اوپنایآی دو مدل زبانی تازه منتشر کرد: GPT-6.2 Astra که برای کارهای تخصصی و پرمطالبه طراحی شده و GPT-6.2 Sol که برای استفاده روزمره ساخته شده است. به گفته این شرکت، هر دو در بنچمارکها از پیشینیان خود بهترند و اجرایشان هزینه کمتری دارد.
هر دو مدل حالا برای کاربران طرحهای Plus، Pro، Enterprise و Edu در ChatGPT Work و Codex در دسترساند. مشترکان Pro-500 میتوانند با هر دو مدل از حالت Ultrafast استفاده کنند. برای نخستین بار، مشترکان Pro-200 هم دسترسی به Ultrafast را دریافت میکنند که با GPT-6.2 Sol آغاز میشود.
توسعهدهندگان میتوانند هر دو مدل را از طریق API اوپنایآی فراخوانی کنند. اوپنایآی میگوید قیمت API مدل GPT-6.2 Astra نسبت به قبل ۲۰ درصد ارزانتر شده است: ۸ دلار برای هر میلیون توکن ورودی، ۰.۴۰ دلار برای ورودیهای کششده و ۴۰ دلار برای هر میلیون توکن خروجی. GPT-6.2 Sol همان قیمت GPT-6.1 Sol را حفظ کرده است: ۲ دلار ورودی، ۰.۱۰ دلار ورودی کششده و ۱۰ دلار خروجی برای هر میلیون توکن.
**اوپنایآی Astra را «بهترین مدل جهان برای دانشمندان» مینامد و از اسلایدهای صیقلخورده میگوید**
اوپنایآی GPT-6.2 Astra را طوری آموزش داده که قراردادهای حرفهای در حوزههایی مثل حقوق، مالی و حسابداری را قابلاعتمادتر رعایت کند. به گفته شرکت، ارائهها چیدمان، رنگ و تایپوگرافی را از قالبها میگیرند و اندازه فونت را دقیق رعایت میکنند. عنوان اسلایدها باید نکته اصلی را برساند و متن بدنه بر جزئیات کلیدی متمرکز بماند.
اعلامیه اوپنایآی بر نسبت قیمت به عملکرد مدلها تکیه دارد. در «آزمون پایانی عاملها» (Agents' Last Exam)، بنچمارکی که گردشکارهای حرفهای چندمرحلهای را میسنجد، GPT-6.2 Astra به گفته اوپنایآی ۵.۲ واحد از پیشینی خود GPT-6 Astra بالاتر است، با کمتر از یکسوم هزینه. همچنین با ۵.۵ واحد اختلاف و تنها با ۵ درصد هزینه، از Claude Fable 5.2 آنتروپیک جلوتر است. تنها Gemini 4 Carbon گوگل در این بنچمارک با Astra همراه میشود.
در بنچمارک حقوقی Harvey LAB-AA که کارهایی مثل تحلیل بندهای قرارداد را پوشش میدهد، GPT-6.2 Astra به گفته اوپنایآی نرخ قبولی Claude Fable 5.2 را بیش از دو برابر میکند، با حدود یکششم هزینه. در بنچمارک داخلی GDPval-v2 که وظایف مشاوره، مالی و طراحی را شامل میشود، اوپنایآی میگوید Astra نسبت به پیشینی خود ۶.۲ واحد درصد بهبود دارد، در حالی که ۲۲ درصد کمتر توکن خروجی مصرف میکند.
به گفته اوپنایآی، توان استفاده از رایانه که از قبل نقطه قوت مدل قبلی بود، بهتر هم شده است. در آزمونها، مدل یک مدل سهبعدی خودرو ساخته، یک حلکننده فیزیک با پایتون نوشته و نتیجه را در بلندر انیمیت کرده است. در نمایشی دیگر، قطعهای از یک خودروی کنترل از راه دور را قطعهبهقطعه مدلسازی و راهنمای مونتاژ متحرک تولید کرده است.
