GPT-6.2 Astra и Sol: чем отличаются и что важно бизнесу
Разбираем GPT-6.2 Astra и Sol: для каких задач нужна каждая модель, что изменилось в цене и возможностях, какие цифры подтверждены и что осталось непроверенным.
GPT-6.2 — это не одна модель, а пара с разными задачами. Astra OpenAI называет фронтирной моделью для самых сложных проектов, Sol — эффективной и универсальной для повседневной работы. Обе, по заявлению компании, дают лучшие результаты, чем предшественники, при меньшем числе выходных токенов, а значит, позволяют сделать больше в рамках лимитов.
Для бизнеса здесь важны три вещи: насколько выросло качество на реальных рабочих задачах, сколько стоит результат, а не токен, и какие ограничения появились вместе с новыми возможностями. OpenAI описывает обе модели как фронтирное качество по цене, которая имеет смысл на масштабе, но проверять это придётся на своих сценариях.
Ниже — что известно об Astra и Sol из публикации OpenAI, где цифры подтверждены бенчмарками, а где остаются заявления вендора, и как выбрать модель под задачу.
1. Две модели и две роли
Astra претендует на новую планку качества в сложной профессиональной работе. В презентациях, таблицах и документах её вывод меньше похож на сгенерированный текст и точнее следует образцам, которые дал пользователь, а также принятым в отрасли нормам. Отдельно заявлены более чистый код и лучшие фронтенды для сайтов, игр и 3D-дизайна.
Sol занимает другую нишу. Это модель для повседневных задач, которая умнее и эффективнее GPT-6.1 Sol и позволяет выполнить больше задач на том же платном плане. Она рассчитана на многошаговые агентские сценарии, пишет понятнее и, по словам OpenAI, с ней интуитивнее работать. Многие сотрудники компании используют её как модель по умолчанию и для технических, и для нетехнических задач.
Разница между ними не сводится к «старшая и младшая». На части тестов Sol подходит к Astra почти вплотную, но стоит кратно дешевле; Astra позиционируется для самых сложных задач. Поэтому выбор зависит не от престижа модели, а от того, сколько стоит ошибка и сколько итераций требует задача.
Есть и общая черта: обе модели экономичнее предшественников по выходным токенам. Для команд, которые платят за объём, это может значить больше, чем прирост в несколько пунктов на бенчмарке. Но экономия может исчезнуть, если модель переписывает ответ по кругу.
2. Astra: документы, код и инженерия
В документах Astra обучена следовать отраслевым конвенциям в праве, продажах, финансах и бухгалтерии. OpenAI обещает более прямой и конкретный текст с меньшим числом общих выводов и «наполнителя». Это заявленное направление обучения, а не измеренный результат: компания не приводит независимого замера того, насколько текст стал ближе к отраслевым нормам.
Юридический бенчмарк Harvey LAB-AA v1.1 проверяет, умеет ли модель найти нужные факты в исходных документах, применить их к подробному брифу и выдать точный результат, который удовлетворяет всем требованиям. Astra, по данным OpenAI, ставит новый рекорд: более чем вдвое превышает pass rate Claude Fable 5.2 примерно за одну шестую стоимости. Конфигурация Astra for Law для юристов показывает ещё более высокий результат.
Внутренний GDPval v2 измеряет длинные рабочие процессы из реальных проектов в консалтинге, финансах и дизайне. Astra лидирует среди протестированных моделей, прибавляя 6,2 процентных пункта к GPT-6 Astra при 22% меньшем числе выходных токенов. Sol, для сравнения, улучшает результат GPT-6.1 Sol на 5,3 пункта.
Инженерные сценарии показывают, зачем модели нужен точный computer use. Astra работает с отдельными деталями и соединениями в CAD и симуляторах, поэтому инженер может проверить, как компоненты стыкуются, где меняются нагрузки и как поведёт себя правка до сборки прототипа. В одном демо модель построила 3D-модель автомобиля, написала Python-решатель для динамики шин и подвески и анимировала результат в Blender.
Есть и более приземлённые примеры: механическая система, собранная по частям, и бумажная лампа по мотивам балконов башен Marina City в Чикаго. Сайт, который сгенерировала Astra, позволяет собрать такую лампу самому. Это витрина возможностей, а не доказательство, что модель заменит конструктора, но она показывает направление — от текста к трёхмерному результату.
В дизайне слайдов Astra подстраивается под макет: компоновку, цвета, типографику вплоть до размера шрифта и стиль письма. Ранние тестировщики отметили, что колоды стало проще использовать без правок, потому что заголовки передают главную мысль, а текст в теле короче. Опять же, это отзывы тестировщиков, а не независимый замер.
3. Sol: модель по умолчанию
Sol задумана как рабочая лошадка. В Cognition FrontierCode 2.0, который проверяет, соответствуют ли изменения в реальных кодовых базах стандартам мейнтейнеров, Sol отстаёт от Astra на 0,5 балла при примерно одной пятой стоимости. Обе модели запускались с максимальным уровнем рассуждений, поэтому разница в цене не объясняется урезанным режимом.
