GPT-6.2 Astra 与 Sol 怎么选:0.4 分差距,4 倍差价
同一次发布,Astra 单价是 Sol 的 4 倍,真实代码库改动的跑分只差 0.4 分。按九项基准和三个计费开关,给出一张可直接照抄的任务分工表。
同一次发布的两款模型,Astra 的 API 单价是 Sol 的 4 倍;而在「真实代码库里改一处、达到能被合并的标准」这项评测上,两者只差 0.4 个百分点。选型的答案因此不在「哪个更强」,而在错一次的返工成本值不值这 4 倍差价。
先把结论摆出来:
- 日常编码、脚本、批量处理,默认 Sol。FrontierCode 2.0 上 43.8% 对 44.2%,成本约为 Astra 的五分之一。
- 长程 agent、CAD 与三维、法律、科研、专业交付物,直接上 Astra。这几项差距是 5 分起步,不是噪声。
- 两类活不要用 Sol:代码库问答,和科学推理。前者在第三方测试里掉了 14 分,后者是九项基准中唯一低于上一代的一项。
价格:4 倍单价,和一条 272K 的分界线
| 计费项(每百万 token,美元) | GPT-6.2 Astra | GPT-6.2 Sol |
|---|---|---|
| 输入(≤272K) | 8 | 2 |
| 缓存读 | 0.40 | 0.10 |
| 缓存写(30 分钟保留) | 10 | 2.50 |
| 输出 | 40 | 10 |
| 输入 / 输出(>272K,整条请求) | 16 / 60 | 4 / 15 |
| 批量(Batch,五折) | 4 / 20 | 1 / 5 |
| Fast(2 倍) | 16 / 80 | 4 / 20 |
Astra 相比上一代 GPT-6 Astra 是降价的:输入输出从 $10/$50 降到 $8/$40,降 20%;缓存读从 $1 降到 $0.40,降 60%。Sol 则维持 GPT-6.1 Sol 的 $2/$10 不变,升级的是能力和 token 效率,不是价格。上一代的规格可以对照《GPT-6 Astra Pro 规格速查》。
真正容易算错的是两处。
第一,272K 是整条请求的计价分界,不是超出部分加价。 只要输入超过 272,000 个 token,输入费与缓存费翻倍、输出费乘 1.5,整条请求都按长档结算。一个把仓库、工具日志、文档反复追加进上下文的 agent,很容易在流程中段越线,账单结构会突然变一次。
第二,缓存读便宜,缓存写要钱。 缓存读只有输入价的二十分之一,但写入缓存单独计价:30 分钟保留,Astra $10、Sol $2.50。只按「输入 + 输出」两个数字做预算,会把缓存型负载算少。
比单价更影响账单的三个开关
成本控制真正难的地方不在这张价目表,而在下面三处。
- reasoning effort 不能设为 none。 两款模型都拒绝
none,每次调用都必须付推理 token,而推理 token 按输出价计费。把 effort 默认拉到 max,省下的单价会被思考长度吃掉。 - 272K 悬崖。 监控输入长度的分布,尤其是「每次工具返回都追加进上下文」的写法。必要时截断工具日志,长文档走检索而不是全量塞入。
- 缓存要「前缀不动、指令后置」。 官方建议保持 prompt 前缀稳定,把新指令追加到会话末尾以提高缓存命中。反过来,改动前面的前缀会让缓存失效,而缓存写本身也计价。
跑分:编码差 0.4 分,长程任务差 5 分
| 基准 | Astra(对比 GPT-6 Astra) | Sol(对比 GPT-6.1 Sol) |
|---|---|---|
| Agents’ Last Exam | 78.3% / 73.1% | 73.0% / 72.5% |
| GDPval v2 | +6.2 分,输出 token 少 22% | +5.3 分 |
| FrontierCode 2.0 | 44.2% / 42.8% | 43.8% / 39.0% |
| Terminal-Bench-Science | 77.1% / 68.1% | 68.0% / 57.0% |
| Harvey LAB-AA v1.1 | 15.0% / 8.6% | 11.1% / 6.9% |
| BenchCAD 2.1 Core | 82.5% / 62.6% | 73.1% / 52.6% |
| AutomationBench | 52.4% / 41.4% | 41.2% / 36.1% |
