GPT-6.2 Astra 是 OpenAI 針對複雜程式編寫與專業工作所推出的前沿推理模型。它於 2026 年 11 月 17 日在 ChatGPT Work、Codex 和 API 中發布。但它並非在所有提示詞下都是 OpenAI 最好的模型。OpenAI 將 GPT-6.2 Sol 描述為日常使用的選擇,而 Astra 則專為那些需要更深層推理、工具使用或完成專業交付成果,且值得支付更高費用的工作而設計。
這種區別比發布會上的演示更為重要。沒錯,GPT-6.2 Astra 可以構建一個瀏覽器遊戲。但更有用的早期範例反而沒那麼花俏:審查程式碼、追蹤跨服務故障、升級舊版應用程式、分析資料庫、建立財務工作簿、研究技術問題,或操作 CAD 與模擬工具。

目前的早期評價褒貶不一。一些工程師回報在遷移和程式碼審查方面取得了異常強大的成果。其他人則表示該模型難以引導、會提前停止,或對長執行任務的解釋不佳。最穩妥的結論是:Astra 在目標明確、有清晰終點的困難工作中表現最強。對於日常寫作或定義模糊的自主任務,它並非首選。
這兩款新模型現已在 GPTProto 上線:使用 GPT-6.2 Astra 處理困難、高價值的工作,或使用 GPT-6.2 Sol 處理更快速的日常任務。兩者目前的定價均為 比 OpenAI 標準 API 代幣費率低 20%。
GPT-6.2 Astra 概覽
| 問題 |
簡短回答 |
| 什麼是 GPT-6.2 Astra? |
OpenAI 效能最強大的 GPT-6.2 模型,專為複雜程式設計與專業工作打造 |
| 發布日期 |
2026 年 11 月 17 日 |
| API 模型 ID |
gpt-6.2-astra |
| 上下文視窗 |
105 萬個 Token |
| 最大輸入 / 輸出 |
922,000 / 128,000 個 Token |
| 模態 |
文字與影像輸入;文字輸出 |
| OpenAI 標準 API 價格 |
每 100 萬個 Token:輸入 8 美元、快取輸入 0.40 美元、輸出 40 美元 |
| GPT Proto 價格 |
每 100 萬個 Token:輸入 6.40 美元、快取輸入 0.32 美元、輸出 32 美元 — 折扣 20% |
| 最佳早期適用場景 |
複雜除錯、程式碼審查、遷移、資料分析、專業文件、科學研究、CAD 與 3D 工作流程 |
| 更好的日常預設選擇 |
GPT-6.2 Sol,適用於日常程式設計、寫作與低成本工作 |
OpenAI 的 模型說明文件 列出了對「回應」與「聊天完成」的支援,以及包括網頁搜尋、檔案搜尋、程式碼解釋器、託管 Shell、電腦使用、MCP 與影像生成在內的工具。模型本身回傳的是文字。完成試算表、投影片、網站或 3D 資產則取決於其周邊的工具與執行環境。
早期使用者實際上在討論什麼?
發布後的討論重點並非基準測試分數,而是原始能力與日常可用性之間的差距。
1. Astra 在審查與修復現有系統方面表現卓越
GitHub 的早期 Copilot 測試 發現,GPT-6.2 Astra 在使用較少 Token 的情況下,能比 GPT-6 Astra 捕捉到更多真實的程式碼審查問題。對於生產團隊而言,這比單次應用程式演示更有意義:有價值的任務往往在於發現缺陷、保持現有行為,並透過測試驗證修補程式。
工程師 Tibor Blaho 描述了他在日常基礎設施與軟體工作中使用 Astra 的經驗,包括伺服器管理、備份、監控、研究、管理、除錯與程式碼審查。他最顯著的例子是將一個擁有數百萬行程式碼的遺留應用程式及其舊依賴項升級到當前的語言版本。他報告稱,大約三小時後獲得了可本地執行的結果,大約六小時後通過了乾淨的檢出測試,同時他也指出仍有後續工作需要完成。
