OpenAI GPT-6.2: Γιατί απογοητεύει παρά τα κορυφαία benchmarks;

Η OpenAI ανακοίνωσε επίσημα τα νέα μοντέλα τεχνητής νοημοσύνης GPT-6.2 Astra και GPT-6.2 Sol. Στα χαρτιά, οι επιδόσεις υπόσχονται άλματα ταχύτητας και 20% φθηνότερο API. Στην πράξη, οι πρώτες δοκιμές από έμπειρους developers αποκαλύπτουν σοβαρά λειτουργικά προβλήματα.

✂️ Σύνοψη άρθρου

  • Αποτυχία σε αυτόνομα tasks: Το GPT-6.2 Astra δυσκολεύεται σε ρόλο αυτόνομου sub-agent, με developers να αναγκάζονται να το αντικαταστήσουν με μοντέλα της σειράς Claude.
  • Στασιμότητα στις ανεξάρτητες δοκιμές: Ενώ η διαφημίζει ρεκόρ στα δικά της benchmarks, ανεξάρτητοι αναλυτές δείχνουν στασιμότητα στον προγραμματισμό.
  • Επιθετικά φίλτρα ασφαλείας: Η διαβάθμιση επικινδυνότητας σε επίπεδο «Critical» μπλοκάρει συχνά ακόμα και θεμιτές έρευνες ευπαθειών κώδικα.

Πώς λειτουργούν τα Astra και Sol στην πράξη

Η νέα αρχιτεκτονική της OpenAI διαχωρίζει τη σειρά 6.2 σε δύο άξονες: το Astra σχεδιάστηκε ως το βαρύ frontier μοντέλο για σύνθετη λογική σκέψη και multimodal δημιουργία, ενώ το Sol αποτελεί τη γρήγορη, αποδοτικότερη εναλλακτική για καθημερινά καθήκοντα back-office. Και τα δύο ενσωματώνονται άμεσα στις συνδρομές Work, Codex, καθώς και στις βαθμίδες Plus, Pro, Enterprise και Edu.

Η στρατηγική της εταιρείας εστιάζει στη βελτιστοποίηση του reasoning path, προσπαθώντας να παράγει συντομότερες και πιο περιεκτικές απαντήσεις. Αυτή ακριβώς η τάση προς τη συντομία, ωστόσο, αποδεικνύεται δίκοπο μαχαίρι. Αντί για αναλυτική επίλυση προβλημάτων, τα μοντέλα συχνά «κόβουν δρόμο», αφήνοντας ημιτελείς συναρτήσεις ή δυσνόητες επεξηγήσεις.

Όταν συγκρίνουμε αυτά τα συστήματα με σύγχρονα εργαλεία παραγωγικότητας, γίνεται άμεσα σαφές ότι η θεωρητική εκπαίδευση σε συνθετικά δεδομένα δεν μεταφράζεται πάντα σε αξιόπιστη ροή εργασίας στον πραγματικό κόσμο.

Coding και αυτόνομα agents: Το τεστ της πραγματικότητας

Οι εντονότερες αντιδράσεις προέρχονται από κορυφαίους μηχανικούς λογισμικού και power users. Ο επενδυτής και ιδρυτής τεχνολογικών startups Matt Shumer ανέφερε πως σε αρχιτεκτονικές sub-agent —όπου ένα LLM επιβλέπει ένα άλλο— το Astra παρουσίασε τόσο σοβαρές αστοχίες, που αναγκάστηκε να αναθέσει ολόκληρη τη διαδικασία από το μηδέν σε μοντέλα της .

Την ίδια εικόνα κατέγραψε και ο γνωστός developer Theo Browne. Σε ένα πείραμα μεταφοράς compiler από TypeScript σε Rust, το Astra αναλώθηκε επί επτά ημέρες σε micro-optimizations μεγέθους, παράγοντας τελικά κώδικα που εκτελούνταν 56% πιο αργά. Παράλληλα, σε δοκιμές game design, το μοντέλο εμφάνισε ενοχλητικά επαναλαμβανόμενα μοτίβα, προτείνοντας πανομοιότυπα assets με την ίδια ακριβώς ονομασία («Bellwether») σε διαφορετικά prompts.

