GPT-6.2 Astra: بنچمارک خوب، تجربهٔ کاربری ناامیدکننده
خلاصهٔ کاملتر
OpenAI مدل GPT-6.2 Astra رو بهعنوان مدل اصلیش منتشر کرده و کنارش یه نسخهٔ ارزونتر به اسم Soul هم داده. قیمت API مدل Astra نسبت به نسل قبل ۲۰ درصد کم شده و رسیده به ۸ دلار برای هر میلیون توکن ورودی و ۴۰ دلار برای خروجی، که دقیقاً قیمت Claude Fable 5.2 هست. Soul هم با همون ۲ دلار ورودی و ۱۰ دلار خروجی مونده.
تو شاخص ترکیبی Artificial Analysis، Astra امتیاز ۶۲ گرفته؛ پنج امتیاز بیشتر از نسل قبل، جلوتر از Gemini 4 Carbon و Claude Opus 5.5، ولی پشت Fable 5.2 با ۶۵. نکتهٔ جالبتر هزینهست: اجرای هر تسک این بنچمارک با Astra حدود ۴ دلار و با Fable 5.2 حدود ۲۶ دلار شده، چون Astra با توکن خیلی کمتری به جواب میرسه. یکی از تسترها هم گفته Astra همراه با adapter خود OpenAI تو ARC-AGI 3 به ۱۰۰ درصد رسیده.
تو کدنویسی ولی تغییر خاصی نیست. Astra داخل Codex امتیاز ۵۳ گرفته، مثل نسل قبل، و Soul سه امتیاز افت کرده. Fable 5.2 داخل Claude Code امتیاز ۵۸ داره. یعنی Astra تو کد ارزونتره ولی بهتر نشده.
شکایت مشترک تسترها اینه که Astra سخت هدایت میشه، نه اینکه کمهوش باشه. Theo میگه وسط کار میایسته و سؤالهایی میپرسه که جوابشون رو نداره، و ترجیح میده سراغ Opus 5.5 بره. Matt Schumer اونقدر تجربهٔ بدی داشته که اصلاً ریویو ننوشته. تیم Every دیده کیفیت نوشتن افت کرده و پروژههای بزرگ زودتر از موعد قطع میشن. Ethan Mollick هم گفته مدل «ناهموار و عجیبه» ولی اگه فضای کافی بهش بدی، پروژههای بزرگ رو درمیاره.
نویسندهٔ مقاله یه توضیح احتمالی داره: اگه مدل طوری آموزش دیده که با توکن خیلی کمتر همون کیفیت رو بده، همین فشردهسازی میتونه خودش رو به شکل نوشتهٔ کوتاهتر، توقف زودهنگام و استدلالی که آدم سخت دنبالش میکنه نشون بده. یعنی مدل تو کار شکست نمیخوره، فقط داره برای صرفهجویی تو توکن بهینه میشه.
جایی که موافق و مخالف روش توافق دارن طراحی سهبعدی و استدلال فضاییه: یه بازی ماشینسواری از یه پرامپت، مدل قطعهبهقطعهٔ یه ماشین RC از روی عکس، و یه ساعت مکانیکی قابل پرینت سهبعدی که همهٔ چرخدندههاش تو CAD و Python شبیهسازی شده. Astra تو AI Robotics benchmark نسخهٔ 0.1 هم اول شده. OpenAI همچنین میگه این اولین مدل عمومیه که به «آستانهٔ بالای» self-improvement رسیده، یعنی به اندازهٔ یه مهندس پژوهشی ماهر به تیم خودشون کمک میکنه، نه اینکه خودش کدش رو بازنویسی کنه.
نکات کلیدی:
- امتیاز Artificial Analysis: Astra ۶۲ در برابر Fable 5.2 با ۶۵
- هزینهٔ هر تسک: حدود ۴ دلار با Astra در برابر ۲۶ دلار با Fable 5.2
- امتیاز کدنویسی Astra داخل Codex: ۵۳، بدون تغییر نسبت به نسل قبل
- مشکلات گزارششده: توقف وسط کار، نوشتهٔ فشرده و سختفهم، سؤالهای بیمورد
- نقطهٔ قوت: طراحی سهبعدی، CAD، computer use و رتبهٔ اول AI Robotics benchmark 0.1




