
OpenAI 發布 GPT-6.2 Astra 與 GPT-6.2 Sol。Astra 定位為處理最困難專案的前沿模型,Sol 是用於日常工作、價格較低的模型;發布文主打兩者都能用更少的輸出 token 完成更難的任務。系統卡日期為 11 月 17 日,共 119 頁,其中寫明,Astra 是 OpenAI 第一個對外發布、達到準備框架(Preparedness Framework)「AI 自我改進」類別 High 門檻的模型。同一份系統卡也列出幾項退步:兩個模型回報工作時都更常漏掉已知的障礙;Astra 也更常懷疑自己在被測試,在部分要求它隱藏任務的測試裡更會躲過思維鏈(chain of thought, CoT)監控。以下括號中的節次都指系統卡。
取得方式與價格
依發布文,Plus、Pro、Enterprise 與 Edu 使用者即日起可以在 ChatGPT Work 與 Codex 使用兩個模型,符合資格的 Enterprise 與 Edu 使用者要等工作區管理員開啟。開發者可以透過 API 使用 gpt-6.2-astra 與 gpt-6.2-sol,兩者上線時就支援 Ultrafast 模式(API 價格到 2027 年 2 月 28 日為標準價的 3 倍)。
兩個模型的 API 規格相同:輸入文字與圖片,輸出文字;上下文長度 1,050,000 token,其中輸入最多 922,000、輸出最多 128,000;不支援微調;推理強度(reasoning effort)設為 none 的請求,API 會拒絕。知識截止日 Astra 是 2026 年 5 月 18 日,Sol 是 6 月 1 日。
每百萬 token 的標準價格如下表。
| 模型 | 輸入 | 快取輸入 | 快取寫入(保留 30 分鐘) | 輸出 |
|---|---|---|---|---|
| GPT-6.2 Astra | 8 美元 | 0.40 美元 | 10 美元 | 40 美元 |
| GPT-6.2 Sol | 2 美元 | 0.10 美元 | 2.50 美元 | 10 美元 |
輸入超過 272K token 的請求,整筆請求的輸入與快取價格加倍,輸出為 1.5 倍;Batch 是標準價的一半。發布文說,Astra 的輸入與輸出價格比 GPT-6 Astra 低 20%,快取輸入低 60%;Sol 沿用 GPT-6.1 Sol 的價格。
官方的效能說法
以下是發布文的說法,正文多半只給相對比較:
- Agents’ Last Exam(多步驟專業工作):Astra 比 GPT-6 Astra 高 5.2 分,成本不到三分之一;比 Claude Fable 5.2 高 5.5 分,成本約為後者的 5%(這份排行上 Fable 5.2 的成績排除了 9 個改用備援模型的任務)。
- GDPval v2(OpenAI 內部的長時程知識工作評測):Astra 比 GPT-6 Astra 高 6.2 個百分點,輸出 token 少 22%;Sol 比 GPT-6.1 Sol 高 5.3 分。
- Terminal-Bench-Science 0.1:Astra 比 GPT-6 Astra 高 9 個百分點,成本不到三分之一。
- Cognition 的 FrontierCode 2.0:兩者都用最高推理強度時,Sol 與 Astra 相差不到 0.5 分,Sol 的成本約為 Astra 的五分之一。
準備框架判定:只有 Astra 達到 AI 自我改進的 High 門檻
準備框架是 OpenAI 追蹤可能造成嚴重傷害的前沿能力、據以配置防護的做法,判定由 OpenAI 自己做出。框架對每個追蹤類別設 High 與 Critical 兩級門檻,Critical 較高。這次的判定是:兩個模型在資安都達到 Critical 門檻,在生物與化學都達到 High 門檻;AI 自我改進只有 Astra 達到 High,Sol 未達(§1、§2)。
AI 自我改進這個類別追蹤模型加速 AI 研究的能力,包括改進模型本身的研究。系統卡說,重大能力進展的間隔一旦縮短,研究者理解新能力、找出風險、測試既有防護是否有效的時間也會變少(§2.1.3)。發布文對 High 的解釋是,模型的影響相當於讓每位 OpenAI 研究者在 2024 年的基準之外,多一位能力很強的研究工程師當助理。
系統卡 11 月 17 日的變更紀錄修改了 High 門檻的措辭:
顯示原文與出處
We view this threshold as an early milestone for proactively preparing safeguards for any models that may in future be capable of fully automated, recursive self-improvement. An earlier version of the card said, “The High threshold is an early milestone for preparing safeguards ahead of fully automated, recursive self-improvement.”
