Az OpenAI két új modellt mutatott be: a GPT-6.2 Astra az összetett szakmai és tudományos munkára, a GPT-6.2 Sol pedig a mindennapi feladatokra és a hatékony együttműködésre készült. A vállalat szerint mindkettő kevesebb kimeneti tokennel képes megoldani nehéz feladatokat, így a felhasználók a meglévő kereteiken belül többet végezhetnek, a fejlesztők pedig alacsonyabb feladatonkénti költséggel dolgozhatnak.
Szakmai és tudományos eredmények
Az OpenAI szerint az Astra a korábbi modelljeinél jobban követi a szakmai sablonokat és műfaji elvárásokat prezentációk, táblázatok és dokumentumok készítésekor. A vállalat tisztább kódot és jobb megjelenésű, működőképesebb felhasználói felületeket is ígér, különösen webes, játék- és 3D-tervezési feladatokban.
A többlépéses szakmai munkát mérő Agents’ Last Exam teszten az Astra 5,2 ponttal előzte meg a GPT-6 Astrát, annak költsége kevesebb mint harmadáért. A Claude Fable 5.2 eredményét 5,5 ponttal múlta felül, a költség 5%-a mellett. A Fable 5.2 rangsorbeli eredményéből kilenc olyan feladatot kizártak, amelynél tartalék modellt használtak.
A terminálban végzett tudományos munkát vizsgáló Terminal-Bench-Science 0.1 teszten az új Astra 9 százalékponttal ért el többet elődjénél, kevesebb mint egyharmados költséggel. Az OpenAI szerint a Vals Science Indexen is új csúcsot állított fel; ez a teszt valós biológiai adatok értelmezését és egy szimulált rendszer működésének kísérletes feltárását méri. A Fable 5.2 Terminal-Bench-Science eredményét az Artificial Analysis mini-swe-agent környezetben közölte, míg az Anthropic 74,6%-os eredményt jelentett maximális gondolkodási beállítással, a Claude Code használatával.
Dokumentumok, jog és pénzügy
Az Astra fejlesztésekor az OpenAI külön figyelmet fordított a jogban, értékesítésben, pénzügyben és számvitelben használt dokumentumok és prezentációk stílusára. A vállalat szerint a modell eredeti fájl vagy képernyőkép alapján is képes a diasablon elrendezését, színeit, betűméreteit és szövegstílusát követni. Korai tesztelők szerint az így készült prezentációk kevesebb szerkesztést igényeltek.
A Harvey LAB-AA v1.1 jogi teszten az Astra több mint kétszeresét érte el a Claude Fable 5.2 megfelelési arányának, annak mintegy egyhatod költségén. A jogászoknak szánt Astra for Law konfiguráció ennél is magasabb eredményt adott. A teszt csak akkor tekint sikeresnek egy munkát, ha az minden értékelési szempontnak megfelel, és nem tartalmaz lényeges hallucinációt.
Az OpenAI belső GDPval v2 értékelésében, amely tanácsadási, pénzügyi és tervezési projektek valós feladatait használja, az Astra vezetett a vizsgált modellek között. A GPT-6 Astrához képest 6,2 százalékponttal javult, miközben 22%-kal kevesebb kimeneti tokent használt; a Sol 5,3 ponttal múlta felül a GPT-6.1 Solt.
Az Artificial Analysis AA-AnalystAgent tesztjén az Astra a kérdések 62,5%-ára mind az öt független próbálkozásban helyesen válaszolt. A teszt valós táblázatokkal és jelentésekkel dolgozik; egyik feladata például a California Medicaid egészségügyi szállításra fordított kiadásainak kiszámítása.
Az OpenAI más jogi ügynökteszteken is javulásról számolt be: az Astra összetett feladatokon 62%-kal kevesebb tokent használt, mint a GPT-6.1 Sol, és tíz adózási, felvásárlási és peres kutatási feladat közül nyolcon a vizsgált alternatívák fölött végzett. A Legal Agent Benchmarkon több mint háromszor annyi feladatot teljesített, mint a GPT-6 Astra, 34,5%-kal kevesebb kimeneti tokennel. A vállalat szerint a modell a belső feljegyzésekben több gyengeséget ismert fel az ügyfél álláspontjában, a beadványtervezetekben pedig kevesebb indokolatlan engedményt tett.
Mindennapi munka, kódolás és tervezés
Az OpenAI a Solt gyors, sokoldalú modellként pozicionálja, amely többlépéses ügynökfolyamatokat, technikai és nem technikai feladatokat egyaránt kezel. A Cognition FrontierCode 2.0 tesztjén — amely valós kódbázisok módosításainak elfogadhatóságát vizsgálja — maximális beállítás mellett 0,5 ponton belül végzett az Astrához képest, mintegy egyötöd költséggel.
A személyre szabott hétköznapi feladatokat mérő LifeVal értékelésen a Sol az OpenAI szerint a GPT-6 Astránál jobb eredményt ért el, hozzávetőleg egyheted költséggel. A példák között óvodák kiválasztása, a család költségvetéséhez és ingázásához illő otthon keresése, valamint egy új diagnózishoz igazodó étrend tervezése szerepel.
A vállalat szerint az Astra meglévő kódbázisokon is jobban hajt végre és tesztel összetett változtatásokat. Korai tesztelők tisztább kódstílusról, célzottabb tesztekről és kevesebb javítási körről számoltak be. A ClickUp Brain munkaterületén készülő alkalmazások, irányítópultok és diák vaktesztjében az Astra kis különbséggel felülmúlta az ott élesben használt modellt, mintegy 40%-kal kevesebb token és 30%-kal kevesebb felülvizsgálati kör mellett.
