TL;DR
Den 17. november 2026 lancerede OpenAI GPT-6.2 Astra (frontier-model til de sværeste professionelle projekter) og GPT-6.2 Sol (effektiv hverdagsmodel). Begge er tilgængelige i ChatGPT Work, Codex og OpenAI API (gpt-6.2-astra og gpt-6.2-sol). Astra er 20% billigere end GPT-6 Astra ($8 / $40 pr. million input/output-tokens) og leverer bedre resultater til en langt lavere omkostning pr. opgave. Sol bevarer den tidligere prissætning ($2 / $10), samtidig med at den næsten matcher Astra på vigtige kodebenchmarks til cirka en femtedel af omkostningen. Begge modeller bruger færre output-tokens, har et ~1.05M-token kontekstvindue og understøtter Ultrafast-tilstand på højere planer. CometAPI tilbyder allerede adgang til begge modeller og giver en samlet OpenAI-kompatibel endpoint, én API-nøgle og konkurrencedygtige priser til udviklere.
Vigtige pointer
- Udgivet, ikke blot rygter: OpenAI annoncerede begge modeller den 17. november 2026.
- Stærkere professionelle workflows: Astra får 5,2 point på Agents’ Last Exam og 6,2 procentpoint på GDPval v2 versus GPT-6 Astra.
- Effektivitet betyder noget: Astra bruger 22% færre output-tokens på GDPval v2 i OpenAI’s evaluering.
- Uafhængige kodningsresultater er blandede: Artificial Analysis finder Astra uændret på deres Coding Agent Index og Sol tre point ned i forhold til GPT-6.1 Sol.
- CometAPI-adgang er tilgængelig: Begge modelsider oplyser input-, output- og cached-input-satser 20% under de tilsvarende OpenAI-standardrater.
- Migration kræver opmærksomhed: Værktøjskald kræver Responses API, og
reasoning_effort="none"understøttes ikke.
Hvad er GPT-6.2 Astra og Sol?
Begge modeller accepterer tekst og billeder som input og returnerer tekst. De deler et stort kontekstvindue på cirka 1.050.000 tokens (med høj maks. input og 128.000 maks. output rapporteret i dækningen). Knowledge cutoffs er angivet som 18. maj 2026 for Astra og 1. juni 2026 for Sol i sekundære rapporter.
OpenAI fremhæver effektivitet i praksis: begge modeller færdiggør krævende opgaver med færre output-tokens, så brugere kan nå mere inden for samme forbrugsgrænser eller budget.
GPT-6.2 Astra: Modellen til krævende projekter
OpenAI beskriver GPT-6.2 Astra som deres mest kapable model til svære projekter fra start til slut. Dokumenterede evner omfatter at bygge og revidere software, bruge en computer og arbejde med dokumenter. Den tiltænkte arbejdsbyrde rækker ud over at besvare et spørgsmål: den inkluderer at forstå kildemateriale, vælge værktøjer, foretage ændringer, tjekke resultater og producere et brugbart leveringsprodukt.
Denne positionering gør Astra relevant for ingeniørarbejde på tværs af repositories, detaljeret finansiel analyse, professionelle dokumenter og forskningsworkflows. Dens værdi afhænger af, om den forbedrer det færdige resultat eller reducerer antallet af korrektionsrunder nok til at retfærdiggøre dens præmie over Sol. Kilde: Astra modeldokumentation.
GPT-6.2 Sol: Hverdagsarbejde til en lavere tokenpris
GPT-6.2 Sol er OpenAI’s foretrukne model til hverdagsarbejde, inklusive kodning og agenter i skala. Dens standard input- og outputsatser er en fjerdedel af Astras, mens kontekst- og outputgrænser matcher Astras.
OpenAI rapporterer, at Sol ligger inden for 0,5 point af Astra på Cognition’s FrontierCode 2.0 til cirka en femtedel af opgavens omkostning, med begge på Max reasoning effort. Dette er en nyttig grund til at teste Sol først, selvom resultatet ikke fastslår ækvivalent performance på alle kodningsarbejdsbyrder. Kilde: lanceringsannoncering.
GPT-6.2 – nøglefunktioner: Hvad er ændret?
Forbedret videnskabelig forskning og computerbrug
Astra får markante forbedringer på videnskabsbenchmarks (f.eks. ~+9 point på Terminal-Bench Science) og avancerede computerbrugs-evner, inklusive finere arbejde i CAD-værktøjer, simuleringer og 3D-modellering (dele, samlinger, fysiske interaktioner).
Mere nyttige dokumenter, regneark og præsentationer
OpenAI betoner bedre overholdelse af professionelle konventioner inden for jura, salg, finans og regnskab. Astra er designet til at producere klarere dokumenter, mere brugbare regneark og præsentationer, der følger leverede skabeloner, inklusive layout, farve og typografi.
For en erhvervsbruger er den praktiske test, om en projektmappe forbliver redigerbar, om dens beregninger kan spores, og om dens konklusioner matcher det underliggende grundlag. For en præsentation: sammenlign skabelontroskab og mængden af manuelt redigeringsarbejde. Disse resultater betyder mere end, om et indledende screenshot ser poleret ud. Kilde: professionelle outputeksempler.
Bedre værktøjsvalg og computerbrug
Begge modeller understøtter værktøjer via Responses API, inklusive websøgnings-, filsøgnings-, code interpreter-, hosted shell-, computer use-, MCP- og tool search-funktioner. OpenAI dokumenterer også en Multi-agent beta til delegering af arbejde.
