На первых графиках после запуска свежий флагман OpenAI выглядит настоящим чит-кодом: GPT-6.2 Astra выбивает 76% точности при чеке в $2 за прогон, тогда как Claude Fable 5.2 набирает 72% и сжигает $60. Тридцатикратный разрыв на одном слайде впечатляет, вот только в прайс-листах API обе компании выставили за миллион токенов абсолютно одинаковые цифры.
Дальнейшие тесты разработчиков быстро спустили хайп на землю. Модель уверенно берет сборку медиа и работу в терминале, но пасует на сложной 3D-геометрии и способна остановить многочасовую работу субагентов из-за вопроса о названии временного файла. Давай разберем, где здесь реальная выгода для агентных пайплайнов, а где придется подстелить соломки.
Сколько на самом деле стоят GPT-6.2 Astra и Sol
В официальном анонсе OpenAI представила две модели: тяжелую gpt-6.2-astra для сложных проектов и легкую gpt-6.2-sol на каждый день. Флагман подешевел на 20% по сравнению с GPT-6 Astra, где просили $10 за вход и $50 за выход. Теперь Astra 6.2 стоит $8 за миллион входных токенов и $40 за миллион выходных.
По базовому тарифу OpenAI вышла в ноль с главным конкурентом: Claude Fable 5.2 стоит те же $8 и $40, тоже сбросив 20% относительно Fable 5. Младшая GPT-6.2 Sol осталась на отметке $2 за вход и $10 за выход. Она держит планку 6.1 Sol и 6 Sol и обходится вдвое дешевле GPT-5.6 Sol, которая стоила $4 и $20.
Для тех, кто гоняет автономных агентов, куда важнее базового прайса оказывается строка кэшированного ввода. Подлатаем матчасть за минуту. Когда ИИ-агент пишет код или разбирает логи в цикле, он на каждом шаге заново скармливает модели всю историю переписки, системную инструкцию и куски проекта. Если контекст раздулся до пары сотен тысяч токенов, ты на каждой итерации заново оплачиваешь один и тот же «хвост».
Кэширование снимает эту нагрузку: сервер держит неизменную часть контекста в памяти и берет за повторное чтение копейки. В GPT-6.2 Astra цену кэшированного ввода опустили с $1,00 до $0,40 за миллион токенов, срезав расход на 60%. Для долгих агентных сессий это уменьшает среднюю цену повторного шага рассуждений более чем в два раза.
При одинаковом прайсе за миллион токенов выбор между Astra 6.2 и Claude Fable 5.2 зависит от отдачи с одного прохода. Модель окупается быстрее, если с первой попытки выдает рабочий код без десятка уточняющих правок. А за рутиной вроде парсинга или черновых сводок логичнее отправлять GPT-6.2 Sol за $2 и $10, чтобы не палить бюджет флагмана вхолостую.
Битва с Claude Fable 5.2: синтетические графики против 3D-кода в Codex
Громкие цифры о тридцатикратном отрыве разошлись с подачи разбора Нейта Херка. На ранних графиках Astra 6.2 действительно набирает 76% за $2 против 72% и $60 у Fable 5.2, а еще выдает более аккуратный дизайн интерфейсов по сравнению с GPT-6 Astra. OpenAI также заявляет лидерство новинки в Terminal-Bench-Science для многочасовых пайплайнов в консоли и в Vals Science Index для биомедицинских расчетов, отмечая подтянутую верстку корпоративных таблиц и документов.
Сам Нейт Херк сразу оговорился, что к бенчмаркам относится со скепсисом и уже ставит обе модели в очередь на парные живые промпты. Узкие eval-наборы хорошо поддаются точечной оптимизации, а реальные задачи быстро вскрывают слабые места.
Показательную проверку в полевых условиях устроил Саймон Уиллисон. Он обновил свою консольную утилиту LLM до версии 0.38 с поддержкой gpt-6.2-astra и gpt-6.2-sol, после чего прогнал обе новинки в Codex CLI на максимальном режиме усилий Ultra. Задание было непростым: написать анимацию на Three.js по данным OpenStreetMap, где город Йонкерс поднимается в виде гигантского меха и шагает по Манхэттену, Квинсу и Бруклину.
