое чаще, чем у GPT-6 Astra. В систему Codex компания OpenAI добавила инструкции, призванные существенно снизить частоту подобных ситуаций, однако при прямом использовании через API эти меры не действуют.

Проблемы остаются и с «галлюцинациями». По данным Artificial Analysis, при максимальном уровне «размышлений» (вычислительных усилий) доля галлюцинаций составляет 59% для Astra и 55% для Sol. Этот показатель отражает, как часто модель пытается угадать ответ на фактический вопрос, вместо того чтобы признать, что не знает его. Модели Gemini 4 Carbon и, в особенности, Fable 5.2 показывают здесь лучшие результаты. Кроме того, британский Институт безопасности ИИ (AI Security Institute) обнаружил в предварительных версиях универсальный способ обхода ограничений («джейлбрейк») для получения ответов на вопросы, связанные с кибербезопасностью. По заявлению OpenAI, уязвимость была устранена, однако на момент публикации системного отчета это еще не было подтверждено независимой проверкой.

Источник: Artificial Analysis

Автор не входит в состав редакции iXBT.com (подробнее »)

Сейчас на главной

Новости

Публикации

Зачем в Чикаго зажигают огонь между рельсами перед проходом поезда

На зимних кадрах из Чикаго пригородный поезд Metra проходит над полосой огня. Низкие языки пламени тянутся вдоль рельса, подсвечивают снег и остаются на месте, когда вагоны уходят дальше. Огонь...

Почему коты так бурно реагируют на валерьянку и можно ли им её давать

Стоит некоторым котам почувствовать запах валерьянки, как их поведение резко меняется. Ещё минуту назад животное спокойно лежало на диване, а теперь катается по полу, трётся мордой о мебель,...

Не все S-90 — Radiotehnika: почему у брянских версий рассыпались динамики, но бас считался лучше

Даже если перед вами стоят две пары колонок с одинаковым названием S-90, идентичным индексом 35АС-012, одинаковыми весом, габаритами и базовой схемой — это могут быть совершенно разные...

Почему кошка всегда приземляется на лапы? Учёные больше века пытались разгадать этот физический фокус

Кошки обладают удивительной способностью: даже если животное начинает падать спиной вниз, спустя мгновение оно уже разворачивается в воздухе и готовится приземлиться на все четыре лапы. Со стороны...

Обзор GeekWold GK500: премиальные ориентированные на бас наушники

Честно говоря, я даже не предполагал, как много аудиофилов и продвинутых меломанов считают себя басхедами. Как следствие, и наушники им нужны соответствующего уровня, но с солидным таким уклоном в...

Что будет, если домашних свиней на год выпустить в лес

Домашняя свинья кажется вполне безобидным беспомощным животным, которое привыкло к кормушке и заботе человека. И что произойдёт, если выпустить её в лес и оставить там на целый год? Сможет ли...