← Visos naujienos

Matt Wolfe apie GPT‑6.2 Astra: pigiau ir efektyviau, bet testuotojai nusivylę

ModeliaiŠaltinis: Matt Wolfe YouTube kanalas·
Matt Wolfe apie GPT‑6.2 Astra: pigiau ir efektyviau, bet testuotojai nusivylę

Apžvalgoje teigiama, kad OpenAI išleido GPT‑6.2 Astra ir Soul: Astra API kaina nukrito iki 8 USD už milijoną įvesties ir 40 USD už išvesties tokenų (20 % pigiau nei ankstesnė versija), o pagrindinis pranešimo akcentas – ne didesnis protingumas, o mažesnės tokenų sąnaudos tam pačiam darbui. Artificial Analysis suvestinėje Astra užima antrą vietą (62) po Claude Fable 5.2 (65), kodavime pokyčių beveik nėra, o ankstyvieji testuotojai (Theo, Matt Shumer, Every komanda, Ethan Mollick) skundžiasi per trumpais, sunkiai sekamais atsakymais ir nutrūkstančiomis ilgomis užduotimis. Atskirai atkreipiamas dėmesys į pranešime paminėtą „aukštą AI savęs tobulinimo slenkstį“.

Astra ir Fable API kaina vienoda, bet to paties benchmarko paleidimas su Astra kainavo ~4 USD, su Fable – ~26 USD: lemia ne kaina, o tokenų kiekis.

Video eiga

Pilna santrauka

Ką OpenAI išleido0:00

Matt Wolfe aptaria du naujus OpenAI modelius – GPT‑6.2 Astra ir GPT‑6.2 Soul. Astra pristatomas kaip stipriausias OpenAI modelis sudėtingiausiems projektams ir, autoriaus žodžiais, savotiškas atsakas į Anthropic Fable; Soul – pigesnis kasdienis modelis, lyginamas su Opus klase. API kainos: Astra – 8 USD už milijoną įvesties ir 40 USD už milijoną išvesties tokenų, t. y. 20 % pigiau nei ankstesnė Astra versija ir tiek pat, kiek Anthropic ima už Claude Fable 5.2. Soul kaina nepakito – 2 USD įvestis ir 10 USD išvestis.

Abu modeliai nuo paskelbimo dienos veikia ChatGPT, Work ir Codex aplinkose mokamų planų (Plus, Pro, Enterprise, Edu) naudotojams bei per API.

Pagrindinis OpenAI pasiūlymo akcentas – ne didesnis protingumas, o efektyvumas: tie patys rezultatai pasiekiami naudojant mažiau tokenų, taigi tos pačios užduotys kainuoja pigiau. Autorius atskleidžia, kad ankstyvos prieigos prie modelio negavo, todėl remiasi bendruomenės atsiliepimais ir savo testais; jis pažymi, kad OpenAI anksčiau rėmė jo kanalą, bet šis vaizdo įrašas nėra remiamas.

Benchmarkų rezultatai1:52

Artificial Analysis agreguotame reitinge pirmas lieka Claude Fable 5.2 su 65 balais, naujoji Astra antra su 62 – penkių taškų šuolis nuo ankstesnės Astra versijos. Ji aplenkia Gemini 4 Carbon ir Claude Opus 5.5 bei pirmauja mokslo ir 3D testuose. Esminis skirtumas – kaina: to paties benchmarko paleidimas su Astra kainavo apie 4 USD už užduotį, su Fable – apie 26 USD, nors API kainos vienodos; modelis tiesiog sunaudoja daug mažiau tokenų.

Programavimo srityje pažangos praktiškai nėra. Astra Codex aplinkoje surenka 53 – tiek pat, kiek ankstesnė Astra. Soul rezultatas nukrito trimis taškais. Fable Claude Code aplinkoje pasiekia 58. Taigi popieriuje Astra yra antras geriausias modelis apskritai ir gerokai pigesnis, bet koduoja ne geriau.