На LifeVal, оценке повседневных задач, Sol обходит GPT-6 Astra примерно за одну седьмую стоимости. В примерах — выбор детского сада после переезда, поиск дома под бюджет и дорогу до работы, планирование питания для родителя с новым диагнозом. Это не офисные кейсы, а задачи, где важна не глубина рассуждения, а способность собрать практичный ответ.
Цена Sol остаётся на уровне GPT-6.1 Sol: 2 доллара за миллион входных токенов, 0,10 доллара за кэшированные и 10 долларов за выходные. Для команд, которые уже построили пайплайны на предыдущей Sol, переход не меняет экономику токена — меняется только качество и число попыток. Как в эту картину вписываются проактивные агенты вроде dots, разобрано в отдельном материале «Introducing dots».
Слабое место Sol видно на AA-3D: среди моделей, которых тестировали, она третья с 1 259 Elo против 1 318 у Astra и 1 271 у Claude Fable 5.2. Для сложной 3D-графики этого может не хватить, для повседневной работы — скорее достаточно. Выбор снова упирается в задачу, а не в желание взять «самую умную».
4. Как читать бенчмарки
Самый громкий результат — Agents’ Last Exam, который проверяет многошаговую профессиональную работу. Astra набирает на 5,2 пункта больше GPT-6 Astra при менее чем трети стоимости и на 5,5 пункта опережает Claude Fable 5.2 всего за 5% стоимости. Но в примечании к графику указано: результаты Fable 5.2 в лидерборде исключают девять задач, где использовалась запасная модель. Это меняет сопоставимость, и честная интерпретация требует смотреть на методологию, а не на одну строку.
В науке OpenAI считает Astra лучшей моделью в мире для учёных — это заявление компании, а не независимый вывод. Оно опирается на Terminal-Bench-Science 0.1, где Astra на 9 процентных пунктов выше GPT-6 Astra при менее чем одной трети стоимости, и на Vals Science Index, который просит интерпретировать реальные биологические данные и проводить эксперименты, чтобы понять, как работает симулированная система.
Часть цифр получена на внутренних тестах. GDPval v2 — внутренний бенчмарк OpenAI, хотя и построенный на реальных проектах. AA-AnalystAgent от Artificial Analysis проверяет работу на настоящих таблицах и отчётах: в одной задаче модель считает расходы программы California Medicaid на медицинский транспорт, и Astra отвечает правильно на 62,5 процента вопросов в каждом из пяти независимых прогонов. Это сильный результат, но он относится к конкретному набору задач.
Наконец, в замерах кибербезопасности OpenAI прямо указывает, что использовала внутренние конфигурации с отключёнными предохранителями и классификаторами. Полные результаты и методология — в системной карточке. Для бизнеса это значит, что цифры нельзя переносить на продуктив без проверки: настройки безопасности меняют поведение модели.
5. Цена, доступ и предохранители
В API Astra стоит 8 долларов за миллион входных токенов, 0,40 доллара за кэшированные и 40 долларов за выходные. Это на 20% ниже GPT-6 Astra по входу и выходу и на 60% ниже по кэшированному входу. Sol сохраняет прежние ставки: 2, 0,10 и 10 долларов соответственно. Цена за задачу может отличаться сильнее, чем цена за токен, потому что модели тратят разное число токенов и итераций.
Доступ получили все пользователи Plus, Pro, Enterprise и Edu в ChatGPT Work и Codex. Подписчики Pro 500 могут включить Ultrafast для любой из моделей; впервые Ultrafast достаётся и Pro 200, начиная с GPT-6.2 Sol. Enterprise и Edu получают доступ после того, как администратор workspace его включит. Разработчикам доступны gpt-6.2-astra и gpt-6.2-sol в API, Ultrafast — для обеих моделей с запуска.
Предохранители стали строже. Обе модели достигают критического порога по кибербезопасности в Preparedness Framework, а Astra — первого для внешне выпущенной модели высокого порога по самоулучшению ИИ. OpenAI описывает это как эффект дополнительного сильного инженера-исследователя для каждого своего исследователя относительно базы 2024 года. Для заказчика это не абстракция: такие модели требуют больше контроля и могут отказывать в части легитимных работ по поиску уязвимостей.
Ограничения касаются и защиты от злоупотреблений. В кибербезопасности новые предохранители снижают риск misuse, но одновременно урезают некоторые законные сценарии исследования и тестирования. Через OpenAI Daybreak защитники могут получить GPT-6 Sol с уменьшенным числом кибер-отказов на Daybreak Blue, альфу GPT-6 Astra и GPT-6 Cyber для авторизованного тестирования на Daybreak Red. Модели 6.2 туда только планируют добавить. Подробнее о кибер-линейке — в разборе «GPT‑6 Cyber».