Обе модели подключили нужные библиотеки и честно распарсили полигоны зданий из OpenStreetMap. Но на превращении городской застройки в конечности робота с естественной кинематикой суставов и Astra, и Sol сдулись. В этой пространственной 3D-задаче обе модели уступили Claude Fable 5.2 и Gemini 4 Carbon.
Зато в том же приложении Codex старшая GPT-6.2 Astra на режиме Ultra чисто закрыла инженерную задачу по видеомонтажу. Уиллисон передал ей две готовые HTML-анимации и попросил склеить квадратный сплит-скрин ролик разрешением 2000×2000 пикселей, сначала на 10 секунд, затем увеличил хронометраж до 20 секунд с подписями GPT-6.2 Astra сверху и GPT-6.2 Sol снизу. Этот пайплайн модель собрала без единого сбоя.
Контраст между двумя тестами вышел наглядным. В работе с консолью, перекодированием медиа и пошаговой автоматизацией Astra 6.2 чувствует себя уверенно. Но там, где требуется пространственное воображение в 3D-сценах и точная деформация геометрии, Claude Fable 5.2 держит планку выше.
Ловушка субагентов и рабочий вызов Astra и Sol через API и CLI
Помимо слабой 3D-геометрии, ранние тестеры GPT-6.2 Astra столкнулись со странной манерой общения модели в долгих автономных цепочках. Саймон Уиллисон привел письмо разработчика Тео Брауна, который гонял модель еще на пре-релизе и отправил в OpenAI подробный отзыв.
А дело было так. Браун запустил длинную задачу командой /goal make a new level for Outer Wilds. Поначалу Astra 6.2 работала как толковый тимлид: наплодила субагентов, раздала им подзадачи и бодро сводила итоги. Но через два часа весь конвейер встал со статусом blocked, потому что координатор захотел уточнить у человека совершенно внутреннюю деталь: пишет ли ревьюер r24 свои клипы в 24_g521.mp4 или в 24_p11.mp4.
Обычный пользователь понятия не имеет, как агент называет временные файлы на диске. Но без жестких рамок модель перестраховывается и выносит микроменеджмент наружу, из-за чего ночной прогон превращается в пустой простой.
Чтобы убрать эту привычку при работе через API, в системный промпт добавляют прямой запрет на паузы из-за внутренней кухни. Открой скрипт на Python и посмотри на рабочий вызов gpt-6.2-astra с максимальным усилием рассуждений ultra и защитным регламентом для координатора:
import openai
client = openai.OpenAI()
# Вызов флагманской модели gpt-6.2-astra с максимальным усилием рассуждений
response = client.chat.completions.create(
model="gpt-6.2-astra",
messages=[
{
"role": "system",
"content": (
"You are an autonomous coordinator agent. You have full discretion "
"over internal file naming, intermediate artifacts, and scratch directories. "
"Never pause execution or ask the user about internal implementation details."
),
},
{"role": "user", "content": "Analyze performance logs and optimize database queries."},
],
reasoning_effort="ultra",
temperature=0.2,
)
print(response.choices[0].message.content)
Давай посмотрим, что происходит в этих строках. Параметр reasoning_effort="ultra" включает максимальную глубину рассуждений, а низкая temperature=0.2 снижает риск домыслов при разборе логов и оптимизации запросов к базе. Главное здесь — три предложения в блоке system: ты прямо отдаешь агенту контроль над именами временных файлов, промежуточными артефактами и рабочими папками, запрещая останавливать конвейер ради технических деталей. Если ту же связку нужно прогнать быстрее и дешевле, в поле model подставляется gpt-6.2-sol.
Для быстрых проверок из терминала без Python-обвязки удобно использовать свежую утилиту LLM версии 0.38. Прогнать рефакторинг сложного модуля на флагмане или отдать быструю сводку логов младшей модели можно двумя командами:
llm -m gpt-6.2-astra "Refactor user authentication module" -o reasoning_effort ultra
llm -m gpt-6.2-sol "Summarize error logs"
Первая строка запускает тяжелую gpt-6.2-astra с флагом -o reasoning_effort ultra, когда нужно аккуратно переработать модуль аутентификации и удержать связи между файлами. Вторая строка отправляет короткую задачу в gpt-6.2-sol по тарифу $2 и $10 без долгого ожидания и переплаты за лишнюю глубину рассуждений. Разделение ролей между двумя моделями и системный запрет на вопросы о внутренних файлах снимают основные проблемы релиза прямо из коробки.




