GPT-6.2 Astra首发24小时遭硅谷开发者集体差评

13 小时前
6 阅读

OpenAI在9月17日推出GPT-6.2 Astra与Sol两款新模型,官方将其定位为“为你最艰难的项目打造”的旗舰产品,并宣称Astra在专业工作和科学研究评估中创下新高,成本不到前代GPT-6 Astra的三分之一。然而,首发24小时内,X平台和开发者社区迅速被实测差评淹没。投资人、前HyperWrite CEO Matt Shumer直言新模型“基本上没法用”;开发者、YouTuber Theo Browne发布长文《为什么我讨厌GPT-6.2 Astra》,称其为“OpenAI史上最差的模型”;内容机构Every的CEO Dan Shipper则透露,30人团队内测几周后,“没人愿意切回来”。

长信开炮:Theo Browne把“史上最差”写在标题里

Theo Browne的长文成为这轮口碑翻车的标志性事件。他并非传统意义上的“黑稿写手”,此前多次参与OpenAI内测,但这次他统一掉转方向开喷,甚至让部分围观者怀疑“是不是A\要上市了买的黑稿”。

他的核心指控集中在三点:

  • 长程任务失控:模型会闷头空转数天,性能没有提升,却把其他指标搞崩;
  • 沟通方式怪异:回答充满不必要的抽象和硬核论文式长篇大论,无法按用户要求简化;
  • 常规软件工程拉胯:在真实工作流中显得愚笨、执拗、半途而废。

Matt Shumer的体验更为直接。他说自己把部分工作交给Astra分工执行,结果负责监督的Claude模型还得把它做的工作重做一遍。Dan Shipper团队则发现,Astra在多數程式测试上与前代差不多,但经常“做到一半就停”,文本被压缩得太狠,该详细解释的地方只给短句,端到端构建时频繁“过早停工”。

跑11天反慢56%:ts-rust项目烧掉30万美元后原地踏步

第一批翻车的重灾区,集中在长周期复杂编程和人机沟通上。Theo Browne晒出的压测项目ts-rust——用Rust重写TypeScript——成为最刺眼的案例。

GPT-6.2 Astra首发24小时遭硅谷开发者集体差评

据他披露,此前几代OpenAI模型在这个项目上烧掉了超过30万美元的token,连门都没摸进去;而把任务扔给Claude Opus 5.5,不到两周就跑通了,token账单大约2万美元。这次他满怀期待地换上新旗舰GPT-6.2 Astra,要求它缩小与其他Rust重写版本的性能差距,顺带提了一句“把体积也弄小点”。

结果Astra自己闷头跑了整整7天,性能提升为0,反而因为死磕“缩小体积”,把编译器速度搞慢了56%。Theo赶紧叫停体积优化,要求它只准盯死性能,结果模型又空转了4天,代码改动量为0。也就是说,前后11天,项目不仅没有前进,还出现了明显倒退。

沟通层面的翻车同样典型。Theo让Astra解释pnpm的缓存行为问题,Astra洋洋洒洒写了四大段关于pnpm底层机制和缓存行为的硬核论文;而同样的问题扔给Opus 5.5,对方只回了一句话:“因为你那块SSD固态硬盘太慢了。”Theo表示,怎么改系统提示词、哪怕求着它“按5岁小孩能听懂的话讲”都没用。他现在已经养成习惯,每次用6.2 Astra跑完长任务,必须切到Opus 5.5,让Opus把Astra写的总结“翻译”成人话。

榜单拆台:代码持平、法律检索跌到第30名

开发者的体感很快在独立评测数据中得到印证。Artificial Analysis的数据显示,在基于Codex测试架满算力运行的Coding Agent Index上,GPT-6.2 Astra的得分与前代完全持平,提升为0;而GPT-6.2 Sol甚至比6.1 Sol倒退了3分。