Αντίστοιχα ανάμεικτη εμπειρία κατέγραψε και ο καθηγητής του Wharton Ethan Mollick, ο οποίος χαρακτήρισε το Astra απρόβλεπτο και σημαντικά πιο δύσκολο στην κατεύθυνση (steerability) σε σχέση με τον ανταγωνισμό, παρότι αναγνώρισε ικανότητες σε 3D assets μέσω Blender και Unity.

Κόστος API και η σύγκρουση με την Anthropic

Στο πεδίο των τιμών, η OpenAI επέλεξε να ισοφαρίσει ακριβώς την τιμολογιακή πολιτική της Anthropic. Το GPT-6.2 Astra κοστίζει πλέον 8 δολάρια (περίπου 7,40 €) ανά εκατομμύριο tokens εισόδου και 40 δολάρια (περίπου 37,00 €) ανά εκατομμύριο tokens εξόδου. Αντίστοιχα, το Sol διατηρείται στα 2 δολάρια (περίπου 1,85 €) εισόδου και 10 δολάρια (περίπου 9,25 €) εξόδου.

Μοντέλο Κόστος Input / 1M tokens Κόστος Output / 1M tokens Κυριότερο Πλεονέκτημα Αδυναμία
GPT-6.2 Astra $8,00 (~7,40 €) $40,00 (~37,00 €) 3D assets, Unity/Blender integration Αυτόνομα loops, επιθετικά filters
Claude Fable 5.2 $8,00 (~7,40 €) $40,00 (~37,00 €) Κορυφαίο reasoning, αυτόνομοι coding agents Ταχύτητα απόκρισης σε live queries
GPT-6.2 Sol $2,00 (~1,85 €) $10,00 (~9,25 €) Χαμηλό latency, προσιτό batch processing Πρόωρη διακοπή εκτέλεσης σε κώδικα
Claude Sonnet 5.5 $2,00 (~1,85 €) $10,00 (~9,25 €) Συνέπεια σε refactoring, άριστη κατανόηση context Όρια ρυθμού κλήσεων (rate limits)

Αν και το κόστος του Astra έπεσε κατά 20% σε σύγκριση με τις προηγούμενες τιμές κορυφαίων εκδόσεων της OpenAI, η εξίσωση κόστους-απόδοσης αλλάζει δραστικά αν αναγκάζεσαι να επαναλαμβάνεις prompts. Στην πράξη, κάθε αποτυχημένη εκτέλεση sub-agent που απαιτεί διόρθωση διπλασιάζει την τελική δαπάνη του project σου.

Η παγίδα των benchmarks και τα υπερβολικά safety filters

Εδώ αναδεικνύεται το κλασικό φαινόμενο του νόμου του Goodhart στην τεχνητή νοημοσύνη: όταν ένα μέτρο αξιολόγησης γίνεται στόχος, παύει να είναι καλό μέτρο. Η OpenAI ανακοίνωσε ότι το Astra κερδίζει τον προκάτοχό του και στα 9 εσωτερικά benchmarks. Ωστόσο, η ανεξάρτητη πλατφόρμα δοκιμών Artificial Analysis αποτύπωσε μια εντελώς διαφορετική πραγματικότητα.

Στις μετρήσεις για coding agents, το Astra έμεινε απολύτως στάσιμο, ενώ το Sol σημείωσε πτώση τριών μονάδων. Στον παγκόσμιο δείκτη αξιολόγησης, το Astra τερμάτισε δεύτερο, μένοντας πίσω από το Claude Fable 5.2 της Anthropic. Τα τυποποιημένα τεστ δεν αντικατοπτρίζουν τα χαοτικά, γεμάτα legacy κώδικα repositories στα οποία καλούνται να δουλέψουν οι επαγγελματίες.

Επιπλέον, η OpenAI κατέταξε τις κυβερνοικανότητες των μοντέλων στο επίπεδο κινδύνου «Critical». Αυτό ενεργοποίησε πρωτοφανή guardrails που προκαλούν σωρεία ψευδώς θετικών μπλοκαρισμάτων (false positives). Ερευνητές ασφάλειας και penetration testers βλέπουν τα μοντέλα να αρνούνται να αναλύσουν νόμιμο κώδικα για κενά ασφαλείας, περιορίζοντας τη χρησιμότητά τους στην προστασία ψηφιακών υποδομών.