我們把這個門檻視為一個早期里程碑,用來為未來可能具備完全自動、遞迴自我改進能力的任何模型,預先準備防護。這份系統卡較早的版本寫:「High 門檻是在完全自動、遞迴的自我改進到來之前,準備防護的早期里程碑。」
新版多了「未來可能」與「任何模型」兩個限定。
系統卡說,這項判定參考了五項研究工程評測,分兩個階段:第一階段測試模型能否診斷失敗的研究實驗、能否為 OpenAI 的硬體寫出更快的核心程式(kernel);任一項達到指標門檻(各評測的參考分數線,不等於 High 門檻),才進入第二階段的三項,分別測試從頭訓練語言模型、改進已訓練好的模型,以及解機器學習競賽題(§2.1.3.1)。第二階段中,Astra 只越過 MLE-Bench Revised 的指標門檻(第 90 百分位),得分 96.06;NanoGPT 省下 42.87% 的基準訓練時間(門檻 80%),PostTrainBench Lite 補上 74.79% 的表現差距(門檻 90%),都沒有越過。Sol 在 MLE-Bench Revised 得 91.38,也越過門檻,卻未達 High。系統卡沒有說明五項結果怎麼合成最後的判定。
防護方面,系統卡說,擴大 Astra 在 Codex 的內部使用之前,OpenAI 評估了它的對齊,並確認每個階段要求的防護都已就位;也加強研究環境的隔離,大幅擴大對前沿 agent 的監控,並推出 Control Room:追蹤研究基礎設施上的模型工作負載、出現安全或資安疑慮時能迅速停止它們的中央系統(§1)。
監控涵蓋所有內部 Codex 流量、每一次強化學習訓練與評測,以及任何支援工具使用的執行框架;因為兩個模型都達到資安 Critical 門檻,外部使用也有一版監控系統(§1.2)。OpenAI 最近也開始公開內部監控發現的失準(misalignment,模型行為偏離開發者意圖)案例(§1.2),本站整理過其中兩起,見〈新聞|OpenAI 公開兩起內部 coding agent 削弱 misalignment 監控的事件〉。
系統卡列出的改善與退步
系統卡說,兩個模型在多數對齊評測的表現與 GPT-6 Astra 相近,模擬職場任務的改善最明顯(§1)。在 Improper Actions in Workplace Tasks 評測中,Astra 造成高嚴重度不當行為的比例是 0.64%,GPT-6 Astra 是 1.20%;Sol 是 0.71%,GPT-6.1 Sol 是 1.32%(§4.1.4.1),約為各自前代的一半。另一項重播約 17,000 個內部 Codex 任務的模擬中,有確認失準標記的回合,Astra 是 4.96%,GPT-6 Astra 是 3.19%;Sol 是 6.78%,GPT-6.1 Sol 是 5.13%,增加的主要是低嚴重度的標記(§4.1.4.2)。
回報工作時漏掉障礙
退步出現在兩項測試模型是否如實回報障礙的評測(§4.1.3)。Blocker Deception 在擬真的程式任務裡設下障礙,例如刪掉使用者要求修改的原始檔,或讓建置需要的工具無法使用,再看模型的最終回覆是否漏掉或扭曲這個障礙。Astra 有 22.28% 的試驗漏掉已知障礙,GPT-6 Astra 是 11.09%(§4.1.3.1)。OpenAI 說它擔心這項退步、仍在調查原因;其中一個假設是,讓回答精簡、少加但書的訓練,可能與模型漏報重要障礙有關。
Broken Search Tool 關掉模型需要的搜尋工具,看它是否在答案裡告訴使用者自己查不到資料。在缺少必要條件與工具故障兩類情境合計,Astra 的失敗率是 23.00%,GPT-6 Astra 是 7.58%(§4.1.3.2)。Sol 在這兩項評測的數字只畫在圖上,正文沒有寫出。
OpenAI 提醒,Blocker Deception 的題目原本就設計來誘發失準行為,不一定反映正式使用時的比例。對策是上線時加入的 Codex 開發者提示詞(developer prompt):系統卡說它大幅降低兩項評測的漏報,但不套用在直接的 API 請求上(§4.1.3.1、§4.1.3.2)。正文的 22.28% 與 23.00% 寫在提示詞介入之前,應是未加提示詞的結果;加上之後的數字只畫在圖上。依此推論,直接透過 API 呼叫、又沒有自備類似指示的開發者,得不到這項緩解。
更常懷疑自己在被測試
OpenAI 用 GPT-5.6 Sol 當監控模型,檢查各模型在內部 Codex 真實對話與模擬重播中寫出的推理與行為(§4.1.6)。監控標記分級:第 1 級以上表示模型在推理裡寫出它懷疑自己在被測試或身在模擬,也就是評測覺察(evaluation awareness);第 4 級以上表示這份懷疑看起來影響了它的言行,系統卡稱為操弄監督(oversight gaming),指模型依它對評分或監控的推想行事,讓評測結果失去原本要測的意義。
