Индустрия больших языковых моделей (LLM) продолжает двигаться с невероятной скоростью, и недавнее обновление от OpenAI стало очередным ярким маркером этой эволюции. 17 ноября 2026 года компания официально представила две новые модели: GPT-6.2 Astra и GPT-6.2 Sol. Это не просто итеративное улучшение старых версий, а стратегический шаг, который меняет ландшафт ценообразования и возможностей для разработчиков. Astra позиционируется как флагманская модель для самых сложных задач, требующих максимальной вычислительной мощности, в то время как Sol предлагает эффективное и универсальное решение для повседневных рабочих процессов.
Обе модели уже доступны через API под именами gpt-6.2-astra и gpt-6.2-sol. Для тех, кто использует инструменты локального запуска и тестирования, такие как библиотека LLM, поддержка новых версий была оперативно добавлена в релиз LLM 0.38. Однако за красивыми пресс-релизами скрывается сложная картина: новые модели демонстрируют смешанные результаты в бенчмарках, а их поведение в долгосрочных сессиях вызывает вопросы у сообщества. В этой статье мы подробно разберем ценовую политику, результаты тестов, технические нюансы и практические примеры использования, чтобы вы могли понять, стоит ли переходить на новые модели прямо сейчас.
01Ценовая революция: Доступность против Мощности
Одним из самых значимых аспектов анонса GPT-6.2 стала агрессивная ценовая политика. OpenAI снизила стоимость использования своих флагманских моделей, сделав их более доступными для широкого круга разработчиков и компаний. Давайте разберем цифры, чтобы понять масштаб изменений.
GPT-6.2 Astra стоит 80% от цены своего предшественника, GPT-6 Astra. Если предыдущая версия обходилась в $10 за миллион входных токенов (input) и $50 за миллион выходных токенов (output), то новая модель Astra предлагает входные данные по цене $8/MTok и выходные — $40/MTok. Интересно отметить, что эта цена полностью совпадает с тарифами на модель Claude Fable 5.2 от Anthropic, которая также получила 20% скидку по сравнению со своей предыдущей версией. Это создает жесткую конкуренцию на рынке «фронтендовых» моделей, где цена становится ключевым фактором выбора.
Особое внимание стоит уделить цене кэширования (cached price) для Astra. Для долгосрочных агентских сессий, где контекст часто повторяется, это критически важно. Новая модель предлагает кэширование по цене $0.40 за миллион токенов, что вдвое дешевле, чем у старой модели ($1/MTok). Это делает GPT-6.2 Astra крайне привлекательной для приложений с долгим временем выполнения, где экономия на кэшировании может существенно снизить общие затраты.
С моделью GPT-6.2 Sol ситуация еще проще. Она сохраняет ту же цену, что и предыдущие версии Sol (6.1 и 6.0): $2 за входные и $10 за выходные токены. При этом она остается вдвое дешевле, чем GPT-5.6 Sol ($4/$20). Такая стратегия позволяет OpenAI удерживать лидерство в сегменте эффективных, «рабочих лошадок» для повседневных задач, таких как обработка текста, простой анализ данных и генерация кода средней сложности.
02Сравнение производительности: Бенчмарки и Pelican
Чтобы объективно оценить новые модели, разработчики часто используют специализированные бенчмарки. Одним из таких инструментов является «Pelican» — набор тестов, оценивающих способность моделей к креативному мышлению, логике и пониманию контекста. Результаты для GPT-6.2 Sol и GPT-6.2 Astra были опубликованы, и они позволяют сравнить их с предыдущими поколениями.
На диаграммах сравнения видно, как модели с уровнями производительности High, XHigh и Max соотносятся друг с другом. GPT-6.2 Astra, будучи моделью уровня Max, демонстрирует высокие показатели, однако, как выяснилось позже, она не всегда обгоняет конкурентов. Например, в некоторых тестах Astra уступает модели Claude Fable 5.2. Это важный сигнал: снижение цены не всегда сопровождается пропорциональным ростом качества, особенно в нишевых задачах.

Для GPT-6.2 Sol результаты также позитивны в рамках своего ценового сегмента. Она сохраняет стабильность и предсказуемость, что делает её надежным выбором для задач, где не требуется экстремальная интеллектуальная нагрузка, но важна скорость и стоимость ответа.
03Практический тест: Генерация Three.js анимации
Теория — это хорошо, но разработчики любят проверять модели на практике. Для сравнения GPT-6.2 Astra и GPT-6.2 Sol был проведен эксперимент с использованием Codex CLI с уровнем усилий «Ultra». Задача была сформулирована следующим образом: создать анимацию на Three.js, где город Йонкерс (Yonkers) превращается в огромного меха, который поднимается, топает по Манхэттену, Куинсу и Бруклину, используя данные OpenStreetMap для картографической основы.