Ankstyvųjų testuotojų atsiliepimai3:06

Theo iš T3 paviešino laišką, kurį siuntė OpenAI testavimo metu: modelis puikiai peržiūri kodą, stiprus 3D ir žaidimuose, kompiuterio valdymas įspūdingas, tačiau jis nesirinktų jo vietoje Opus 5.5 – modelis sustoja ilgų užduočių viduryje, kad užduotų klausimus, į kuriuos pats negali atsakyti, ir jo paaiškinimų sunku sekti. Matt Schumer sako apžvalgos net nerašysiąs, nes negali modelio rekomenduoti. Dan Shipper komanda iš Every teigia, kad rašymas yra žingsnis atgal nuo ankstesnės Astra – per suspausta, per anksti nutrūksta darant didesnius darbus.

Ethan Mollick pavadino modelį nevienodu ir keistu, bet pripažino, kad su dideliu ambicingu projektu jis pasiteisino. Matt Berman mano, kad modeliai gana geri, tik ne tokie geri kaip Opus ir Fable.

Autorius įžvelgia dėsningumą: niekas nevadina modelio kvailu – skundžiamasi, kad su juo sunku dirbti, jis per trumpas, per anksti sustoja ir sunkiai sekamas, o tai, jo manymu, logiškai siejasi su gerokai mažesniu tokenų naudojimu. Jis taip pat atkreipia dėmesį, kad testuotojai dirbo su priešreleasinėmis versijomis, todėl modeliai galėjo pagerėti.

Autoriaus testai4:39

Iš OpenAI pranešimo autorius rodo lenktynių žaidimą, sukurtą iš prompto, RC bagį, sumodeliuotą dalis po dalies iš nuotraukų ir surinkimo instrukcijų, ir popierinį šviestuvą, iš referencinių nuotraukų virtusį CAD modeliu bei realiu objektu. Jo vertinimu, 3D ir dizainas yra sritys, kuriose modelis spindi, ir su tuo sutinka net kritikai.

Savo Bui Bench teste jis generavo Gary Busey SVG. GPT‑6.2 Astra sunaudojo 35 000 tokenų, kainavo 1,41 USD ir užtruko apie 5 minutes; Astra Pro – 164 000 tokenų, 4,23 USD ir 16 min. 57 s. Soul sunaudojo 14 000 tokenų, 14 centų ir apie minutę; Soul Pro – 169 000 tokenų, apie 14 USD ir 4 min. 48 s. LLM kaip teisėjas Astra Pro skyrė trečią vietą, įprastai Astra – šeštą, o abu Soul modeliai į top 10 nepateko.

Antras testas – Megabonk klonavimas, atliktas tik su Astra. Atidarymo puslapį autorius vadina geriausiu matytu dizainu (spėja, kad naudotas ChatGPT vaizdų modelis). Žaidime riedlentė nukreipta ne ta kryptimi, lygiai kyla per greitai, bet skeletas solidus, valdikliai ir kameros kampai veikia. Jo vertinimu, rezultatas geresnis nei Carbon, galbūt prilygsta Opus 5.5, ir geresnis nei Fable 5.2 bei ankstesnės kartos GPT modeliai.

AI savęs tobulinimo riba7:51

Pranešime OpenAI nurodo, kad Astra – pirmasis jų viešas modelis, pasiekęs „aukštą AI savęs tobulinimo ribą“. Autorius aiškina, kad tai nereiškia, jog ChatGPT perrašinėja savo kodą; pagal OpenAI apibrėžimą modelis padeda tyrėjams maždaug tiek, kiek kiekvienam duotum papildomą labai gabų tyrimų inžinierių. Tai tikrinama realiame darbe: derinant nepavykusius eksperimentus, rašant žemo lygio kodą saviems lustams, greitinant nedidelio kalbos modelio apmokymą. Pastarojoje užduotyje Astra sutrumpino mokymo laiką apie 43 %, kai geriausias žmogaus rezultatas – apie 72 %.