這是一個軼事,而非受控的基準測試。但它仍然是一個有用的範例,因為它包含了真實的程式碼庫、耗時以及驗證步驟。它也指出了一種實用的工作流程:Blaho 使用 Astra 與 Claude 模型來研究並審查彼此的工作,而不是假設單一模型能捕捉到所有缺陷。
2. 長時間的自主運行可能會令人沮喪
負面報告也非常具體。Dan Shipper 的早期評測指出,Astra 在端到端程式碼構建中經常過早停止,且內容過於簡潔,導致其寫作內容難以理解。Ethan Mollick 稱其表現不穩定且難以駕馭:儘管它成功構建了一個雄心勃勃的 Blender 與 Unity 太空電梯體驗,但他仍然不會將其作為日常使用的模型。
開發者 Theo 的詳細記錄也同樣呈現兩極化。他稱讚 Astra 作為程式碼審查員的表現,表示它發現了創新的解決方案,並歸功於它設計的反向代理架構,這可能為他的公司每月節省 25,000 美元。但他也報告稱,模型在遇到無法回答的問題時會長時間卡住、陷入無進展的循環,以及生成的摘要比程式碼變更本身更難理解。
這些案例並不能證明 Astra 的每一次運行都會失敗。它們從不同角度指出了同一個風險:該模型可能具備完成工作的能力,但在目標不明確時,卻難以進行監督。
3. 簡潔的輸出究竟是效率還是缺乏背景資訊
OpenAI 自己的 GPT-6.2 提示詞指南指出,Astra 預設更加簡潔直接。對於支援回覆、程式碼審查註釋或執行摘要,這可能很有用。但對於複雜的解釋,這可能會讓人覺得模型跳過了讀者所需的推理過程。
這解釋了為什麼早期的反應會產生衝突。測試嚴格定義交付成果的人可能會看到更少的填充內容和更少的 Token。而將 Astra 作為長期專案合作夥伴的人,則可能會看到突兀的回答、未經解釋的決策或過早的交接。
4. 真正的問題在於任務形態,而非 Astra 是否「聰明」
目前的證據顯示了一個簡單的分界線:
| 任務形態 |
Astra 的早期適用性 |
| 明確的目標、工具、測試和終點 |
強烈推薦 |
| 遺漏缺陷代價高昂的高價值審查 |
強烈推薦 |
| 具有可檢查輸出的多來源數據或文件工作 |
強烈推薦 |
| 日常電子郵件、會議記錄或小型程式碼編輯 |
通常優先使用 Sol |
| 需要判斷何者重要的開放式研究 |
與 Fable 5.2 進行比較並保留人工審查 |
| 涉及模糊決策的數小時自主構建 |
在依賴它之前請仔細測試 |
GPT-6.2 Astra 適合日常工作嗎?
適合,但大多數日常工作並不需要它。對於會議記錄、例行郵件、簡短研究、小型程式碼編輯或初稿,GPT-6.2 Sol 是更自然的起點。這是 OpenAI 為日常工作定位的模型,其 Token 費率比 Astra 低 75%。GPT Proto 對這兩個模型均適用相同的 20% 折扣,因此價格差距保持不變。
當普通工作類別轉變為困難且高價值任務時,Astra 就派上用場了。「審查此 Pull Request」可能適合 Sol;而「追蹤跨三個服務的間歇性故障、修復它並執行受影響的工作流程」則是 Astra 的工作。 「總結此 CSV」是例行公事;而「找出資料品質問題、解釋統計陷阱,並建立一個可編輯的決策工作簿」則讓 Astra 有更多發揮空間來體現其價值。
目前回報的實際日常用途包括除錯、伺服器運維、監控、備份、程式碼審查、多來源研究和辦公室行政。其共同點不在於職業,而在於工作具有足夠的複雜性以受益於更深層的推理,且具有足夠的結構來驗證結果。
GPT-6.2 Astra 擅長什麼?