| LifeVal | 86.1% / 79.8% | 83.8% / 79.5% |
| Vals Science Index | 68.4% / 65.1% | 58.5% / 59.6% |
这张表要注意口径:数字来自 OpenAI 发布材料,取各模型的最好成绩,推理档位可能不同;FrontierCode 的差值按官方分数 43.8 与 44.2 算是 0.4,OpenAI 的文字表述里写作「0.5 分以内」。
三行值得单独说。
编码(FrontierCode 2.0)。 这项不是看代码能不能跑,而是看在真实代码库里改完,能否达到维护者愿意合并的质量。Sol 43.8%、Astra 44.2%,成本约五分之一。对绝大多数工程任务,这就是「默认 Sol」的依据。
长程专业任务(Agents’ Last Exam)。 Astra 78.3%,Sol 73.0%。差 5.3 分,价格差 4 倍。任务步数越多、跨工具越多,这 5 分越容易变成「跑了一小时,最后一步走错」。
法律(Harvey LAB-AA v1.1)。 标准是所有评分点都满足、且没有实质性幻觉才算通过。Astra 15.0%,Sol 11.1%,Claude Fable 5.2 是 7.2%。绝对值都低,说明这类活仍然需要人复核;但差距足以决定先把哪一档放在前面,两边的价格口径可以对照《Claude Fable 5.2 规格速查》。
Sol 的两处真退步
便宜不等于「精度略低」,有两处是明确变差。
- Vals Science Index:58.5% 对 59.6%。 这是九项里 Sol 唯一低于 GPT-6.1 Sol 的一项。科研推理别为省 4 倍单价换模型。
- 代码库问答。 Artificial Analysis 的 Coding Agent Index 里,Sol 在 Codex max 档下掉了 3 个指数点,主因是 SWE-Atlas-QnA-AA 掉了 14 分——回答「这段代码怎么工作」时更容易漏关键事实。Astra 在这项是持平,不是提升。
换句话说:Sol 适合改代码,不适合解释代码库,也不适合科学推理。
什么任务必须上 Astra
- CAD 与三维。 BenchCAD 2.1 Core 上 Astra 82.5%、上一代 62.6%,Sol 73.1%。AA-3D 人工盲测 Elo:Astra 1318 排第一,Claude Fable 5.2 是 1271,Sol 1259。官方演示里 Astra 能直接操作 CAD 中的单个零件与连接关系。
- 专业交付物。 幻灯片要匹配模板的布局、颜色、字体乃至确切字号;Excel 要做 DCF 工作簿并重排估值结论。格式约束越硬,越需要高配模型,这和《AI 做的 PPT 套不上公司模板》里那类问题是同一条线。
- computer use 与长流程工具调用。 判断什么时候用插件、什么时候直接操作界面,这一层目前只有 Astra 明显领先。
一个必要的反例:Simon Willison 在发布日的观察是,Astra 在若干基准上并没有超过 Claude Fable 5.2,沟通风格也让人困惑;官方「成本只有 Claude 的 5%」指的是 Agents’ Last Exam 这一种评测配置下的单任务平均成本($2.89 对 $60.05),不代表所有真实业务都能省 95%。选型时把它当「某类任务的成本证据」,别当通用结论。
一张可以直接照抄的分工表
| 任务 | 默认 | 什么时候换 |
|---|---|---|
| 日常编码、单文件改动、脚本 | Sol | 连续两轮改不对、涉及跨模块重构,换 Astra |
| 代码库问答、代码审查 | Astra | 不要用 Sol,SWE-Atlas-QnA-AA 掉 14 分 |
| 长程 agent(几十步以上) | Astra | 步骤少、可回滚、失败便宜,用 Sol |
| CAD、三维、图纸与装配 | Astra | 无替代 |
| 法律、科研、专业交付物 | Astra | 无替代 |
| 批量抽取、分类、摘要 | Sol | 需要跨文档推理时换 Astra |
这类模型选型的判断标准不是「哪个更强」,而是「错一次的代价,值不值 4 倍单价」。改代码错一次,重跑就行,用 Sol;法律意见、装配关系、科研结论错一次要人工返工,用 Astra。
至于在哪里能用到这两款模型,普通 ChatGPT 对话入口这次并没有上线,另一篇按入口和套餐拆开写了。
登录后可点赞、收藏与反馈。