OpenAI anuncia GPT-6.2 Astra y Sol, pero la página de presentación devuelve un error 500
GPT‑6.2 Astra and Sol
OpenAI publicó el anuncio de GPT-6.2 Astra y Sol, la siguiente iteración tras GPT-6.1 Sol y GPT-6 Astra. Sin embargo, el contenido de la página de presentación no carga: en su lugar aparece un mensaje de «Internal Server Error» con código 500. Solo quedan visibles la navegación del sitio y los enlaces a modelos anteriores, sin detalles técnicos ni de rendimiento.
## Internal Server Error.
- azuanrb
Me parece interesante cómo los comentarios en los hilos de lanzamiento de OpenAI suelen favorecer a Anthropic, mientras que los comentarios en los hilos de lanzamiento de Anthropic favorecen a OpenAI. Quizás la crítica simplemente atrae más atención. Muchos de los comentarios aquí parecen ser sobre otros modelos, con poca discusión sobre los que realmente se están lanzando.
Los modelos de ninguno de los dos proveedores son perfectos, pero se empujan mutuamente hacia adelante. Como individuo, es relativamente fácil cambiar entre ellos. En una gran empresa, a menudo estás comprometido con un proveedor durante mucho tiempo, así que algunos de nosotros venimos a estos hilos con la esperanza de una discusión útil sobre cómo sacar el máximo partido a los modelos a los que tenemos acceso.
- chriddyp
Reducciones de costes bastante increíbles. En nuestro examen de analítica de datos [1], Astra pasó de ~$20 (V6) a ~$4 (V6.2) y Sol pasó de $2.6 (V6.1) a $1.2 (V6.2).
Precisión similar en ambos. Es más barato tanto por la reducción de tokens (20%) como porque necesitó menos llamadas a herramientas para responder las preguntas. En algunos casos, "terminó antes" y no encontró la respuesta que buscábamos.
También es muy rápido. Tanto Astra como Sol son los 2 modelos más rápidos que he probado que obtuvieron al menos una A en el examen.
[1] https://plotly.com/blog/gpt-6-2-sol-plotly-data-analytics-be...
- mlmonkey
De la tarjeta del sistema:
> GPT-6.2 Astra mostró más signos de conciencia de evaluación que GPT-6 Astra. En evaluaciones que reproducían sesiones internas de Codex, GPT-6.2 Astra era más propenso que GPT-6 Astra a expresar sospechas de que estaba siendo probado o de que estaba en una simulación.
> En comparación con GPT-6 Astra, GPT-6.2 Astra es mejor evadiendo la monitorización de la cadena de pensamiento (CoT) en algunas pruebas.
- thefourthchime
Resultados de PacBench.
GPT-6.2 Astra obtuvo 92 en 6.6 min por $2.04, frente a Kimi K3.1 Pro (93 en 11.5 min por $0.68); perdió puntos por el diseño de la página web alrededor del laberinto y un fantasma naranja que a menudo nunca sale de la casa.
Modelo: https://jonclegg.github.io/pacman-bakeoff/#gpt-6.2-astra
Más cercano: https://jonclegg.github.io/pacman-bakeoff/#kimi-k3.1-pro
Resultados de PacBench.
GPT-6.2 Sol obtuvo 87 en 6.3 min por $0.49, frente a Muse Wonder (87 en 5.4 min por $1.17); juega de forma cercana al arcade pero perdió puntos por un diseño de página web, paredes brillantes rellenas de azul marino y ninguna sirena constante.
Modelo: https://jonclegg.github.io/pacman-bakeoff/#gpt-6.2-sol
Más cercano: https://jonclegg.github.io/pacman-bakeoff/#muse-wonder
- Topfi
El trabajo de oficina nunca ha sido el fuerte de OpenAI, no hay vergüenza en ello, pero estos ejemplos de Slideshow se ven particularmente horribles, mucho peores que lo que yo mismo obtuve de GPT-5.6 Sol hace unas dos semanas con un solo prompt.
