Перейти к содержанию
Публикация AiManual

GPT-6.2 Astra и Sol: что дают новые модели OpenAI и кому они подходят

OpenAI выпустила GPT-6.2 Astra и Sol: разбираем, чем флагман отличается от дешёвой модели, что показывают бенчмарки, сколько стоит задача в API и где достаточно

Коротко

Что будет в материале

  1. 01

    Что OpenAI выпустила в GPT-6.2: Astra и Sol в двух словах

  2. 02

    Astra или Sol: как выбрать модель под свою задачу

  3. 03

    Цены API: как считать стоимость задачи, а не токена

  4. 04

    Что показывают бенчмарки OpenAI и как их читать

Что OpenAI выпустила в GPT-6.2: Astra и Sol в двух словах

OpenAI представила GPT-6.2 Astra как новую флагманскую модель для самых трудных проектов и GPT-6.2 Sol как экономичную универсальную модель для повседневной работы. Astra нужна там, где важны максимальное качество и сложность задачи. Sol подходит для обычной работы, когда решают скорость и расход токенов.

Обе модели, по заявлению OpenAI, лучше справляются со сложными задачами и тратят меньше выходных токенов. Это позволяет выполнить больше задач в пределах действующих лимитов. Практический вывод простой: не нужно переводить весь процесс на флагман, если большая часть запросов типовая. И не стоит экономить на Sol в задаче, где ошибка потребует ручной переделки.

Все цифры и сравнения в этом материале - данные OpenAI, а не независимое тестирование. Перевод анонса OpenAI приводит заявленные цены и позиционирование моделей.

Чем GPT-6.2 отличается от GPT-6 и GPT-6.1

Для Astra заявлено снижение цен: входные и выходные токены на 20% дешевле, чем у GPT-6 Astra, а кешированный вход подешевел на 60%. GPT-6.2 Sol сохраняет цены GPT-6.1 Sol. То есть Sol обновляется по качеству, а не по прайсу, а Astra становится дешевле в API.

Качество тоже меняется. OpenAI пишет, что слайды, таблицы и документы выглядят естественнее и точнее следуют предоставленным шаблонам и правилам отрасли. Модель даёт более чистый код и улучшает внешний вид и работу интерфейсов, особенно в сайтах, играх и проектах с 3D.

Переход с GPT-6 Astra имеет смысл, если вы уже платите за флагман и хотите снизить счёт при сопоставимом или лучшем результате. Для пользователей GPT-6.1 Sol обновление связано не с ценой, а с качеством и расходом токенов. Если задачи простые, спешить с миграцией не обязательно. История GPT-6 Sol и Luna показывает, как OpenAI выстраивала линейку до 6.2.

Astra или Sol: как выбрать модель под свою задачу

Astra оправдана, когда задача тяжёлая и ошибка дорога: сложный код и рефакторинг, финансовые модели, разбор больших документов и научных статей, отчёты и презентации по данным, CAD/3D. Sol подходит для повседневных задач, типовых текстов, правок, коротких запросов и промежуточных шагов в пайплайнах. По формулировке OpenAI, если задача обычная, Sol справится за меньшее число токенов. Русскоязычный обзор GPT-6.2 Astra описывает это разделение так: флагман для самых тяжёлых задач, Sol для повседневной работы.

Вопрос «Astra или Sol, что выбрать» решается по цене ошибки и числу итераций. Платить в 4 раза больше за токены имеет смысл, если Astra сокращает число итераций и переделок. Если задача решается с первого прохода, разница в цене не окупается. Сценарии использования стоит проверять на своих задачах, а не по названию бенчмарка.

