AI前沿速递 · 第14期
更聪明,还是更划算?
OpenAI 发布 GPT-6.2 Astra 与 Sol:哥哥啃最难的项目,弟弟包揽日常工作
AI 生成示意图
本期涉及机构
UC Berkeley RDI · Agents' Last Exam 出品方
- Artificial Analysis(第三方测评)
第一章
快讯:两兄弟上岗
2026 年 11 月 17 日,OpenAI 同时推出两个新模型。这次的关键词不只是“更聪明”,更是“更划算”。
token 是什么?
AI 读写文字的计量单位。好比出租车按公里计价,AI 按 token 计价。下面的价格都是“每百万 token”,大约是几本书的文字量。
API 和缓存
API:程序直接向模型“点单”的后厨窗口,按用量付费。缓存:同一段内容再次发送,按“回头客价”收费,便宜很多。
智能体考试
智能体是能自己分步骤把事办完的 AI,像能独立管床的住院医。Agents' Last Exam 是 UC Berkeley RDI 出的多步骤专业工作考试。
①认识两兄弟(点卡片翻面)
②四个数字看懂这次发布(点数字翻面)
跑分(基准测试)就像统一的模拟考卷。以上均为 OpenAI 自报成绩,相当于“自己批卷”。
③视频说 vs 官方说
视频字幕里的 Soul / SOLE 即 Sol,Hurry 即 Harvey,Cloud 即 Claude(语音识别错字)。
第二章
为什么“省字”就是省钱
总花费 = 单价 × 用量。GPT-6.2 不只降了单价,还学会了少走弯路。
①什么是 token?
AI 读和写都按 token 计费。token 可以理解成一个个按字数计费的小格子:1 个英文单词约 1–2 个 token,1 个汉字约 1–2 个 token(不同模型切法不同,仅为直观估计)。总花费 = 单价 × 用量。就像打车:单价便宜固然好,但司机绕一大圈,车费照样高。
计价器¥3.00
②算一算:一次请求要花多少钱?
⚠ 超过 272K:GPT-6.2 整单按高价计费!
试试看:270K 输入 + 10K 输出 → Astra $2.56、Fable $2.56;只多 5K,275K 输入 → Astra $5.00、Fable $2.60。
GPT-6.2 长上下文规则:输入超过 272,000 token 时,整单的输入和缓存单价翻倍、输出单价 ×1.5。上一代长上下文规则未核实,按标准价计。Fable 缓存价未纳入计算(按普通输入价算),Fable 在 1M 上下文内统一价。
价格为每百万 token 的标准档美元价,来源 OpenAI / Anthropic 官方,2026-11-17。实际账单还受推理档位、批处理等影响。
③Agents' Last Exam v1.1:分数 vs 每任务花费
Agents' Last Exam:UC Berkeley RDI 出品,用真实的多步骤专业工作流程考 AI 代理,有可核验的成功标准。
↖ 越靠左上越好:分高又省钱 点或悬停圆点看具体数字
档位:思考越久 ≠ 越好
同一个模型还能选思考深度(low / medium / high / xhigh / max)。Astra 在 xhigh 最好(78.3%,$2.89),开到 max 反而 77.6%、$4.47。更多思考 ≠ 更好。但低档位退步明显:日常任务测试 LifeVal 里,Sol 低档只有 25.3%(上一代 66.8%)。OpenAI 建议新接入从 medium 开始。
来源:OpenAI 图表,经 llm-stats.com 读数,2026-11-17。
第三章
它能接手哪些工作
从 Excel 估值到纸灯、从赛车游戏到生活难题:看看 GPT-6.2 实际做出了什么。
①八个案例,左右滑动看
以上为 OpenAI 发布页展示的案例,由厂商挑选,并非随机抽查。
②专业测试里的成绩
③早期测试公司反馈墙
均为厂商发布页引用的客户说法,未独立验证。
第四章
Claude 擂台:谁更强?
Anthropic 九天前(2026-11-09)刚发布 Claude Fable 5.2,标价和 GPT-6.2 Astra 一模一样:每百万 token 输入 $8、输出 $40。同价位,谁更值?
①价签一览(输入 / 输出,每百万 token,美元)
Sol 与 Sonnet 5.5 也同价。
②擂台记分牌
GPT-6.2 Astra
Claude Fable 5.2灰字:其他模型参考分
怎么选?(编辑观点)
- 要复杂长流程、在意成本:Astra 更划算。
- 要写进真实代码库、做精密 CAD:Fable 仍稍强。
- 日常任务:Sol 和 Sonnet 5.5 同价,各有千秋,先拿自己的真实任务试。
- 跑分多为厂商自测,测试框架不同,分数不能直接横比。
来源:OpenAI 发布页(2026-11-17)、Anthropic 发布页(2026-11-09)、Artificial Analysis(2026-11-17)、VentureBeat 价格表。
第五章
核查台 + 课堂
视频里的说法,逐条盖章;再用三道题检验你看懂了没有。
①核查台:点卡片看结论
属实属实但要打折视频没说
核查依据:OpenAI 发布页与系统卡(2026-11-17)、Anthropic 发布页(2026-11-09)、Artificial Analysis(2026-11-17)。
三问判断法
- 这个分数是谁测的?
- 跟谁比、用什么条件比?
- 视频没说的是什么?
②课堂小测
③课堂讨论
讨论一
如果一个模型分数更高但更贵,另一个便宜但稍弱,你写作业会怎么选?为什么?
讨论二
厂商自己发布的跑分,你会信几成?还需要看什么?
编辑观点
对医学研究意味着什么(麻醉医生视角)
系统卡里有个值得细看的数字:在 HealthBench Professional 医学测试上,Astra 和 Sol 的原始分(66.0 / 65.5)低于上一代 GPT-6 Astra(68.2);但把回答长度的影响校正后,分数又反超(66.3 / 65.9 vs 64.7)。这就像麻醉交班:话说得短不等于漏了信息,但也可能真漏了关键一句。评估医学 AI,要同时看“说得准不准”和“有没有少说”。
另一个数字:在模拟自伤相关对话的安全合规测试中,Astra 91.7%、Sol 95.1%,都低于上一代的 98.9%。
还有前面提到的“遇到障碍不主动说”——放在临床就是“不报告异常”。用 AI 处理临床数据时,应要求它明确列出做不到、没做完的地方,并由人复核。
更聪明,还是更划算?这一次,OpenAI 的答案是“用更少的字,干更多的活”。但聪明不等于可靠——看懂跑分,才是我们这一代人的必修课。