OpenAI lançon GPT-6.2 Astra dhe Sol, por përballet me reagime negative nga përdoruesit e avancuar të inteligjencës artificiale
OpenAI lançoi të martën modelet e saj të reja të IA-së GPT‑6.2 Astra dhe GPT‑6.2 Sol, të dyja me rezultate të larta në krahasim me standardet dhe i pari me një ulje çmimi prej 20% në krahasim me ndërfaqen e programimit të aplikacioneve (API) atëherë pse modelet e reja po marrin kritika të ashpra nga disa përdorues të përparuar të IA-së që i testuan ato para lançimit?

Investitori dhe ish-drejtori ekzekutiv i HyperWrite AI, Matt Shumer, tha se nuk do të publikojë një vlerësim më të gjatë me shkrim siç ka bërë zakonisht për modelet e tjera kryesore të OpenAI. Modelet e reja “ishin në thelb të papërdorshme”, shkroi Shumer në një postim në X. Zhvilluesi dhe YouTuber Theo Browne gjithashtu postoi në X se 6.2 Astra ishte “modeli më i keq që OpenAI ka publikuar ndonjëherë”, shkroi ai. Ata veçuan mangësitë e modelit në punën e deleguar dhe detyrat krijuese.

Profesori i Whartonit, Ethan Mollick, pati një përvojë më të përzier me Astra-n. Kompania ndërtoi një ashensor hapësinor të luajtshëm në Blender dhe Unity, por ai e gjeti modelin “shumë të pabarabartë dhe të çuditshëm” dhe më të vështirë për t’u drejtuar sesa modelet rivale.
Astra tani kushton 8 dollarë për milion tokena hyrëse të pa-ruajtjes në memorje dhe 40 dollarë për milion tokena dalëse, ndërsa GPT-6.2 Sol mban çmimet prej 2 dollarësh për hyrje dhe 10 dollarësh për dalje të paraardhësit të tij 6.1 Sol.
Të dyja janë modele pronësore dhe të hostuara. Ato janë të disponueshme tani në ChatGPT Work dhe Codex për përdoruesit e Plus, Pro, Enterprise dhe Edu, dhe përmes OpenAI API si gpt-6.2-astradhe gpt-6.2-sol.
OpenAI po e pozicionon Astra-n për detyra të tilla si ndryshimi i një baze kodi kompleks, ndërtimi i një aplikacioni web funksional ose prodhimi i një dokumenti që ndjek shabllonet e një kompanie. Sol është opsioni më i lirë për kodim rutinë, shkrim dhe rrjedha pune që kërkojnë disa hapa.
Publikimi vjen tetë ditë pasi rivali Anthropic, në prag të daljes në bursë, lançoi Claude Fable 5.2 dhe Mythos 5.2 të vlerësuara mirë, gjithashtu me 8 dhe 40 dollarë për milion tokena standarde hyrjeje dhe daljeje, dhe një javë pasi Google hapi aksesin në Gemini 4 Carbon të vetin të mirëpritur me çmime hyrëse të barabarta me ato të Sol.
Me fjalë të tjera, konkurrenca po intensifikohet dhe ndoshta është një nga kohët më të këqija për OpenAI për të dështuar, veçanërisht në pritjen e modelit të saj të ri kryesor dhe të nivelit të mesëm.
Dan Shipper, CEO i botimit të inteligjencës artificiale gjenerative Every , tha se ekipi i tij kaloi disa javë duke testuar të dy modelet. Ai tha se Astra performoi pothuajse aq mirë sa paraardhësja e saj në shumicën e testeve të kodimit të Every, por shpesh ndaloi herët në ndërtimet nga fillimi në fund. Ai zbuloi se shtytja e saj për shkurtësi mund ta bënte shkrimin të vështirë për t’u ndjekur ose të linte jashtë shpjegimet e nevojshme.
Ai vlerësoi instinktet e saj standarde të dizajnit, por tha se rezultatet e saj ishin të vështira për t’u ndryshuar dhe kishin një “stil shtëpie të dukshëm”. Ky dallim ka rëndësi për ekipet që kanë nevojë për një model për të punuar në disa marka ose për të ndryshuar thellësinë e një shpjegimi për lexues të ndryshëm.