ЗадачаМодельПочему
Аудит большого договора или годового отчётаAstraБольшой контекст и сопоставление фактов из разных разделов
Сложный рефакторинг и поиск ошибки в большом проектеAstraБолее чистый код и меньше итераций до результата
Финансовая модель с тремя сценариямиAstraРасчёты, проверка чужих расчётов, модели окупаемости
Презентация по финмодели с отраслевыми требованиямиAstraТочнее следует шаблонам и правилам отрасли
Массовые тексты, письма, сводки, простой кодSolРутина, скорость и меньший расход токенов
Типовые слайды и черновикиSolБыстрые промежуточные версии
Маршрутизация и шаги пайплайнаSolДешёвая обработка типовых операций

Задачи, где Astra оправдывает цену

Сложный код: написание и проверка, рефакторинг, поиск ошибки в большом проекте, улучшение интерфейсов сайтов, игр и 3D-проектов. Финансовые модели и расчёты: сценарии выручки, проверка чужих расчётов, модели окупаемости. Большие документы и научные статьи: сравнение договоров, поиск рисков, обзор литературы, план эксперимента, разбор статьи.

Отчёты и презентации по данным, где важны шаблоны и отраслевые правила. CAD и 3D: построение деталей по чертежам и сборка. Под этот сценарий в наборе OpenAI есть отдельный бенчмарк BenchCAD 2.1 Core. Это заявленные возможности OpenAI, а не гарантия результата на любом наборе данных.

Где достаточно Sol

Пост, письмо, сводка, простой код, типовые правки, черновики, промежуточные шаги пайплайна. Sol быстрее и экономнее на каждый день. Если задача требует длинной цепочки рассуждений, работы с большим контекстом или отраслевых требований к оформлению, Sol может потребовать больше итераций. Экономия на токенах тогда съедается переделками.

Практический тест: возьмите 5-10 своих реальных задач с эталонным результатом и прогоните на обеих моделях. Сравнивайте не цену за миллион токенов, а полную стоимость до готового результата и число итераций. Такой тест показывает пригодность под ваш процесс, но не заменяет проверку юридических и финансовых выводов специалистом.

Цены API: как считать стоимость задачи, а не токена

Цены за миллион токенов у OpenAI такие:

МодельВход, $ за 1 млнКешированный вход, $ за 1 млнВыход, $ за 1 млн
GPT-6.2 Astra$8$0,40$40
GPT-6.2 Sol$2$0,10$10

Основная часть счёта обычно приходится на выходные токены. Поэтому сокращение расхода выходных токенов влияет на итог сильнее, чем экономия на входе. Обе модели тратят меньше выходных токенов, и это позволяет выполнить больше задач в пределах лимитов. Но флагман всё равно тратит больше токенов на сообщение, чем GPT-6.2 Sol и GPT-6.1 Terra, поэтому итоговая стоимость зависит не только от прайса. Обзор отдельно отмечает: точная цена видна перед отправкой запроса и в журнале использования.

Методика расчёта: оцените объём входа (документы, код, контекст), ожидаемый объём выхода и долю кешируемого входа при повторных запросах с одинаковым контекстом. Условный пример на числах OpenAI: 100 тыс. выходных токенов стоят $4 на Astra и $1 на Sol. Это только выход. Если добавить 200 тыс. обычного входа, Astra добавит $1,6, Sol добавит $0,4. Итог без кеша: $5,6 против $1,4. При кешировании того же входа Astra добавит $0,08, Sol добавит $0,02, и расчёт снова меняется.

Кешированный вход в Astra дешевле обычного в 20 раз: $0,40 против $8. У Sol тот же коэффициент: $0,10 против $2. При больших стабильных контекстах доля входа в счёте падает, и решающими становятся качество и объём выхода. Для сравнения: Anthropic снизила выходные токены Opus 5.5 до $20 за миллион, поэтому прайс Astra $40 за выход выглядит высоким, но сравнивать нужно стоимость до результата.

Почему расход токенов важнее прайса за миллион

Итоговая стоимость = число запросов × (вход + выход) с учётом кеша. Модель, которая решает задачу за одну итерацию, может оказаться дешевле более дешёвой модели, требующей трёх попыток. В Agents' Last Exam v1.1 GPT-6.2 Astra набрала на 5,2 балла больше GPT-6 Astra при стоимости менее трети от стоимости GPT-6 Astra. Это пример связи качества и расхода токенов в конкретном тесте OpenAI. Переносить вывод на все задачи нельзя.