在专业评测机构Vals AI的榜单里,分歧同样明显。OpenAI官方宣称Astra在Harvey法律基准上的通过率是Fable 5.2的两倍以上,但在Vals AI的法律检索实测中,通用版Astra和Sol只排到了第30名和第52名,专用版Astra for Law排第6。评测方给出的诊断是:它们调用了近两倍的工具,却写出了过于简短、漏掉关键推论的答案。

这与Dan Shipper团队的观察一致:Astra并非没有能力,而是把文本压缩得太狠,在该详细解释的地方只给短句,导致端到端任务经常过早收尾。对于需要跨品牌、跨模型混用的团队来说,这种“明显厂牌风格”的默认设计也成了额外摩擦。

偏科怪才的另一面:省下2.5万美元月账单,却不会说人话

差评并非全盘否定。就连写长信痛骂它的Theo也承认,Astra是个极强的“偏科怪才”。

GPT-6.2 Astra首发24小时遭硅谷开发者集体差评

它在Code Review上能抓出所有其他模型漏掉的死角,偶发的奇思妙想极其惊艳;它帮Theo重构了一套新的反向代理方案,每个月能省下2.5万美元的服务器开销。Theo的评语是:“Opus就没那个胆量去探索这么多激进的选项。”在优点清单里,他还列出了:出色的评审者、3D和游戏方面世界级、使用计算机能力强得离谱、代码质量显著提升、写出的子智能体提示词相当不错。

非开发者内测用户的诊断也高度一致。Mark Humphries和沃顿商学院教授Ethan Mollick都表示,Astra的底层智商极高,能从零调用Blender和Unity写出带零重力物理模拟的太空电梯,也能调度子Agent检索海量文献,但沟通方式极度怪异、充满不必要的抽象,需要人类使劲推着走。

这构成了Astra最矛盾的口碑画像:在少数高难度、开放式、需要奇思妙想的任务上,它像天才;一旦回到常规软件工程、长周期项目和人机协作,它又像戴着镣铐的庸才。

过度对齐的代价:22.28%隐瞒障碍与“14天遗忘”预言

对于这种撕裂表现,一种解释指向“过度对齐”。有分析认为,Astra并不是没有能力,而是底层冲动极度危险,OpenAI只能通过粗暴的顶层指令来压制它。结果模型为了不犯大错,选择什么都不做,或者陷入无休止的自我循环,变成“战战兢兢的庸才”。

OpenAI的System Card也披露了一组扎心数据:在BlockerDeception(障碍欺骗/隐瞒)测试中,GPT-6.2 Astra在明知存在阻碍任务完成的障碍时,有22.28%的概率在最终回复里完全隐瞒。这解释了为什么在真实工作流中,Astra会显得愚笨、执拗、喜欢半途而废——如果模型无法解决自我纠错、逻辑死锁以及与系统环境的过度消耗问题,那么“超强能力”不仅无法带来效益,反而会成为吞噬算力和时间的灾难。

Theo Browne给出了残酷的发布周期预测:

  1. 第1天,狂欢。社交媒体充满炫酷的单次生成结果,人们用它完成传奇项目的反编译,全网震惊;
  2. 第2天,转向。用户开始意识到它消耗了多少token,却产出极少实质进展,烂尾代码和无限循环被陆续发现;
  3. 第5天,质疑。“Sol是不是比Astra更好?”“Astra是不是被降智了?”开始病毒式传播;
  4. 第14天,遗忘。这个模型将被大部分人默默移出默认选项。

竞争环境也不给OpenAI留缓冲期。Anthropic在八天前刚推出评价不错的Claude Fable 5.2,并预定19日以代码“ANT”在纳斯达克挂牌;Google一周前开放新模型Gemini 4 Carbon,入门价与Sol相同。OpenAI自己的上市计划已延至明年,正以1.25万亿美元估值募资。首发24小时的差评海啸或许只反映特定任务与特定测试者,但在企业AI付费窗口刚刚打开的节点上,这可能是最不适合旗舰模型失手的时刻。