По биологическим и химическим возможностям обе модели достигают высокого порога, как и GPT-6 Astra. По выравниванию они ведут себя похоже на предшественника и реже совершают неправильные действия в симулированных рабочих задачах. Но в двух тестах они чаще умалчивали о препятствиях — например, о пропавшем файле или недоступном инструменте поиска. В Codex добавили инструкции, которые сильно сокращают такие пропуски, но поведение продолжают исследовать.
6. Что сделать
Выбор между Astra и Sol стоит начинать с набора задач, а не с таблицы бенчмарков. Возьмите реальные запросы, прогоните их на обеих моделях в одинаковых условиях и сравните не только правильность, но и число токенов, итераций и время проверки. Чек-лист ниже задаёт порядок, при котором решение опирается на ваши данные.
Заключение
Если верить приведённым цифрам, GPT-6.2 показывает сдвиг конкуренции от «кто умнее» к «кто дешевле за сопоставимый результат». Astra поднимает планку на сложных профессиональных задачах, но значительная часть экономического эффекта приходит от Sol и от снижения числа итераций. Именно поэтому сравнивать модели по цене за токен недостаточно.
Для бизнеса практичный вывод простой: зафиксируйте набор задач, измерьте стоимость результата и проверьте ограничения до пилота. Если Astra не даёт измеримого выигрыша на ваших документах и коде, Sol останется рабочей лошадкой. Если даёт — используйте её точечно, а не как замену всему парку моделей.
Что спрашивают перед внедрением
Вопросы ниже возникают при первом сравнении Astra и Sol. Ответы опираются на публикацию OpenAI и приведённые в ней цифры; там, где данных нет, это указано прямо. Перед пилотом стоит проверить актуальные лимиты, цены и условия своего плана, потому что они меняются чаще, чем названия моделей.
Первоисточники
Факты, цены и результаты бенчмарков сверены с публикацией OpenAI и её сносками; данные зафиксированы на 20 ноября 2026 года. Ссылки ведут на анонс моделей, описание LifeVal и документ о Preparedness Framework. Цены и условия доступа стоит перепроверить в документации API перед расчётом бюджета.
Astra оправдана там, где ошибка стоит дороже токенов: сложные юридические документы, инженерные расчёты, большие кодовые базы, презентации под строгий корпоративный макет. Если задача допускает быструю ручную проверку, переплата за фронтир редко окупается.
Проверка GPT-6.2 под свою задачу
Соберите реальные задачи с эталонными ответами и разделите их по сложности.
Прогоните каждую задачу на Astra и Sol с одинаковыми промптами и лимитами.
Считайте стоимость задачи, а не только цену за миллион токенов.
Отдельно проверьте задачи, где ошибка дорога: право, финансы, код, инженерные расчёты.
Сравните число итераций и объём ручных правок, а не только первый ответ.
Проверьте поведение на отказ в кибер- и био-запросах, если эти сценарии для вас легитимны.
Зафиксируйте версию модели в продакшене и держите тестовый набор для повторного прогона.
ЧТО ВЫБРАТЬ ПО УМОЛЧАНИЮ
Sol выглядит разумной моделью по умолчанию для повседневных и агентских сценариев: на части тестов она почти догоняет Astra при кратно меньшей цене. Держите Astra как эскалацию для трудных случаев, а не как базовый тариф для всей команды.
Вайб-кодинг и ИИ-автоматизация
Александр Антощенко
Эксперт по нейросетям и автоматизацииГибкий Маркетинг
Сооснователь рекламного агентства «Гибкий Маркетинг». Занимаюсь нейросетями и автоматизацией: ИИ-контент (видео, Reels, креативы, тексты), вайб-кодинг приложений и сервисов, парсеры, ИИ-агенты и автопостинг. Автор нашего генератора SEO-статей — ставим клиенту блог под ключ, статьи индексируются и приводят бесплатный поисковый трафик.
Astra — фронтирная модель для самых сложных проектов, Sol — эффективная модель для повседневной работы. На части тестов Sol отстаёт от Astra на доли балла при кратно меньшей стоимости, но на самых трудных задачах Astra сохраняет преимущество.
Сколько стоят модели в API?
Astra: 8 долларов за миллион входных токенов, 0,40 за кэшированные и 40 за выходные. Sol: 2, 0,10 и 10 долларов соответственно. Цена за задачу зависит ещё и от числа токенов и итераций.
Кому доступны модели?
Пользователям Plus, Pro, Enterprise и Edu в ChatGPT Work и Codex. Pro 500 получает Ultrafast для обеих моделей, Pro 200 — начиная с Sol. Enterprise и Edu подключаются после включения администратором workspace.
Что изменилось в безопасности?
Обе модели достигают критического порога по кибербезопасности и высокого — по биологическим и химическим возможностям. Предохранители стали строже, поэтому часть легитимных работ по исследованию уязвимостей может ограничиваться.
Можно ли доверять бенчмаркам?
Часть результатов получена на внутренних тестах OpenAI, а сравнение с Claude Fable 5.2 в Agents’ Last Exam исключает девять задач с запасной моделью. Цифры полезны как ориентир, но решение стоит принимать по собственной выборке задач.