اوپنایآی مدعی پیشرفت در طراحی وب هم هست. در بنچمارک سهبعدی AA-3D که در آن داوران انسانی دو تجربه تعاملی بینام را مقایسه میکنند، GPT-6.2 Astra با ۱۳۱۸ امتیاز الو اول است؛ Claude Fable 5.2 با ۱۲۷۱ و GPT-6.2 Sol با ۱۲۵۹ در پی آناند.
در Terminal-Bench-Science، بنچمارکی که گردشکارهای علمی در ترمینال را میسنجد، مدل به گفته اوپنایآی ۹ واحد درصد بالاتر از GPT-6 Astra است، باز هم با کمتر از یکسوم هزینه. Astra رکورد تازهای هم در شاخص علوم Vals ثبت کرده که میسنجد مدلها دادههای زیستی را چقدر خوب تفسیر و آزمایش اجرا میکنند.
**Sol با کسری از هزینه، تقریباً به Astra اصلی میرسد**
به گفته اوپنایآی، GPT-6.2 Sol برای کاربرانی است که مدلی سریع و چندکاره برای کارهای روزمره میخواهند. در بنچمارک کدنویسی FrontierCode 2.0 که بررسی میکند تغییرات کد به استاندارد کیفیت پروژههای واقعی میرسند یا نه، Sol تنها ۰.۵ واحد از Astra عقب است، با یکپنجم هزینه. اوپنایآی میگوید این مدل در کارهای غیرکاری هم خوب عمل میکند.
به گفته اوپنایآی، GPT-6.2 Astra و Sol در امنیت سایبری هم بهتر شدهاند: آسیبپذیریها را مؤثرتر پیدا و بهرهبرداری میکنند، کد امنتری مینویسند و رفع باگ بهتری ارائه میدهند، با بهرهوری توکن بهمراتب بالاتر در چند آزمون. هر دو مدل در چارچوب آمادگی اوپنایآی به آستانه «بحرانی» امنیت سایبری رسیدهاند، همانطور که GPT-6 Astra پیش از آنها رسیده بود.
اوپنایآی در پاسخ، محافظهای سختگیرانهتری برای درخواستهای پرخطر امنیت سایبری اضافه میکند. این محافظها سوءاستفاده را سختتر میکنند، اما به گفته شرکت پژوهش مشروع در حوزه آسیبپذیری و آزمون امنیتی را هم محدود خواهند کرد. اوپنایآی برنامه دارد مدلهای تازه را از طریق OpenAI Daybreak هم عرضه کند؛ برنامهای که از قبل به پژوهشگران امنیتی تأییدشده دسترسی با محافظ کمتر میدهد. ارقام منتشرشده بنچمارک امنیت سایبری از آزمونهای داخلی با محافظها و دستهبندهای خاموش به دست آمده و اوپنایآی روششناسیاش را در گزارش ایمنی همراه توضیح داده است.
**Astra در شاخص هوش مصنوعی تحلیل، دوم میشود**
در شاخص هوش هوش مصنوعی (Artificial Analysis Intelligence Index) که نه ارزیابی در کار دانشی، کدنویسی، علم و دانش عمومی را جمع میکند، GPT-6.2 Astra دوم میشود؛ درست پشت Claude Fable 5.2 آنتروپیک. به گفته تحلیل، Astra پنج واحد از GPT-6 Astra بالاتر میرود و از Gemini 4 Carbon گوگل با ۶۰ امتیاز و Claude Opus 5.5 آنتروپیک با ۵۹ امتیاز جلو میزند. GPT-6.2 Sol دو واحد بالا میرود و به ۵۷ میرسد؛ همسطح GPT-6 Astra، اما تنها با حدود ۱۵ درصد هزینه هر وظیفه.
به گفته تحلیل، اوپنایآی مرز پارتو در نسبت هزینه به عملکرد را در اختیار دارد؛ همان خطی که هیچ مدل دیگری همزمان ارزانتر و بهتر نیست. تنها مدلهای آنتروپیک و متا هم روی این مرز قرار میگیرند. اوپنایآی بیشتر جایگاههای برتر بهرهوری را هم دارد که با توکن خروجی به ازای هر وظیفه سنجیده میشود و Claude Fable 5.2 تنها مدل بیرونی در این فهرست است.