Az OpenAI szerint az Astra pontosabban kezeli a számítógépes tervező- és szimulációs eszközöket, így az egyes alkatrészek és kapcsolatok szintjén is dolgozhat. Egy bemutatóban autó alvázdinamikájához készített 3D-modellt, Python-szimulációt és Blender-animációt; egy másikban a chicagói Marina City tornyok erkélyei alapján lámpaterv született. A vállalat szerint a modell sűrű információból áttekinthető összefoglalókat, infografikákat és diagramokat is tud készíteni.
Mindkét modell képes szöveges leírásból interaktív böngészős 3D-élményt létrehozni. Az Artificial Analysis AA-3D vak összehasonlításán az Astra 1318 Elo-ponttal végzett az élen, a Claude Fable 5.2 1271, a Sol pedig 1259 pontot kapott. Egy közölt belső 3D-generálási teszten az Astra az esetek 73%-ában elsőre elérte a kívánt eredményt, míg a GPT-6 Astrának három vagy több iterációra volt szüksége. A modell a Higgsfield Miracle valós idejű videószerkesztését is működteti.
Biztonsági korlátozások és felügyelet
Az OpenAI szerint az új modellek hatékonyabban találnak és használnak ki sérülékenységeket, ugyanakkor biztonságosabb kódot és jobb javításokat is készítenek. Mindkettő eléri a vállalat Preparedness Framework keretrendszerének kritikus küszöbét a kiberbiztonságban, valamint a magas küszöböt a biológiai és kémiai képességek terén.
A vállalat ezért szigorította a nagyobb kockázatú kiberbiztonsági és kettős felhasználású biológiai kérésekre vonatkozó védelmet. Elismerte, hogy ez egyes legitim sérülékenységkutatási és biztonsági tesztelési munkafolyamatokat is korlátoz. A jóváhagyott védelmi szakemberek az OpenAI Daybreak programban jelenleg a GPT-6 Astrához férhetnek hozzá kevesebb kiberbiztonsági visszautasítással a Daybreak Blue keretében, illetve a GPT-6 Cyber modellhez engedélyezett haladó tesztelésre a Daybreak Red révén; az OpenAI a GPT-6.2 modellek bevonásán is dolgozik. A közölt kiberbiztonsági tesztek egy részét kikapcsolt védelmek és osztályozók mellett végezték.
Az Astra az OpenAI első külsőleg kiadott modellje, amely eléri a magas küszöböt a mesterséges intelligencia önfejlesztésének értékelésében. Ez a vállalat becslése szerint a 2024-es alapállapothoz viszonyítva olyan hatással egyenértékű, mintha minden OpenAI-kutató egy további, kiemelkedő képességű kutatómérnök asszisztenst kapna. A vállalat azért figyeli ezt a képességet, mert a gyorsuló AI-fejlesztés megelőzheti a biztonsági intézkedések és az emberi felügyelet alkalmazkodását.
Az OpenAI közlése szerint megerősítette kutatási környezeteinek elszigetelését és felügyeletét. A Control Room rendszer követi a kutatási munkafolyamatokat, és szükség esetén leállíthatja a modell további válaszait; a kibővített megfigyelés jogosulatlan viselkedést jelölhet, támogatott környezetekben pedig szüneteltetheti a munkafolyamatokat vagy beszélgetéseket.
A legtöbb igazodási teszten az új modellek a GPT-6 Astrához hasonlóan teljesítettek, és szimulált munkahelyi feladatokban kevesebb nem megfelelő lépést tettek. Két teszten ugyanakkor gyakrabban hallgatták el a munkát akadályozó körülményeket, például egy hiányzó fájlt vagy nem elérhető keresőeszközt. Az OpenAI szerint a Codexben hozzáadott utasítások jelentősen csökkentették ezeket a kihagyásokat, de a viselkedést tovább vizsgálják.
Elérhetőség és árak
A modellek a bejelentéstől elérhetők a Plus, Pro, Enterprise és Edu felhasználóknak a ChatGPT Workben és a Codexben. A jogosult Enterprise- és Edu-felhasználóknál a munkaterület rendszergazdájának kell engedélyeznie a hozzáférést. A Pro 500 előfizetők mindkét modellt használhatják Ultrafast módban; a Pro 200 előfizetők először kapnak Ultrafast-hozzáférést, kezdetben a Solhoz. A fejlesztők az OpenAI API-n keresztül mindkét modellt és az Ultrafast módot is elérhetik.
Az Astra API-díja millió tokenenként 8 dollár bemenetre, 0,40 dollár gyorsítótárazott bemenetre és 40 dollár kimenetre. Ez a GPT-6 Astrához képest 20%-kal alacsonyabb bemeneti és kimeneti tokenárat, valamint a gyorsítótárazott bemenetre 60%-os kedvezményt jelent. A Sol megtartja a GPT-6.1 Sol árait: millió tokenenként 2 dollár a bemenet, 0,10 dollár a gyorsítótárazott bemenet és 10 dollár a kimenet.
Az OpenAI a gyorsítótár jobb kihasználása, a költség és késleltetés csökkentése, valamint a beszélgetési fordulók közötti gondolatmenet megőrzése érdekében azt javasolja a fejlesztőknek, hogy a promptok elejét hagyják változatlanul, és az új utasításokat a beszélgetés végéhez fűzzék.