Η άποψή μας στο Psifiaka.gr

Η OpenAI μοιάζει να έχει πέσει θύμα του δικού της μάρκετινγκ. Η κυκλοφορία των GPT-6.2 Astra και Sol δείχνει ότι η εταιρεία βιάστηκε να απαντήσει στην υπεροχή της Anthropic στο coding, κυκλοφορώντας μοντέλα άριστα εκπαιδευμένα για να κερδίζουν benchmarks, αλλά ανεπαρκή για πραγματική παραγωγή.

Αν η δουλειά σου βασίζεται σε agentic workflows, refactoring μεγάλων βάσεων κώδικα ή αυτοματοποιημένο testing, το Claude Opus 5.5 και το Claude Fable 5.2 παραμένουν με διαφορά οι ανώτερες επιλογές στην αγορά. Τα νέα μοντέλα της OpenAI αξίζουν αυτή τη στιγμή μόνο αν εργάζεσαι εντατικά πάνω σε 3D assets στο Blender/Unity ή αν απαιτείς φθηνότερο throughput για απλά, επιβλεπόμενα prompts.

Συχνές Ερωτήσεις για τα GPT-6.2 Astra και Sol

Ποιες είναι οι βασικές διαφορές μεταξύ του GPT-6.2 Astra και του Sol;

Το Astra είναι το βαρύ frontier μοντέλο για πολυτροπικές και σύνθετες εργασίες, ενώ το Sol είναι σχεδιασμένο για χαμηλότερο κόστος και ταχύτερη επεξεργασία απλούστερων prompts.

Πόσο κοστίζει η χρήση των Astra και Sol μέσω API;

Το Astra τιμάται στα 8$ (εισαγωγή) και 40$ (εξαγωγή) ανά εκατομμύριο tokens, ενώ το Sol κοστίζει 2$ (εισαγωγή) και 10$ (εξαγωγή) ανά εκατομμύριο tokens.

Γιατί διαμαρτύρονται οι προγραμματιστές για το GPT-6.2 Astra;

Οι χρήστες αναφέρουν σοβαρά προβλήματα σε αυτόνομα tasks (sub-agents), πρόωρη διακοπή εκτέλεσης κώδικα και δημιουργία προγραμμάτων με χειρότερες επιδόσεις ταχύτητας.

Σε ποιους τομείς υπερτερεί το νέο Astra;

Το μοντέλο παρουσιάζει αξιοσημείωτες επιδόσεις σε δημιουργικά περιβάλλοντα 3D, integration με Blender και Unity, καθώς και σε εργασίες motion graphics και video editing.

Πώς επηρεάζουν τα νέα φίλτρα ασφαλείας την κυβερνοασφάλεια;

Η ένταξη των μοντέλων στο επίπεδο κινδύνου Critical οδηγεί σε υπερβολικά αυστηρά φίλτρα, μπλοκάροντας συχνά νόμιμες έρευνες ευπαθειών και ελέγχους διείσδυσης.

Ποιο μοντέλο θεωρείται αυτή τη στιγμή καλύτερο για coding;

Σύμφωνα με ανεξάρτητες μετρήσεις και μαρτυρίες power users, τα μοντέλα της Anthropic (Claude Fable 5.2 και Claude Opus 5.5) διατηρούν καθαρό προβάδισμα αξιοπιστίας.

Dimitris Marizas
Dimitris Marizashttps://psifiaka.gr
Γράφω για τεχνολογία από τη σκοπιά του ανθρώπου που τη χρησιμοποιεί καθημερινά — όχι από αίθουσες συνεδρίων. Ασχολούμαι με δίκτυα, δορυφορικό internet, smartphones και ψηφιακές υπηρεσίες, με έμφαση στο τι σημαίνουν αυτά πρακτικά για τον Έλληνα χρήστη. Πίσω από κάθε άρθρο κρύβεται ώρες ανάλυσης, δοκιμών και — όταν χρειάζεται — κριτικής σε ό,τι το marketing προσπαθεί να κρύψει.

ΑΦΗΣΤΕ ΜΙΑ ΑΠΑΝΤΗΣΗ

εισάγετε το σχόλιό σας!
παρακαλώ εισάγετε το όνομά σας εδώ