Në një postim pasues në X, Browne përshkroi se si ai dhe një testues tjetër i kërkuan në mënyrë të pavarur Astra-s të projektonte nivele të reja për lojëra të ndryshme, Outer Wilds dhe Majora’s Mask . Të dyja morën nivele uji të përqendruara në muzikë dhe kambana, me të njëjtin emër, “Bellwether”. Të dyja lojërat tregojnë se sa të ngjashme mund të jenë zgjedhjet e Astra-s edhe kur projektet ndryshojnë.
Browne paraqiti edhe më shumë kundërshtime në një postim të gjatë në X të titulluar “Pse e urrej GPT‑6.2 Astra”, duke thënë se ishte teksti i plotë i një letre që i kishte dërguar OpenAI gjatë testimeve të hershme.
Gjatë rishkrimit eksperimental të kompiluesit TypeScript nga Browne në Rust, ai tha se Astra kaloi shtatë ditë pa gjetur ndonjë përmirësim dhe prodhoi një version që funksionoi 56% më ngadalë pasi u përqendrua në zvogëlimin e madhësisë së tij. Kur e ridrejtoi atë për të përmirësuar shpejtësinë, ai tha se kaloi edhe katër ditë të tjera pa gjetur ndonjë ndryshim.
Megjithatë, Browne ia atribuoi Astra-s kapjen e problemeve që modelet e tjera nuk i kishin vënë re në rishikimet e kodit dhe vlerësoi aftësitë e saj 3D, të zhvillimit të lojërave dhe të përdorimit të kompjuterit. Ai tha se kjo e ndihmoi të krijonte një përfaqësim të kundërt që ai pret se do t’i kursejë 25,000 dollarë në muaj. Kritika e tij u përqendrua në sa e vështirë ishte ta mbante Astra-n në lëvizje në projekte të gjata dhe të kuptonte se çfarë kishte bërë më pas.
Sipas Browne, OpenAI iu përgjigj disa prej ankesave të tij para lançimit, dhe ai prapë preferonte Claude Opus 5.5 për punën e tij të zhvillimit.
Shumer, nga ana e tij, tha se i dha Astra-s punë si nën-agjent dhe modelet Claude që e mbikëqyrnin atë e ribënë punën.
Një përdorues i X që postoi si Jacob përsëriti pakënaqësinë e Shumer dhe spekuloi se kjo buronte nga mënyra se si OpenAI i trajnonte modelet të silleshin.
Demoja e ashensorit hapësinor të Mollick simulonte mungesën e peshës, sipas Mollick, i cili tha se ende e gjeti veten duke kërkuar modele të tjera.
Në një koment në LinkedIn mbi postimin e tij në lidhje me demon, ai e quajti këtë versionin e parë të OpenAI në kufijtë e nivelit të lartë që nga GPT‑4.5, të cilin nuk e shihte si një hap të qartë përpara dhe tha se ende mund ta imagjinonte versionin 6.2 duke shkëlqyer në lloje të caktuara pune komplekse. Postimet e ditës së lançimit pasqyrojnë detyra dhe testues të veçantë.
Përdorues të tjerë të fuqishëm të inteligjencës artificiale si CTO i Raindrop.ai, Ben Hylak, dhe këshilltarja e inteligjencës artificiale, Ashe Magalhaes, ndanë mendime më pozitive rreth GPT-6.2 Astra në veçanti, duke vlerësuar pikat e saj të forta në pamjet e animuara, grafikën në lëvizje, efektet vizuale dhe redaktimin e videove me inteligjencë artificiale.
Ndërkohë, OpenAI thotë se shumë nga punonjësit e saj tashmë e përdorin Sol si parazgjedhje për punë teknike dhe të tjera.
Me tarifa standarde, Astra kushton katër herë më shumë se Sol për të njëjtin numër tokenësh hyrës ose dalës. Ajo është e barabartë me Fable në të dyja tarifat, megjithëse Anthropic ngarkon gjysmën e çmimit të OpenAI për leximin e memorjes së përkohshme në ato modele kryesore.