Когда кеширование входа меняет выбор модели

Сценарии: один и тот же свод правил, кодовая база или пачка договоров в повторяющихся запросах. Кешированный вход Astra стоит $0,40 против $8 обычного, у Sol $0,10 против $2. При больших стабильных контекстах доля входа в счёте падает, и решающим становится качество и объём выхода.

Кеширование работает только при повторном использовании одного и того же префикса, а не при каждом запросе. Если контекст меняется от запроса к запросу, рассчитывать на 20-кратную экономию входа не стоит. Разбор GPT-6 Sol и Luna в Amazon Bedrock полезен как пример распределения моделей по этапам пайплайна и работы с кешем.

Что показывают бенчмарки OpenAI и как их читать

Сразу рамка: все результаты ниже заявлены OpenAI. Независимого тестирования в этом материале нет. Анонс с таблицами приводит набор бенчмарков, но не заменяет проверку на ваших данных.

Agents' Last Exam v1.1 - агентные задачи. GPT-6.2 Astra показала лучший результат: на 5,2 балла больше GPT-6 Astra при стоимости менее трети от стоимости GPT-6 Astra. Она опередила Claude Fable 5.2 на 5,5 балла, потратив 5% от стоимости работы Fable. Оговорка: в рейтинге Fable 5.2 не учитываются девять заданий, в которых использовалась резервная модель.

Terminal-Bench-Science 0.1 - научные задачи в терминале. Здесь у Astra лучший результат: на 9 процентных пунктов выше, чем у GPT-6 Astra, при стоимости менее трети от стоимости GPT-6 Astra.

Vals Science Index v1 с равным весом учитывает анализ реальных биологических данных, понимание работы моделируемых систем по результатам экспериментов и выполнение исследовательских задач. Astra лидирует в этом индексе.

Artificial Analysis Intelligence Index v5.0.1 объединяет девять тестов на интеллектуальную работу, программирование, науку и общие знания. BenchCAD 2.1 Core проверяет, может ли модель построить 3D-детали по чертежам и собрать их. AutomationBench 1.0.6 оценивает рабочие задачи в продажах, маркетинге, операционной деятельности, поддержке, финансах и HR.

FrontierCode, Harvey LAB-AA, GDPval и AA-3D упоминаются в наборе OpenAI. Их методику и цифры здесь не пересказываю, чтобы не подменять заявленные результаты догадками. В нескольких тестах обе модели приблизились к результатам других ведущих моделей или превзошли их при значительно меньшей стоимости задачи.

Правило чтения: смотрите не на лидерборд, а на то, совпадает ли тип задач в тесте с вашими. Если вы делаете презентации по финансовой модели, полезнее смотреть на блок документов и отраслевых правил, а не на общий индекс. Сравнение с Gemini 4 Argon помогает увидеть, как конкуренты подают свои цифры и где начинаются оговорки.

Почему лидерство в бенчмарке не гарантирует результат в вашем проекте

Часть тестов узкая и синтетическая. Условия отличаются от рабочего репозитория или документооборота. Часть рейтингов имеет оговорки, как девять заданий с резервной моделью у Fable 5.2. Поэтому цифра в таблице отвечает на вопрос «как модель прошла этот тест», а не «решит ли она вашу задачу».

Практический совет: соберите мини-набор из 10-20 реальных задач с эталонным результатом и прогоните обе модели. Оценивайте долю задач, решённых без переделки, и полную стоимость до результата. Такой тест показывает пригодность под ваш процесс. Он не заменяет независимого аудита безопасности и не проверяет юридическую или финансовую корректность вывода.

