OpenAI 在 Anthropic 預計首次交易日的兩天前,發布了 GPT-6.2 Astra 和 Sol。根據 Artificial Analysis 的測試,Sol 在每項任務的成本上僅為九月 Astra 的約 15%,但效能與其相當。新的 Astra 在智慧指數上獲得 62 分,僅次於 Fable 5.2 的 65 分。
總體而言,Anthropic 仍擁有全球最佳模型,但 OpenAI 在每美元的智慧效能上,擁有全球最高效率的模型。這次發布較不尋常的是,社群意見領袖(influencer)出現了強烈的負面回饋。
我們認為部分反應過度,且意見領袖常有極端評價的傾向,但部分批評確實有效,強化學習(RL)的產物明顯且相當奇特。儘管如此,我們仍用它來自動化工作,這才是最終的重點。
這是一次成功的發布,但 Anthropic 的首次公開募股(IPO)並未受到影響,這可能仍是本週、本年,甚至十年來的頭條新聞(直到 OpenAI 進行 IPO 為止)。
GPT-6.2 Astra 和 Sol 現已向 ChatGPT Work、Codex 的 Plus、Pro、Enterprise 和 Edu 用戶推出,開發者也可透過 API 使用 gpt-6.2-astra 和 gpt-6.2-sol。OpenAI API 每百萬 token 的定價為:Astra 輸入 $8、快取輸入 $0.40、輸出 $40。
Sol 則維持其前一代的定價,輸入 $2、快取輸入 $0.10、輸出 $10。兩者都支援 1M 的上下文長度,並有 128K 的輸出限制。
針對法律應用,Astra 的企業版配置新增了法律搜尋索引。Artificial Analysis 測量顯示,其在 Harvey LAB-AA 基準測試中達到 20.8%,而基礎版 Astra 為 15.0%。
在準備度方面,OpenAI 將 Astra 評為「AI 自我改進」的高級別,這是其外部發布模型中的首次。在另一項測量中,Vals 的 RSI 指數從 27.07% 上升到 29.01%,其中 50% 代表人類參考水準。
在 Agents’ Last Exam 1.1 測試中,OpenAI 報告 Astra 在 xhigh 模式下比 GPT-6 Astra 在 max 模式下高出 5.2 分,且每項任務成本不到三分之一。它還指出,Astra 在該測試中比 Fable 5.2 高出 5.5 分,成本約為 5%。
在 GDPval v2 測試中,Astra 的輸出 token 使用量比其前一代減少了 22%。在 Mercor 的 OpenWorldEngineer 測試中,Astra 達到 67.2%,Fable 5.2 為 54.6%,GPT-6 Astra 為 44.2%。
在 Vals 的多輪 Vibe Code Bench 測試中,Astra 排名第一,Sol 排名第三。在 AA-3D 測試中,Astra 以 1,318 分領先,Fable 為 1,271 分,Sol 為 1,259 分。
在 Artificial Analysis 的機器人預覽測試中,Astra 獲得 79 分,Sol 獲得 78 分,均領先 Fable 的 75 分。在 Perplexity 的 WANDR 測試中,Astra 獲得 0.783 分,每項任務成本約 $12.54。Sol 則獲得 0.746 分,每項任務成本約 $2.65。
Matt Shumer 經過數週測試後,稱這些模型「基本上無法使用」,並表示他的 Opus 和 Fable 代理拒絕了 Astra 的許多子代理工作。Pietro Schirano 將他早期遇到的許多問題歸因於其「銜接器」(harness)。
Arena 的 Peter Gostev 在視覺編碼方面測試了 Astra 和 Fable,並特別提到了 Astra 的 SVG 孔雀圖案。在展示方面,Gabriel Chua 使用超過 100 個 Codex 執行緒,建立了一個可步行的新加坡模型。Simon Willison 則將相同的 three.js 機械提示詞,透過 Astra、Sol、Carbon 和 Fable 等多個模型執行。
微軟發布了自己的編碼模型:MAI Code 2 專為多步驟編碼設計,而 Code 2 Flash 則用於快速編輯。這兩款模型都可在 GitHub Copilot 的模型選擇器、Copilot Fusion 和 Foundry 中使用。微軟還宣布對其 Decision 模型進行多模態升級。
在 Copilot Fusion 方面,微軟報告其多模型銜接器在 Terminal-Bench 4.1 上達到 71.2% 的表現,且成本比 Claude Fable 5.2 低 88%。在圖像編輯方面,Artificial Analysis 將 MAI Image 2.7 在其編輯基準測試中排名第一,每 1,000 張圖像的成本為 $34.82。