Результаты были неоднозначными. Ни Astra, ни Sol не справились с задачей морфинга (преобразования) города в меха идеально. В сравнении с Claude Fable 5.2 и Gemini 4 Carbon, которые продемонстрировали более плавные и логичные переходы, новые модели от OpenAI показали ошибки в структуре кода и визуализации. Однако, важно отметить, что это тест на сложную креативную генерацию, где даже лучшие модели часто допускают неточности.
Для наглядности был создан видео-ролик, где в верхней части экрана воспроизводилась анимация от GPT-6.2 Astra, а в нижней — от GPT-6.2 Sol. Видео было создано с помощью самого GPT-6.2 Astra (Ultra) в десктопном приложении Codex. Промпт для создания сравнительного видео выглядел так:
I need a video of the first 10 seconds where the top half of the video plays the first and the bottom half plays the second
I need an overlaid label of "GPT-6.2 Astra" on the top half and "GPT-6.2 Sol" on the bottom half. These labels should be tastefully positioned.
Make the video square and 2000x2000 pixelsПозже запрос был дополнен: «OK make it 20s». Полный транскрипт взаимодействия доступен для изучения, что позволяет увидеть, как модели реагируют на уточнения и исправления. Несмотря на то, что анимация не была идеальной, сам факт того, что модели смогли сгенерировать рабочий код для сложной 3D-сцены с использованием внешних данных карт, говорит о их базовой технической компетенции.
04Проблема коммуникации: «Внутренняя кухня» вместо решения
Самая серьезная критика в адрес GPT-6.2 Astra связана не с техническими ошибками в коде, а с стилем коммуникации. Пользователи, особенно те, кто работает с долгосрочными задачами, столкнулись с тем, что модель начинает «болтать» о внутренних деталях реализации, которые не имеют отношения к решению задачи.
Тео Браун (Theo Browne), известный эксперт в области AI, опубликовал отзыв в форме письма обратной связи для OpenAI. Он привел яркий пример: модель, работая над длинной задачей, успешно привлекала субагентов и управляла ими. Однако затем она «заблокировала» прогресс, задав пользователю вопрос: «Does r24's reviewer write its clips to 24_g521.mp4 or 24_p11.mp4?» (Пишет ли рецензент r24 свои клипы в файл 24_g521.mp4 или 24_p11.mp4?).

Этот вопрос не имел смысла в контексте задачи. Пользователь не мог ни понять, ни ответить на него, так как это были внутренние технические детали, не связанные с целью работы. Другой пример: после 2 часов работы над созданием нового уровня для игры Outer Wilds, модель снова «заблокировалась», требуя уточнения имен файлов. Это указывает на проблему с фокусом модели: она теряет связь с глобальной целью, погружаясь в микро-детали, которые не помогают пользователю.
05Что это значит на практике
Итак, что же нам делать с этими знаниями? Как разработчикам и компаниям использовать GPT-6.2 Astra и Sol в своих проектах?
Во-первых, ценообразование теперь работает в вашу пользу. Если у вас есть проект с большим объемом входных данных (например, анализ документов, код-ревью), переход на GPT-6.2 Sol или Astra может существенно сократить расходы. Особенно выгодно использовать Astra с включенным кэшированием для агентов, которые долго работают с одним контекстом.
Во-вторых, выбор модели зависит от задачи. Для рутинных задач, генерации простых текстов, классификации и базового кодинга GPT-6.2 Sol остается отличным выбором благодаря своей низкой цене и стабильности. Для сложных, многошаговых задач, требующих глубокого анализа, GPT-6.2 Astra может быть полезна, но с оговоркой: вам придется активно контролировать процесс, чтобы избежать «зацикливания» модели на внутренних деталях.
В-третьих, не забывайте о конкурентах. Claude Fable 5.2 и Gemini 4 Carbon в некоторых тестах (особенно в креативных и сложных логических задачах) показывают себя лучше. Если качество ответа критичнее стоимости, стоит проводить A/B тесты между OpenAI, Anthropic и Google.
Наконец, коммуникация с моделью требует новых навыков. Чтобы избежать проблем с «внутренними вопросами», как в случае с Тео Брауном, старайтесь давать четкие, структурированные инструкции и периодически «перезагружать» контекст, напоминая модели о глобальной цели. Используйте промпты, которые явно разделяют этапы работы: «Сначала спланируй, затем спроси, если нужно, но не задавай технических вопросов о файлах, если это не критично».
Открытие GPT-6.2 Astra и Sol — это шаг вперед в доступности AI, но не серебряная пуля. Индустрия становится более конкурентной, цены падают, а качество растет, но требует от нас, разработчиков, более внимательного подхода к выбору инструментов и управлению процессами взаимодействия с ИИ.
Источник: Simon Willison ↗