تحلیل ادعاهای اوپنایآی در علم و دانش واقعی را تأیید میکند. GPT-6.2 Astra در Terminal-Bench-Science 0.1 اول است و در آزمون استدلال فیزیک CritPt v2، بنچمارک دانش واقعی AA-Omniscience و بنچمارک دانش HLE-Diamond دوم، پشت Claude Fable 5.2. Astra در طراحی سهبعدی (AA-3D) و رباتیک (AA-Robotics v0.1) هم اول است و در رباتیک ۷۹ میگیرد، در برابر ۷۸ برای Sol و ۷۵ برای Claude Fable 5.2.
اما کدنویسی داستان دیگری است. به گفته تحلیل، هر دو مدل در این حوزه متوقف شدهاند. در شاخص عامل کدنویسی که با مهار Codex و بیشترین توان محاسباتی سنجیده میشود، GPT-6.2 Astra همان جای GPT-6 Astra است. GPT-6.2 Sol حتی سه واحد از GPT-6.1 Sol افت میکند و این افت از سقوط ۱۴ واحدی در SWE-Atlas-QnA-AA میآید، جایی که مدل بیشتر از پیشینی خود واقعیتهای کلیدی را از پاسخ حذف میکند.
تحلیل نرخ بالای توهمزایی را هم علامت میزند. در بیشترین تلاش، GPT-6.2 Astra در ۵۹ درصد موارد توهم میزند و Sol در ۵۵ درصد. این سنجه، نرخ توهم شاخص AA-Omniscience است که میسنجد مدل در پرسشهای واقعی هر چند وقت به جای گفتن «نمیدانم» حدس میزند. این پرسشها بهطور غیرعادی سختاند، پس ارقام بازتاب نرخ توهم روزمره نیستند.
**اپوک ایآی Astra را همسطح Fable 5.2 اما ضعیفتر در وظایف واقعی میبیند**
سازمان پژوهشی Epoch AI مدل GPT-6.2 Astra را پیش از انتشار روی بنچمارکهای خودش آزموده است. مدل در شاخص تواناییهای اپوک ۱۷۴ امتیاز میگیرد و با Fable 5.2 برابر میشود. به گفته اپوک، هر دو مدل از روند قبلی مدلهای استدلالی پیشبینیشده پیش از Astra بهترند.
اما در وظایف واقعی برگرفته از پژوهشهای خود اپوک، Astra از Fable 5.2 عقب میافتد و بهسختی از GPT-6 Astra بهتر میشود. به گفته اپوک، مدل پرسش محوری پروژههای پژوهشی سادهتر را جا میاندازد و برای درست کردن اوضاع دور خودش میچرخد. در وظیفهای درباره پژوهش دیتاسنترهای هوش مصنوعی، Astra بیش از حد محافظهکارانه عمل میکند و برآوردهای کلیدی را رد میکند؛ کاری که به گفته اپوک هیچ پیمانکاری نمیتواند از آن فرار کند. اپوک نوشتار Astra را نسبت به مدلهای آزمودهشده نسبتاً قوی میداند، اما هنوز زیر استاندارد خودش.
نکته چشمگیر، توانایی Astra در اجرای استدلال پیچیده در یک توکن خروجی بدون زنجیره فکر قابل مشاهده است. اپوک ۱۲.۳ گام سریالی برای Astra میشمارد، در برابر ۱۰.۵ برای GPT-6 Astra و ۴.۲ برای Claude Fable 5.1 که در آن زمان قویترین مدل غیراوپنایآی بود. مدلهایی که اینطور استدلال میکنند و کارشان را نشان نمیدهند، رصدشان سختتر است؛ نگرانی ایمنیای که با نخستین مدل Astra هم مطرح شد.
در FrontierMath Erdős، بنچمارکی از مسائل حلنشده ریاضی، GPT-6.2 Astra هفت مسئله از ۶۸ مسئله را حل کرد که هر یک با دستیار اثبات Lean بهصورت صوری تأیید شد. رکورد قبلی سه از ۶۸ بود که GPT-6.1 Sol ثبت کرده بود. یکی از این هفت مسئله پیشتر هیچ راهحل شناختهشدهای نداشت.