GPT-6 dhe GPT-6.2 Sol kushtojnë saktësisht njësoj në secilin nivel Standard/Fast dhe në kontekst të shkurtër/të gjatë, ndërsa GPT-6.2 Astra është 20% më e lirë se GPT-6 Astra në nivelin bazë — 48 dollarë kundrejt 60 dollarëve në këtë grafik — me kursimet që vazhdojnë edhe në nivelet e kontekstit të gjatë dhe të shpejtë. OpenAI dokumenton në mënyrë të qartë të njëjtin shumëzues >272K dhe strukturën e çmimeve 2× Fast për modelet më të vjetra GPT-6.
Anthropic kërkon 10 dollarë për çdo milion token për të shkruar një memorje të përkohshme të Fable-it pesëminutëshe dhe 16 dollarë për një orë. OpenAI ofron 10 dollarë për një memorje të përkohshme të Astra-s 30-minutëshe dhe 20 dollarë për 12 orë me çmimin standard të kontekstit të shkurtër.
Çmimet e Carbon të Google renditin vetëm ruajtjen implicite në memorje dhe përfshijnë tokenët e të menduarit në normën e daljes. Ndryshimi i çmimit të Carbon më 1 dhjetor e zhvendos atë nga normat e hyrjes dhe daljes së Sol dhe Sonnet në ato të Opus.
Astra dhe Sol të reja kanë të dyja një dritare konteksti prej 1.05 milion tokenësh dhe mbështesin deri në 128,000 tokenësh dalës. Për kërkesat me më shumë se 272,000 tokenësh hyrës, OpenAI dyfishon shkallët e hyrjes dhe të ruajtjes në memorje të përkohshme dhe shumëzon shkallën e daljes me 1.5 për të gjithë kërkesën. Kjo e vendos një kërkesë standarde Astra me kontekst të gjatë në 16 dollarë për milion tokenësh hyrës të pa ruajtur në memorje të përkohshme dhe 60 dollarë për milion tokenësh dalës. Kufiri është i rëndësishëm për agjentët që dërgojnë në mënyrë të përsëritur depo të mëdha ose koleksione dokumentesh përsëri në model.
Dokumentacioni i modelit të OpenAI rendit përpunimin në grupe me gjysmë çmimi dhe ngarkon dyfishin e tarifës standarde përkatëse për Fast. Niveli i tij më i shpejtë i API-t Ultrafast fillon me tre herë çmimin standard për të dy modelet dhe rritet në gjashtë herë më 1 mars 2027, sipas kohës së Paqësorit. Në ChatGPT Work dhe Codex, pajtimtarët e Pro 500 marrin Ultrafast në të dy modelet, ndërsa pajtimtarët e Pro 200 e marrin atë në Sol. Hapësirat e punës të përshtatshme të Enterprise dhe Edu mund të aktivizojnë aksesin përmes një administratori.
Në nëntë grafikët krahasues në postimin e lançimit të OpenAI, GPT‑6.2 Astra e tejkalon GPT‑6 Astra në të nëntë, dhe GPT‑6.2 Sol e tejkalon GPT‑6.1 Sol në tetë nga nëntë. Përjashtim bën Sol në Vals Science Index.
Këto krahasime përdorin rezultatin më të mirë të paraqitur të secilit model, kështu që cilësimi i arsyetimit mund të ndryshojë midis ekzekutimeve. Testimi i pavarur i Codex gjeti gjithashtu një rezultat të sheshtë për Astra dhe një regres për Sol. OpenAI.
Nëntë rreshtat e parë vijnë nga materialet e lançimit të OpenAI. I fundit është një test i pavarur. Artificial Analysis gjurmoi pjesën më të madhe të rënies së agjentit të kodimit të Sol në një rënie prej 14 pikësh në SWE‑Atlas‑QnA‑AA , ku Sol më shpesh linte jashtë faktet kyçe kur u përgjigjej pyetjeve në lidhje me bazat e kodit. Pra, të dy modelet u përmirësuan në FrontierCode, ndërsa rezultati më i gjerë i agjentit të kodimit të Codex ishte i pandryshuar për Astra dhe më i ulët për Sol. OpenAI
Karta e sistemit të OpenAI tregon gjithashtu rezultate të përziera. Të dy modelet u përmirësuan në HealthBench Professional të rregulluar sipas gjatësisë , ndërsa të dy morën rezultate më të ulëta në versionin e papërpunuar. OpenAI thotë se shumica e rezultateve të shtrirjes ishin të ngjashme me ato të GPT‑6 Astra. Të dy modelet e reja ndërmorën më pak veprime të papërshtatshme në detyrat e simuluara të vendit të punës, por më shpesh dështuan të zbulonin pengesat që kishin bllokuar punën e tyre. Qendra e Sigurisë së Vendosjes së OpenAI
GPT‑6.2 Astra është modeli me rezultatet më të larta të OpenAI në Indeksin e Inteligjencës së Analizës Artificiale, me 62 pikë, pesë pikë më lart se GPT‑6 Astra dhe i dyti në përgjithësi pas Claude Fable 5.2.