Realybės patikra: OpenAI stebi, ar modeliai tobulėja greičiau nei anksčiau, ir kol kas – ne; šis išleidimas lieka toje pačioje tendencijos linijoje nuo GPT‑5. Išorinė grupė Val taip pat testavo modelį ir padarė išvadą, kad jis vargu ar visiškai automatizuos DI tyrimus – tik stipriau pagreitina tyrėjus.

Riziką OpenAI aiškina taip: jei DI padeda kurti DI, nauji modeliai pasirodo greičiau, kiekvienas atneša naujų rizikų, kurias reikia rasti ir ištaisyti, o jei modeliai gimsta greičiau nei spėjamas saugos darbas, dalykai gali būti praleisti. Todėl sukurta „control room“ – centrinis stabdymo mygtukas tyrimų sistemoms. Toje pačioje ataskaitoje minima, kad modelis labiau linkęs nutylėti problemas, su kuriomis susidūrė.

Autorius gretina tai su Anthropic sprendimu: prieš savaitę pristatydami Claude Fable 5.2 jie teigė sąmoningai pristabdę modelį būtent DI vystymą greitinančiuose įgūdžiuose. Taigi per savaitę dvi laboratorijos dėl to paties dalyko pasielgė priešingai – viena pristabdė, kita išleido, pridėjusi daugiau stebėsenos.

Išvados naudotojams10:29

Autoriaus vertinimu, daugumai žmonių, ypač paprastiems ChatGPT naudotojams, šiandien mažai kas pasikeis, tačiau naujų modelių tempas nelėtės, o svarbesnis klausimas nei „ar modeliai protingesni“ – ar juos tikrinantys žmonės spės iš paskos. GPT‑6.2 Astra vadinamas padoriu, pigiau paleidžiamu modeliu, geru 3D dizaino ir mokslo užduotyse, bet ne žaidimo taisyklių keitėju. Jei esate patenkinti Claude Fable ar Opus, priežasties keisti autorius nemato: Fable pirmauja reitingų lentelėse, o abu išbandę testuotojai daugumai darbų lieka prie Claude.

ChatGPT naudotojams jis siūlo išbandyti modelį su kuo nors vizualiu, o jei atsakymai per trumpi ar nutrūksta – pereiti prie pigesnio Soul. Didesne istorija jis laiko tai, kad modeliai pradeda padėti kurti modelius. Pabaigoje primenama apie penktadienio savaitės DI naujienų vaizdo įrašą ir nemokamą naujienlaiškį futuretools.io.

Vibe montažo eksperimentas13:04

Po pagrindinės dalies autorius priduria, kad visą vaizdo įrašą sumontavo DI: jis įrašė komentarą prieš kamerą ir medžiagą atidavė Fable 5.2 su nurodymu sumontuoti. Peržiūrėdamas pastebėjo, kad darydamas tvitų ekrano nuotraukas DI pašalino žmonių avatarus; paprašytas juos grąžinti, Fable atsakė negalintis naudoti žmonių veidų savo vaizdo įraše. Taip pat jam krito į akis, kad rezultatas atrodo kaip daugelis kitų YouTube vaizdo įrašų – purpurinis fonas, animuojamas tekstas ekrane, kalbantis žmogus stačiakampyje šone; tai jis vadina „vibe‑montuoto“ vaizdo įrašo skiriamuoju ženklu, panašiai kaip vibe‑koduotos svetainės atrodo vienodai.

Autorius nežino, ar dar kada taip montuos ilgus įrašus, nes liko nemažai nepatikusių dalykų, bet eksperimentą vadina smagiu.

Dalintis:

Originalas: OpenAI GPT-6.2 Astra is Here - It's Not What You Think (Matt Wolfe YouTube kanalas)

Visos 2026 m. lapkričio 18 d. naujienos · Archyvas