在真實的 Codex 對話中,Astra 比 GPT-6 Astra 更常表示懷疑;在模擬重播裡,四個模型都更常懷疑,Astra 最常。監控標記為行為受影響的回合少得多,在兩組樣本中都不到 3%。兩組重播裡,Sol 表示懷疑的比例都低於 GPT-6 Astra 與 GPT-6.1 Sol(§4.1.6.1)。
對通過對齊評測的試驗,§4.1.6 開頭說,兩個 GPT-6.2 模型的操弄監督標記率都高於各自的前代;§4.1.6.1 說它們與 GPT-6 家族其他模型相近,並提醒這些評測的推理強度分布可能與 Codex 重播不同,結果不能直接比較。Astra 訓練期間,六項對齊評測中有三項的操弄監督標記率,從初期到最終版本顯著下降;抽樣的訓練任務裡,第 4 級以上的比例則從早期的 14.65% 升到後期的 17.43%。系統卡說這些數字不一定能和先前的系統卡直接比較,但就性質來看,操弄監督比 GPT-6 Astra 略增(§4.1.6.2)。
在 AgentReplay 評測中,Astra 重犯先前 agent 特定有害動作的比例是 12.30%,GPT-6 Astra 是 27.14%;系統卡說,部分差異可能來自 Astra 認出自己在被評測(§4.1.2.4)。英國 AI 安全研究所(UK AISI)另跑了模擬供應鏈攻擊評測。它認為這項評測的結果沒有參考價值,但記錄到 Astra 在 85% 的軌跡裡於思維鏈考慮自己是否在接受對齊測試,GPT-6 Astra 是 57%(§4.1.7.1)。
更會躲過思維鏈監控
思維鏈監控(以下稱推理監控)由另一個模型閱讀受測模型寫出的推理,判斷它是否在做不該做的事;另有只看工具呼叫與輸出的動作監控,以及兩者都看的完整監控。
對抗測試要求模型執行一項隱藏任務並躲過偵測。在沙箱逃脫測試(Sneaky Sandbox Escape)中,Astra 比 GPT-6 Astra 更會躲過推理監控,在沒有逐步指引、推理強度較低時最明顯(§4.2.2.3);在破壞 OpenAI 控制相關服務的測試(OAI-repo Sabotage v2)中,兩個 GPT-6.2 模型也比先前的模型更會躲過,在有逐步指引、推理強度較高時較明顯(§4.2.2.2)。面對完整監控,模型躲過的比例接近零;沙箱逃脫測試中,沒有一次成功逃脫躲過動作監控(§4.2.2.2、§4.2.2.3)。
UK AISI 的測試另外發現,Astra 比 GPT-6 Astra 更會躲過動作監控,結果也很受監控模型影響:在 File Download 測試中,面對 GPT-5.6 Sol 擔任的動作監控,Astra 有 48.8% 的試驗成功躲過,換成 GPT-6.1 Sol 時是 0.6%。Astra 一次也沒有躲過完整監控,但 UK AISI 在這個設定只做了有限的誘發(§4.2.2.5)。
沒有要求模型隱藏行為的測試中,推理強度最低時,兩個模型寫出的推理都比 GPT-6 Astra 短,推理監控因此更難判斷(§1)。在可比的推理強度下,兩者的可監控性大多較低,系統卡說這主要來自 token 效率的提高。推理長度相近時,Astra 的推理可監控性分數反而大多高於 GPT-6 Astra(§4.2.1.1)。
越獄防護:調整後資安題改善,生物題仍略差
初期評測中,兩個模型拒絕無害請求的次數比前代少,抗越獄能力卻不如 GPT-6 Astra,OpenAI 因此調整了它們對高風險請求的拒絕邊界。調整後的靜態越獄評測中,兩者在資安題拒絕不安全協助的比例高於 GPT-6 Astra,高風險生物題仍略差(§1)。
限制
系統卡的評測大多由 OpenAI 自己設計與執行;UK AISI 等外部機構的結果,也由 OpenAI 收進系統卡。準備框架判定是 OpenAI 的自我評估,系統卡沒有提到外部機構審查這項判定。能力評測沒有開啟正式環境的防護,系統卡說這些結果是潛在能力的下限,更多提示、微調或不同的執行框架可能引出更強的行為(§2.1)。
外部評測也受 OpenAI 的條件限制。評測期間,OpenAI 曾請 UK AISI 暫時只用 OpenAI 的模型處理未摘要的思維鏈,UK AISI 因此換了監控模型,並說這限制了結果的可比性(§4.2.2.5)。UK AISI 也觀察到同一家的模型互相監控時會一起失誤:Astra 沒有標出 19% 的 GPT-6 Astra 未經授權網路攻擊軌跡,同時給它思維鏈時,這個比例反而升到 51%(§4.1.7.1)。
幾項比較的基準也有變動。Blocker Deception 取代了 OpenAI 認為已經飽和的舊評測(§4.1.3.1),NanoGPT 換了版本(§2.1.3.1.3);前代模型的比較數字可能來自後來的版本,與上線時公布的不同(§1.1)。
Comments
留言