Epoch AI u jep Astra-s dhe Fable-s të njëjtin vlerësim pikësh prej 174 , krahasuar me 169 për GPT‑6 Astra, me diapazon pasigurie që mbivendosen. Përbërja e vetë OpenAI-së e vendos Astra-n e re përpara paraardhëses së saj, 170.1 kundrejt 168.4. Testet individuale mund të prodhojnë një renditje të ndryshme. Për shembull, konfigurimi i specializuar Astra for Law i OpenAI-së merr rezultate më të larta se Astra bazë në Harvey LAB‑AA.
Në Terminal‑Bench‑Science 0.1, një test me 70 detyra i punës kërkimore në një terminal, OpenAI raporton se Astra e re fitoi nëntë pikë përqindjeje mbi paraardhësen e saj me më pak se një të tretën e kostos, duke arritur afërsisht 77% në grafikun e saj të lançimeve.
Artificial Analysis mati Fable në 73.3% në arsyetimin maksimal me konfigurimin e tij mini-swe-agent. Anthropic raportoi 74.6% për Fable duke përdorur Claude Code dhe 75.3% për Mythos. Këto rezultate i vendosën modelet në dispozicion të njëri-tjetrit në të gjitha ekzekutimet e publikuara, me softuer dhe cilësime të ndryshme agjentësh që kufizonin atë që përcaktonin boshllëqet.
Në punën ligjore, OpenAI thotë se Astra e ka dyfishuar përqindjen e kalueshmërisë së Fable në Harvey LAB‑AA me afërsisht një të gjashtën e kostos. Grafiku gjithashtu e vendos rezultatin më të mirë të Astras në rreth 15%. Pika referuese jep një kalueshmëri vetëm kur puna plotëson çdo kriter vlerësimi dhe shmang halucinacionet materiale.
Astra for Law e OpenAI, e konfiguruar veçmas, shton një indeks kërkimi ligjor dhe udhëzime kërkimore dhe mori rezultate më të larta. Klientët e ChatGPT Enterprise mund ta kërkojnë këtë konfigurim përmes Programit të Qasjes së Besueshme të OpenAI, duke përfshirë edhe përdorimin e API-t.
Anthropic e pozicionon Opus 5.5 si modelin e saj me qëllim të përgjithshëm për kodim dhe punë me njohuri, me Fable për detyra më të vështira dhe Sonnet si një opsion më të lirë.
Kjo e vendos Sol në të njëjtën çmim si Sonnet dhe gjysmën e çmimit të Opus për të dhënat bazë hyrëse dhe dalëse. Modaliteti opsional i shpejtë i Fable dyfishon shpejtësitë e tij të hyrjes dhe daljes, duke u dhënë ekipeve një kompromis të ndryshëm shpejtësie dhe çmimi nga niveli Ultrafast i Astra.
Linja e produkteve të Google bën të njëjtën zgjedhje në një gamë më të ngushtë çmimesh. Google e përshkruan Carbon si modelin e saj më të thellë të arsyetimit dhe thotë se përdor më shumë tokena sesa Gemini 4 Argon, edhe pse të dy ndajnë të njëjtën kartë çmimesh. Google thekson rezultatet e forta të Carbon në CursorBench, WANDR dhe AutomationBench, të cilat mbulojnë inxhinierinë e softuerëve, kërkimin në internet dhe automatizimin e rrjedhës së punës.