Практические сценарии: код, документы, презентации, CAD и 3D

Код. Astra пишет более чистый код и улучшает внешний вид и работу интерфейсов, особенно в сайтах, играх и проектах с 3D. Её смысл - рефакторинг, проверка сложного кода, поиск ошибки в большом проекте. Sol оставьте для простого кода, черновиков и типовых правок.

Документы. Слайды, таблицы и документы у Astra выглядят естественнее и точнее следуют предоставленным шаблонам и правилам отрасли. Это полезно для отчётов, презентаций по данным и материалов с отраслевыми требованиями. Sol подходит для типовых слайдов, коротких сводок и промежуточных версий.

CAD и 3D. BenchCAD 2.1 Core проверяет построение 3D-деталей по чертежам и их сборку. Для инженерных задач, где важна точность построения, это аргумент в пользу Astra. Sol может закрыть подготовительные шаги: описание, чек-лист, черновик инструкции.

Все примеры выше - описания заявленных возможностей со стороны OpenAI. Замеров времени, отзывов пользователей и гарантий результата здесь нет.

Работа с большим контекстом: когда миллион токенов решает

Окно контекста GPT-6.2 Astra - около миллиона токенов. В один диалог помещаются сотни страниц, например пачка договоров или годовой отчёт целиком. Источник с описанием модели приводит именно такой ориентир.

Практический совет: если задача требует сопоставления фактов из разных частей большого пакета документов, разбиение на чанки повышает риск потерять противоречия. В таком случае контекст - аргумент в пользу Astra. Объём контекста не отменяет проверки человеком, особенно в юридических и финансовых документах.

Ограничения: Preparedness Framework и запросы двойного назначения

Обе модели достигли порога Critical по кибербезопасности в Preparedness Framework. Astra достигла порога High по AI Self-improvement. Из-за этого действуют более строгие ограничения на запросы двойного назначения. Анонс OpenAI описывает эти пороги как внутреннюю классификацию компании.

Практические последствия: задачи на стыке безопасности, анализа уязвимостей и автоматизации исследований могут упираться в отказ или требование уточнений. Для легитимных сценариев формулируйте запрос с явным контекстом и границами: что проверяется, в какой среде, какой результат нужен. Обход ограничений не стоит закладывать в процесс, и строить на этом чувствительные процессы нельзя.

Пороги Preparedness Framework - внутренняя классификация OpenAI, а не независимая оценка рисков. Для регулируемых задач нужна отдельная проверка безопасности и соответствия требованиям.

Как перейти на GPT-6.2 без лишних затрат: короткий чек-лист

  1. Выпишите 10-20 реальных задач и эталонные результаты. Без эталона вы будете сравнивать впечатления, а не качество.

  2. Прогоните задачи на Sol и Astra и зафиксируйте число итераций до приемлемого результата. Успех - доля задач без переделки, а не первый ответ.

  3. Посчитайте полную стоимость с учётом входа, кеша и выхода. Ориентируйтесь на счёт до готового результата, а не на прайс за миллион токенов. Точная цена видна перед отправкой запроса и в журнале использования.

  4. Проверьте, не попадают ли задачи в чувствительную зону двойного назначения. Для безопасности, анализа уязвимостей и исследовательской автоматизации заранее опишите контекст и границы.

  5. Оставьте Sol по умолчанию для рутины и переключайтесь на Astra для тяжёлых задач. Так вы не платите флагманом за письма и сводки.

Попробовать GPT-6.2 Astra предлагается в ChatGPT Work, для интеграции в процессы есть API. Лимиты и доступ зависят от плана и аккаунта, поэтому проверьте их до миграции. Оценка юридических, финансовых и инженерных выводов модели требует профильного специалиста: тест на своих задачах показывает пригодность инструмента, а не заменяет экспертизу.

Начните с одного тяжёлого процесса, где ошибка стоит дорого. Если Astra сокращает итерации и счёт до результата, переносите на неё похожие задачи. Если разницы нет, оставьте Sol и не усложняйте пайплайн.

Подписаться на канал