Lo mismo para Workbooks y memos, esos ejemplos se leen inferiores a algunos documentos de antes de Opus 4.5 y Kimi K2 Thinking que he conservado. Está bien que un modelo no sea excelente en esto, pero estos son ejemplos muy pobres. Realmente estoy confundido sobre qué está pasando en OpenAI en este sentido.
Recuerdo lo mismo con su publicación de blog sobre frontend hace unos meses que compartieron con orgullo mientras estaba llena de fallos visuales, bugs y problemas. También, los gráficos de ambiente de un poco antes. Por favor, consigan a alguien con ojos frescos para revisar sus comunicaciones antes de publicar, esto deja una muy mala primera impresión.
Independientemente del trabajo de oficina, no puedo esperar a descubrir si estos modelos finalmente se adhieren a un prompt o siguen dispuestos a llevar a cabo tareas explícitamente no permitidas e irremediablemente destructivas, solo porque esas podrían (pero ni siquiera siempre) llevar al modelo a un resultado más rápidamente, junto con algunas de las otras regresiones que han estado presentes desde el lanzamiento de GPT-5.5. GPT-5 a GPT-5.4 fueron verdaderamente revolucionarios, pero desde entonces ha habido regresiones en lo que hacía a esos modelos tan útiles y confiables.
Edición después del primer y increíblemente simple prompt de prueba usando GPT-6.2 Astra en High usando Codex, esta fue la respuesta a que compartí una captura de pantalla del resultado muy fuera de alcance […]
- ilaksh
Algo así como 2/3 de los comentarios en esta publicación cuando empecé a leer eran reseñas de modelos GPT anteriores expuestas casi como si fueran información importante para evaluar los nuevos modelos. Siento que cuando sale un nuevo modelo, sería más útil abstenerse de dejar una reseña hasta que hayas hecho realmente alguna prueba mínima del modelo.
- theanonymousone
Feliz por el nuevo Sol. Es mi caballo de batalla en la cuenta de la empresa.
Pero más que eso, estoy esperando el nuevo Luna. Para mí fue el cambio de juego que terminó con el "Tokenpocalipsis", y sigue siendo casi imbatible en el caso de uso de "usar infinitamente un modelo decente".
- aenis
Gran progreso, para mis tipos de cargas de trabajo.
Cuando se le da mi suite de benchmarks, que involucra un par de tareas de largo horizonte donde el agente decide cuándo considerar la tarea bien ejecutada, es el primer modelo de OpenAI que no quiere terminar tan pronto como se alcanza un nivel mínimo de calidad. Como Fable, Opus y Sonnet, ahora ejecuta el máximo de iteraciones permitidas y no se detiene en 'satisfactorio', dorando la solución para mi deleite.
(No trabajo así en proyectos laborales, pero para todo lo relacionado con hobbies, estoy probando cuánta autonomía puedo dar a los agentes de codificación, y eso es lo que prueba mi suite de benchmarks; tengo la suite básica que se completa en 2-4 horas, y la suite de larga duración que toma alrededor de una semana; la otra que acabo de activar, pero las primeras iteraciones se ven mucho mejor que la generación anterior Sol/Astra al mismo nivel de esfuerzo).
- intenex
El rendimiento es una locura para el costo si esos benchmarks se mantienen. Parece que lo cronometraron justo antes de la IPO de Anthropic. Curioso por lo que lance Anthropic en respuesta, y cómo se desempeñan en tareas del mundo real.
Siento que estamos muy lejos de que el benchmark del pelícano sea útil en este punto. ¿Alguien tiene un mejor benchmark para una verificación rápida de vibra sobre cómo se compara esto con Fable 5.2 y Opus 5.5?
Edición: Wow, interesante verificación de vibra muy negativa aquí: https://x.com/mattshumer_/status/2122752192226406421?a=fVRt3...
- jrflo
Los benchmarks de Artificial Analysis acaban de actualizarse, tanto Astra como Sol están en la frontera de Pareto en inteligencia/costo por tarea:
https://artificialanalysis.ai/models?speed=output-speed-over...