程式碼審查、根本原因分析和舊系統現代化
這是最明確的實際應用案例。將失敗的工作流程、相關日誌、儲存庫和測試指令提供給 Astra。要求它追蹤跨服務的故障、實作最精簡的安全修復,並執行受影響的測試。這與 OpenAI 推薦的 Astra 工作流程 以及來自 GitHub 和早期工程師的正面回報相符。
舊系統升級可能特別適合,因為這項任務既困難又可驗證。模型可以檢查舊的依賴項、分階段更新程式碼,並重複執行乾淨的建置。人類仍然需要定義相容性要求並審查遷移過程。只有在測試套件涵蓋了關鍵行為時,「所有測試通過」才具有證明意義。
對於一般的 Pull Request 審查或小規模修訂,GPT-6.2 Sol 可能就足夠了。OpenAI 明確建議將 Sol 用於日常編碼,且其成本僅為 Astra 標準輸入和輸出費率的四分之一。
資料分析、儀表板和可編輯工作簿
Astra 在此處的價值不僅僅是編寫 SQL 查詢。它可以檢查資料、發現品質問題、陳述假設、執行分析,並將結果轉換為其他人可以審查的工作簿、圖表或儀表板。
一個獨立的 Plotly 資料分析測試 提供了一個有用的實際任務範例。Astra 在 43 個問題中答對了 41 個,捕捉到所有植入的資料品質問題,避開了所有五個統計陷阱,並以 4.11 美元的成本完成了執行。其問題的中位數耗時為 12.4 秒,而 GPT-6 Astra 為 26.9 秒。權衡很重要:它遺漏了兩個隱藏模式,而 GPT-6.1 Sol 在該測試中以 2.61 美元的成本獲得了滿分。Astra 速度快且能力強,但並不自動成為最便宜或最準確的選擇。
OpenAI 的 Alderfen 估值範例 展示了相同能力的文檔處理方面。Astra 建立了一個可編輯的 DCF 工作簿,預測了 2031 年的營收、核對了三份財務報表、計算了每股價值,並將關鍵驅動因素放置在敏感度分析表旁。請將此視為廠商演示,而非獨立證明。這仍然是一個有用的模板,您可以透過自己的試算表進行重現。
金融、會計、法律工作與專業文件
GPT-6.2 Astra 經過訓練,能遵循簡報、試算表、備忘錄及文件中的專業慣例。OpenAI 報告指出,其在金融、會計、諮詢、銷售及法律工作流程中均有顯著提升。發布頁面上的客戶成果包括減少了應用程式、儀表板與簡報的審核輪次,並縮短了長期會計工作的完成時間。這些結果由供應商篩選,因此應視為具潛力的應用案例,而非保證的結果。
最佳應用場景為可核對的交付成果:
財務模型:其公式能進行核對,並在假設變更時正確回應。
法律備忘錄:其主張可追溯至所提供的權威資料與原始文件。
簡報投影片:遵循現有模板,並將每個標題轉化為有據可查的結論。
合規追蹤器:將每項要求對應至證據、負責人及狀態。
在開放式工作方面,獨立證據則顯得較不樂觀。在 Epoch AI 的真實職場評估中,沒有任何受測模型能達到 Epoch 的員工標準。GPT-6.2 Astra 平均得分為 65%,比 Claude Fable 5.2 低了 17 個百分點。Epoch 發現,Astra 在簡潔寫作、圖形設計與資料中心研究方面較 GPT-6 Astra 有所進步,但可能過於謹慎,並省略了現有證據所支持的結論。
這種明顯的矛盾正是關鍵所在。當評分標準與輸出要求明確時,Astra 的表現非常強大。當工作需要判斷何者重要、進行校準假設,以及在不確定的研究計畫中進行迭代時,模型選擇與人工監督就顯得更為重要。
科學分析與技術研究
OpenAI 將科學定位為 Astra 的旗艦應用案例,並報告了其在終端科學工作流程中的領先成果。另一項來自生物醫學研究員 Derya Unutmaz 的早期用戶訊號顯示,他偏好將 Astra 用於科學與長期目標編碼,同時在設計品味與情緒智商方面仍更傾向於 Opus 5.5。他還 描述了他使用 Astra 進行生物醫學研究的經驗非常紮實。
這並不代表 Astra 能獨立產出可供發表的科學研究。Epoch 的評估發現,前沿模型仍會重複使用現有觀點、過度依賴首次嘗試,且難以識別最重要的發現。請使用 Astra 進行搜尋、編碼分析、比較來源、測試既定假設或挑戰草稿。切勿將自信的研究敘述視為驗證。
CAD、模擬、3D 設計與視覺原型
在此領域,發布範例比遊戲更有趣。OpenAI 展示了 Astra 對車輛組件進行建模、編寫底盤動力學的 Python 解算器、在 Blender 中製作動畫,並為遙控越野車建立組裝指南與零件目錄。這些範例將視覺推理、程式碼、電腦操作與文件編寫整合在同一個工作流程中。
這種結合有助於早期的工程探索:將參考影像與手冊轉化為可編輯的模型、在模擬中測試修訂版本,並為審核者製作視覺說明。實體設計仍需工程驗證。看似合理的動畫並不代表負載、公差、材料或安全要求皆正確無誤。
GPT-6.2 Astra 能開發遊戲嗎?