Gemini Tasks 現已由 Hydrogen 驅動,在六個國家提供免費任務,包括需要電話或簡訊的任務。Google 還展示了一個新的 Antigravity 機器人外掛程式,具備 MuJoCo 模擬功能。
Hugging Face 的 Pi 轉接器,一個在 Pi 內部訓練的小型轉接器,將 Qwen3.8-27B 在 51 個最困難的 SWE-bench Pro 任務上的解決數量從 15 個提升到 32 個。在該子集中,它每項任務的工具呼叫次數減少了 55%。
銜接器(harness)的成本差異很大。Baseten 在其針對 22 個銜接器和五個開源模型的基準測試中測量到,每項通過任務的成本差異高達 4.4 倍。銜接器可能會針對其模型進行專門化。Google 的 SIM 保留了先前銜接器編輯的理由和結果。一個在 Opus 上演化出的銜接器在 Gemini 上得分 68.41,而起始銜接器得分 73.89。
更多多代理產品問世。Cognition 推出了持久型 Devin Bots。Perplexity 報告稱,其混合模型團隊在 Terminal-Bench 和 WANDR 測試中擊敗了四個領先模型實例。Replit 報告在 NumPy 任務上,從 16 個代理增加到 32 個代理的回報遞減。
在一次 1,000 個代理的運行中,協調性是主要因素。Hugging Face 表示,任何時候只有 40-60 個代理在呼叫模型。它們讀取的 token 數量約為寫入 token 數量的 130 倍,合併和測試是造成瓶頸的原因。
一小部分的快取未命中(cache misses)可能佔據大部分費用。SemiAnalysis 報告稱,在其樣本中,1.8% 的未快取請求約佔總支出的 15%。Marin 和 K2 Horizon 公開了他們的訓練運行數據。Marin 發布了其 535B-A23B 運行中的 57 個中間 Mochi 檢查點。
K2 報告比較了在相同 22T token 上訓練的四種模型尺寸,並描述了一種解碼轉接器,該團隊稱其可達到 2.2 倍的加速。Zyphra 的長上下文注意力機制。該團隊報告稱,在將多個模型轉換為其次二次方注意力機制後,在 10M token 時可實現 9-60 倍的加速,而 Qwen 在 1M token 時,RULER 分數損失不到兩分。
推測解碼(Speculative decoding)。vLLM 報告稱,Kimi K3.1 Pro 的滑動視窗草稿可將接受長度提高多達 30%。NVIDIA 也為 Qwen3.8-27B 提供了一個 4B 的草稿模型。
NVIDIA 在執行長過渡後首次公布財報。在臨時執行長 Colette Kress 的領導下,NVIDIA 公布季度營收達 $1,158 億美元,年增 103%,並表示 Vera Rubin NVL72 已出貨。董事會表示無意恢復 Jensen Huang 的職務。
Isomorphic Labs 籌集了 $50 億美元。Greenoaks 和 Sequoia 共同領投了 C 輪融資。該公司表示將擴大其藥物設計平台並開發其治療產品線。Genesis AI 籌集了 $5 億美元。A 輪融資使這家機器人公司的投後估值達到 $35 億美元。該公司計畫利用這筆資金部署其 Eno 機器人,並擴大訓練和數據收集。
一個 9B 模型,其層數運行兩次。SenseNova-Loop-9B 的 32 層中有 24 層會再次運行。該模型的作者報告稱,GAIA 的分數從預覽版的 37.86 上升到發布版的 69.90。本地用戶詢問在長上下文情況下,KV 快取還剩下多少記憶體。
Maxwell V1 Flash,一個 35B/3B 活躍參數的 MoE 模型,聲稱在 256K 上比密集型 GQA 實現 6.7 倍的注意力加速。其稀疏注意力機制仍保留完整的歷史 KV 快取,這是本地用戶在投入硬體前希望測量的。OVHcloud 預覽了一個小型 MoE 模型 Olala mini 7A1B,具有 1B 活躍參數和 32K 上下文視窗。目前社群正在等待權重和可重現的基準測試結果。
Intel 的 Crescent Island 數據。早期簡報中引人注目的吞吐量比較使用了大量 FP64 工作負載。Intel 獨立的 LLM 比較聲稱,與 RTX PRO 6000 Blackwell Server Edition 相比,吞吐量提高 1.12 倍,延遲降低 29%。一位開發者報告透過 PostScript 列印任務運行了 Gemma 3 270M 模型。
一個為即時輸入而建構的電玩遊戲代理。miHoYo 的 Gamer 以 5 Hz 的頻率採樣螢幕,並以 30 Hz 的頻率發出鍵盤和滑鼠活動。其強化學習(RL)版本在作者的評估中,解決了大約一半的未公開《崩壞》解謎任務。
一個虛構的聯盟每晚進行廣播。開發者表示,Fock Ball 在物理引擎中模擬比賽,並使用 Claude 進行評論和新聞編輯室等周邊工作。ICLR 審查與 AI 檢測器。審稿人報告稱,計畫主席標記了可能由 AI 生成的審查意見。討論串詢問檢測器如何區分編輯協助和完整的審查生成。