GPT-6.2 Astra首发24小时口碑大翻车,硅谷大佬集体差评
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
本文来自微信公众号“量子位”,作者:梦晨,36氪经授权发布。