可以。Meridian Sound Racing 是一個可玩的瀏覽器演示,而 Ethan Mollick 的太空電梯專案 則結合了 Blender、Unity、瀏覽器體驗以及模擬的零重力物理效果。
但「能開發遊戲」並不是對 Astra 最好的總結。這些專案證明了該模型能夠在大型建構過程中協調程式碼、3D 資產、工具和互動。同樣的能力也適用於模擬、培訓體驗、數位孿生、產品配置器和互動式數據故事。
創意一致性也需要測試。早期使用者回報該模型具有強大的預設視覺直覺,但設計模式重複且對風格的控制較弱。請為 Astra 提供視覺參考、字體排印、目標受眾、互動規則以及明確的非目標。然後請評估第二次修訂的結果,而不僅僅是第一張截圖。
如何從 GPT-6.2 Astra 獲得更好的結果
社群的反饋顯示,Astra 需要比一般聊天提示詞更明確的操作簡報。OpenAI 的指南也警告說,當意圖不明確時,模型可能會提出下一步建議並等待使用者回應。
請使用如下的提示詞結構:
目標:
完成 [具體交付成果]。
完成標準:
1. [驗收檢查]
2. [測試或證據]
3. [要求的輸出格式]
自主性:
做出合理、可逆的假設並繼續執行,無需等待。
僅在決策會實質改變結果或導致不可逆操作時才詢問。
限制條件:
- 保留 [現有行為或風格]。
- 不要更改 [範圍外區域]。
- 使用 [工具、檔案、來源或慣例]。
驗證:
執行 [測試或檢查]。明確報告任何缺失的檔案、失敗的工具、不支援的假設或未完成的步驟。
最終交接:
總結變更內容、驗證結果、剩餘風險以及總使用量/成本。
對於多輪 API 工作,請保持早期的提示詞前綴不變並附加新的指令。OpenAI 表示這能保留推理能力並改善提示詞快取 (prompt-cache) 的重複使用率。對於前端或視覺工作,請提供真實的參考資料,並指定您想要的字體排印和圖像風格。「讓它看起來現代化」並不是一套設計系統。
GPT-6.2 Astra 每次任務的費用是多少?
這些費率以每百萬 token 的美元計算,適用於最高 272,000 個輸入 token 的請求。GPT Proto 的數據列已套用目前 OpenAI 標準費率的 20% 折扣。
對於一個包含 20,000 個未快取輸入 token 和 5,000 個計費輸出 token 的請求,標準 token 費用分別為:GPT-6.2 Astra 為 $0.36、GPT-6 Astra 為 $0.45,以及 GPT-6.2 Sol 為 $0.09。以 GPT Proto 目前的費率計算,相同的 token 數量費用為 Astra 為 $0.288 或 Sol 為 $0.072。實際的代理任務可能會進行多次模型呼叫、重複使用快取上下文、重試失敗的工具,或產生更長的結果。
當單次請求的輸入 token 超過 272,000 個時,Astra 的輸入和快取費率將加倍,輸出成本則為短上下文費率的 1.5 倍。雖然 1.05M 的上下文視窗非常實用,但隨意填滿可能會導致高額帳單。請衡量每個已完成任務的成本,而不僅僅是每百萬 token 的價格。
Plotly 的執行結果提供了一個具體範例:43 個分析問題在 GPT-6.2 Astra 上花費了 $4.11,而在 GPT-6 Astra 上則需 $19.97。然而,GPT-6.2 Sol 僅花費了 $1.22,且完成的問題數量僅比前者少一個。Astra 的升級確實有感;但對於常規生產流量而言,較便宜的模型可能仍具有更好的經濟效益。
這兩條折扣路徑現已上線。在發送生產流量之前,請查看 GPT-6.2 Astra 模型頁面 或 GPT-6.2 Sol 模型頁面 以獲取當前的模型 ID 和請求格式。OpenAI 模型集合 列出了其餘可用的 OpenAI 模型。
GPT-6.2 Astra 比 Claude Fable 5.2 更強嗎?