Gemini 4 Hydrogen kushton 25% më pak se Sol për token standard të hyrjes ose daljes dhe synon një ekzekutim më të shpejtë. Renditja e Agents’ Last Exam e rendit Hydrogen në 71.4%, duke përdorur agjentin e linjës së komandës Antigravity, duke ilustruar pse ngarkesa e punës dhe konfigurimi i agjentit kanë rëndësi kur zgjidhni midis modeleve më të lira.
Ekipet e sigurisë përballen gjithashtu me rregulla të ndryshme aksesi. OpenAI thotë se të dy modelet e reja arrijnë pragun kritik të sigurisë kibernetike dhe vijnë me kontrolle më të rrepta që mund të bllokojnë disa kërkime legjitime për dobësitë. Në lançim, programi i saj Daybreak ende i drejton përdoruesit e miratuar te GPT‑6 Astra ose GPT‑6 Cyber për punë të autorizuar sigurie.
Anthropic përdor të njëjtin model themelor për Fable dhe Mythos, me aksesin në Mythos të disponueshëm përmes programeve të tij të verifikimit për punë të përshtatshme në shkencat kibernetike dhe të jetës. Për ekipet që vlerësojnë këto modele për sigurinë mbrojtëse, versioni që mund të vënë në prodhim dhe kërkesat që do të pranojë kanë rëndësi krahas rezultateve të referencës.
Kimi K3.1 Pro i Moonshot u jep blerësve një mundësi për të ekzekutuar një model me pesha të shkarkueshme në infrastrukturën e tyre. Në Agents’ Last Exam, ekzekutimi i publikuar i Kodit Kimi mori 74.4% dhe kaloi 43.4% të detyrave. Modeli ka gjithsej 2.8 trilion parametra, kështu që infrastruktura e nevojshme për ta shërbyer atë është një pjesë thelbësore e krahasimit. Licenca e personalizuar e Moonshot lejon përdorim të brendshëm dhe rregullime të hollësishme.
Gjithashtu, ai vendos kërkesa të veçanta për marrëveshje dhe atribuim në skenarë të caktuar komercialë, duke përfshirë bizneset e mëdha model-si-shërbim. Ndërmarrjet që e integrojnë Kimin në një produkt dhe bizneset që e ofrojnë atë direkt përmes një API-je për përfundime duhet t’i lexojnë këto kushte kundrejt planeve të tyre të vendosjes.
DeepSeek V4.1 Flash 1017 ofron pesha sipas licencës MIT dhe një çmim shumë më të ulët të tokenit të hostuar nga pala e parë. Ekzaminimi i fundit i publikuar i Agjentëve mori 65.4% dhe kaloi 36.1% të detyrave duke përdorur OpenClaw. Kjo ende lë një pyetje kuptimplotë për blerësit me ngarkesa pune të përcaktuara ngushtë.
Nëse modeli i kalon testet e pranimit për nxjerrje, triazh ose një detyrë kodimi të kufizuar, hendeku i çmimit mund të paguajë për shumë më tepër thirrje. Operimi i tij brenda kompanisë e zhvendos faturën te përshpejtuesit, infrastrukturën që i shërben dhe njerëzit që e drejtojnë atë. Përdorimi i API-t të DeepSeek mban modelin për-token dhe fut një ofrues të hostuar në rrugën e të dhënave.
Krahasimi i prokurimit varet nga kostot për të marrë një rezultat që biznesi mund ta përdorë. Për një agjent që përgatit një libër pune financiar, kjo përfshin tokenët, çdo kërkim të të dhënave, ekzekutimet që dështojnë në validim dhe kohën që një analist shpenzon për korrigjimin e skedarit.
Një agjent kodi shton ekzekutimin dhe rishikimin e testimit. Përvoja e dërguesit sugjeron numërimin e shpeshtë të dërgesës së një agjenti kodimi për të përfunduar detyrën origjinale.
Demoja e Mollick sugjeron ndjekjen e numrit të raundeve të drejtimit që duhen për të marrë një rezultat të përdorshëm, edhe kur ky rezultat është mbresëlënës.
Lançimi i OpenAI e bën Astra-n më të lirë në matës dhe i jep Sol një argument më të fortë me çmimin e saj ekzistues. Nëse ndonjëra prej tyre ul koston e punës së përfunduar varet nga sa shpesh e merr atë punë direkt në softuer, me lejet dhe sipas rregullave të rishikimit që ndërmarrja tashmë përdor.