**Vals AI هر دو مدل را در ده مدل برتر میگذارد اما ضعف حقوقی میبیند**
GPT-6.2 Astra رتبه هفتم و GPT-6.2 Sol رتبه نهم را در شاخص Vals دارند، با اختلاف تنها ۱.۶ امتیاز. اما شکاف قیمتی بزرگ است: Sol در هر وظیفه ۳.۱۸ دلار هزینه دارد، کمتر از یکسوم Astra با ۱۰.۶۸ دلار، و همین آن را ارزانترین مدل میان ده مدل برتر میکند. Astra هم از پیشینی خود ارزانتر شده و با ۲.۶ امتیاز بالاتر، حدود نصف هزینه ۲۱.۲۸ دلاری هر وظیفه GPT-6 Astra را دارد. به گفته Vals AI، Astra کمترین توکن خروجی را میان ده مدل برتر مصرف میکند و بهطور میانگین ۹۱ هزار در هر وظیفه.
Vals AI ادعای اوپنایآی برای جایگاه اول در شاخص علوم Vals را تأیید میکند. Astra در این رتبهبندی اول است و در Terminal-Bench Science و VCB 1–100 هم با حدود نصف هزینه و نصف زمان اجرای GPT-6 Astra اول میشود. Sol در Terminal-Bench Science سوم است، با حدود یکچهارم هزینه Astra. در Terminal-Bench 4 گستردهتر برای کدنویسی عاملی، Astra پنجم و Sol هفتم است.
به گفته Vals AI، آزمونهای حقوقی جایی است که مدلها کم میآورند. در بنچمارک HLAB، Astra و Sol امتیاز پیشینیان خود را دو برابر میکنند اما فقط یازدهم و بیستویکم میشوند. در بنچمارک پژوهش حقوقی افت تندتر است: Astra سیام و Sol پنجاهودوم. Vals AI میگوید مدلها تقریباً دو برابر پیشینیان خود فراخوانی ابزار انجام میدهند اما پاسخ کوتاهتری مینویسند.
اوپنایآی در سپتامبر محصول تخصصی «Astra for Law» را معرفی کرد که در بنچمارک پژوهش حقوقی بسیار بهتر از مدل پایه عمل میکند و به رتبه ششم میرسد. Vals AI هر دو مدل را با پنجره زمینه یک میلیون توکن و حداکثر ۱۲۸ هزار توکن خروجی در بیشترین تلاش استدلال آزموده است.
**GPT-6.2 Astra نخستین مدل منتشرشدهای است که به آستانه «بالا» برای خودبهبودی هوش مصنوعی میرسد**
به گفته اوپنایآی، GPT-6.2 Astra نخستین مدل منتشرشده در بیرون است که به آستانه «بالا» برای خودبهبودی هوش مصنوعی میرسد. شرکت میگوید مدل میتواند پژوهش هوش مصنوعی را بهطور معناداری سرعت دهد؛ معادل اینکه به هر پژوهشگر اوپنایآی یک مهندس پژوهشی بسیار ماهر اضافه شود.
اوپنایآی این را صریحاً یک ریسک میداند: مدلهایی که میتوانند به ساخت سیستمهای هوش مصنوعی آینده کمک کنند، ممکن است میدان را سریعتر از توان نظارت انسانی و تدابیر ایمنی پیش ببرند. صنعت اکنون این مسئله را با برچسب RSI بررسی میکند.
اوپنایآی بهعنوان اقدام متقابل به کنترلهای سختگیرانهتر در محیطهای پژوهشی و سیستم پایش Control Room اشاره میکند که میتواند وظایف پژوهشی را ردیابی و در صورت نیاز متوقف کند. شرکت میگوید پایش خود را گسترش داده تا شیوه استدلال و عمل مدلها را بررسی و رفتار غیرمجاز را خودکار علامت بزند.
به گفته اوپنایآی، مدلهای تازه در همسویی، یعنی میزان پیروی از دستور کاربر و صداقت در ارتباط، همسطح پیشینیان خود هستند. اما در دو آزمون، بیشتر از قبل نتوانستند موانع پیش روی کارشان را علامت بزنند؛ چیزهایی مثل فایل گمشده یا ابزار جستوجوی در دسترس نبودن.