並非在所有工作類型上都更強。
OpenAI 報告稱,Astra 在法律代理基準測試中的嚴格通過率是 Fable 5.2 的兩倍以上,且成本僅為其六分之一左右。然而,在 Cognition 的 FrontierCode 2.0 中,Fable 5.2 在針對現有代碼庫進行修改方面的得分更高。Epoch 的開放式工作場所評估也顯示 Fable 5.2 以 17 分的優勢勝出。
| 選擇 GPT-6.2 Astra,當您…… |
選擇 Claude Fable 5.2,當您…… |
| 代碼審查、除錯、工具使用或可檢查的技術交付成果是核心需求時 |
任務屬於開放式,且需要對重要事項進行強有力的判斷時 |
| 您需要 CAD、模擬、3D 或電腦操作工作流程時 |
協作風格和易讀的長篇解釋更重要時 |
| 重複任務的成本和快取效率很重要時 |
您自己的代表性測試顯示需要較少的人工干預或有更好的完成度時 |
| 您希望由第二個模型來審查另一個代理的工作時 |
您希望由第二個模型來挑戰 Astra 的假設和修補程式時 |
最實際的答案可能是兩者並用。Tibor Blaho 所描述的早期交叉審查工作流程 比宣稱某一個模型是通用贏家更具可信度:讓一個模型負責實作或研究,然後讓另一個模型檢查遺漏的缺陷和未經證實的假設。
若要進行創意比較,請重複使用我們 Claude Fable 5.2 測試中的互動式水彩簡報。為兩個模型提供相同的現有專案,並要求在不破壞現有功能的情況下建立新的控制項。比較首次通過的正確性、修訂次數、解釋品質、總 Token 數以及完成任務的成本。您可以在 Claude Fable 5.2 API 頁面 上找到 Fable 的存取權限。
您可以在哪裡使用 GPT-6.2 Astra?
ChatGPT Work: GPT-6.2 Astra 可在 Work 中使用,而非一般的 ChatGPT Chat。存取權限取決於方案、工作區設定及推出狀態。
Codex: 是的。請在 Codex 應用程式中選擇 Astra,或在 CLI 中使用 /model。這是 OpenAI 推薦用於追蹤跨服務疑難雜症並完成修復與測試的選項。
Claude Code: 沒有原生的 GPT-6.2 Astra 選項。Anthropic 的 LLM 閘道說明文件 指出,透過閘道將 Claude Code 路由至非 Claude 模型不在其支援範圍內。
OpenAI API: 請使用官方模型 ID gpt-6.2-astra。OpenAI 建議將 Responses API 用於工具呼叫工作流程。
GPT Proto: GPT-6.2 Astra 與 GPT-6.2 Sol 均已上線,價格比 OpenAI 的標準 API Token 費率低 20%。選擇 Astra 進行複雜推理與可驗證的專業交付成果;選擇 Sol 進行日常編碼、寫作及更高容量的工作負載。早期的 GPT-6.2 Astra 推出時間表 記錄了發布前的 Codex 蹤跡。
以下請求使用即時的 Astra 模型 ID。您可以直接從其模型頁面複製最新的整合程式碼片段。
curl --fail-with-body --silent --show-error \
https://gptproto.com/v1/chat/completions \
--header "Authorization: Bearer ${GPTPROTO_API_KEY}" \
--header 'Content-Type: application/json' \
--data '{
"model": "gpt-6.2-astra",
"messages": [
{
"role": "user",
"content": "We sold 12 units at $25 each. Each unit cost $10. Return revenue and gross profit in USD as JSON using the keys revenue and gross_profit."
}
]
}'
營收應為 300 美元,毛利應為 180 美元。若需更便宜的日常執行,請切換至 GPT-6.2 Sol 頁面 上顯示的確切模型 ID。您也可以瀏覽 OpenAI 模型集合 以查看其他可用模型。
最終總結
GPT-6.2 Astra 最令人信服的優勢並非它能開發遊戲,而是它能將推理、程式碼、工具、檔案與電腦使用能力結合,應用於具有明確完成標準的工作上:例如修復並測試完成的錯誤、乾淨建置的遷移、對帳完成的工作簿,或是揭露其假設的分析。
其限制同樣實際。早期使用者多次描述該模型在執行任務時表現出色,但在長期運作下仍難以引導或理解。請將 Sol 用於日常工作。當工作難度足以證明其價值時,請使用 Astra,並精確定義「完成」的標準、驗證結果,並在需要研究判斷與協作風格的任務上,將其與 Fable 5.2 進行比較。