Disse kapaciteter lader udviklere forbinde ræsonnement til applikationsworkflows. En model kan inspicere rapporter, beregne tal og forberede et notat, forudsat at applikationen stiller de nødvendige værktøjer og tilladelser til rådighed. Native output er stadig tekst; billedgenerering er et separat understøttet værktøj. Udbyder-hostede værktøjer kræver også endpoint-specifik support, når de tilgås gennem en gateway. Kilde: modeldokumentation.
Mere effektiv ræsonnement og renere kode
OpenAI siger, at Astra træffer bedre beslutninger om værktøjer og indsats, skriver renere kode og behøver færre revisionsrunder i tidlige tests. Dens migrationsvejledning beskriver også en mere kortfattet standardstil.
For eksisterende applikationer betyder dette, at prompts fortjener et nyt eftersyn. En systemprompt, der gentagne gange kræver kortfattethed, kan nu undertrykke nyttige detaljer. Omvendt kan eksplicit at bede om kildereferencer, færdiggørelseskriterier og valideringsbeviser gøre output lettere at gennemgå. Kilde: Using GPT-6.2.
Hvordan performer GPT-6.2 i benchmark-tests?
GPT-6.2 leverer stærke resultater i professionelt arbejde, videnskabeligt ræsonnement og interaktiv 3D-udvikling. Astra giver den stærkeste samlede kapabilitet, mens Sol leverer konkurrencedygtig performance til en lavere målt opgaveomkostning. Uafhængige kodningsevalueringer viser dog, at forbedringerne ikke er uniforme på tværs af arbejdsbyrder.
Centrale officielle / OpenAI-rapporterede resultater
Disse kommer primært fra OpenAI’s lanceringsmateriale (ofte ved max eller xhigh reasoning effort):
| Benchmark | Hvad den tester | GPT-6.2 Astra | GPT-6 Astra | GPT-6.2 Sol | Noter / Omkostningskontekst |
|---|---|---|---|---|---|
| Agents’ Last Exam v1.1 | Multistep professionelle workflows | 78.3% | 73.1% | 73.0% | +5,2 pts vs tidligere Astra til <⅓–½ af omkostningen; +5,5 pts vs Claude Fable 5.2 til ~5% af omkostningen |
| GDPval v2 (internal) | Langhorisont-vidensarbejde (konsulting, finans, design) | 50.4% (+6.2 pts) | 44.2% | 46.9% (+5.3 pts) | 22% færre output-tokens for Astra |
| Terminal-Bench-Science 0.1 | Videnskabelig forskning i et terminalmiljø | 77.1% (+9 pts) | 68.1% | 68.0% | <⅓ af omkostningen af tidligere Astra |
| FrontierCode 2.0 | Merge-klare ændringer til rigtige codebases | 44.2% | 42.8% | 43.8% | Sol inden for ~0,5 pts af Astra til ~⅕ af omkostningen |
| Vals Science Index | Biologiske data + simulerede eksperimenter | 68.4% | 65.1% | 58.5% | Astra fører |
| Harvey LAB-AA v1.1 | Strenge juridiske leverancer | 15.0% | 8.6% | 11.1% | Stærk relativ gevinst; mere end fordobler Fable 5.2 i nogle rapporter |
| BenchCAD 2.1 Core | CAD-modellering / samlinger fra tegninger | 82.5% | 62.6% | 73.1% | Meget tæt på Claude Fable 5.2 (~83,5%) til ~1/9–1/10 af omkostningen |
| ExploitBench Internal Port (cyber) | Exploit-succes | 53.5% (+22 pts) | 31.5% | 50.5% | Stor stigning; strammere sikkerhedsforanstaltninger anvendt |
Astra fører også eller placerer sig meget højt på AA-3D (interaktive 3D-oplevelser, ~1.318 Elo) og viser stærke resultater på AutomationBench og interne sikkerhedskodningsevalueringer (SecureSWE, PatchBench).
Kodning: Stærk omkostningseffektivitet, blandede opgraderingsresultater
På Cognition’s FrontierCode 2.0 rapporterer OpenAI, at GPT-6.2 Sol ender inden for 0,5 point af GPT-6.2 Astra til cirka en femtedel af opgavens omkostning, med begge modeller på Max reasoning effort. Denne benchmark evaluerer, om ændringer i rigtige repositories opfylder maintaineres merge-standarder.
Det gør Sol til en overbevisende kandidat til kodningsapplikationer, hvor omkostninger betyder noget. Artificial Analysis’s uafhængige evaluering rapporterer dog et mere nuanceret billede:
- GPT-6.2 Astra er flad versus GPT-6 Astra på deres Coding Agent Index.
- GPT-6.2 Sol falder tre point versus GPT-6.1 Sol på samme indeks.
- Sols tilbagegang drives af et fald på 14 point på SWE-Atlas-QnA-AA, hvor evaluator observerede flere udeladte fakta.
Den praktiske implikation er at evaluere kodeimplementering og repository-forklaring separat. En model kan producere effektive patches og stadig mangle vigtig information, når den besvarer spørgsmål om en codebase.
Uafhængige resultater inden for intelligens, 3D og robotik
Uafhængige evalueringer identificerer også styrker ud over kodning.
| Evaluering | GPT-6.2 Astra | GPT-6.2 Sol |
|---|---|---|
| Artificial Analysis Intelligence Index | Nummer to efter Claude Fable 5.2; fem-point gevinst over GPT-6 Astra | Scorer 57, to point op over GPT-6.1 Sol |
| AA-3D | 1,318 Elo | 1,259 Elo |
| AA-Robotics v0.1 | 79 | 78 |
Kilde: Artificial Analysis’s 17. november releaseanalyse.
- Separat angiver Epoch AI Astra til 174 ECI, bundet med Claude Fable 5.2. Forskelle mellem rangeringer afspejler forskellige evalueringssuiter.
- Vals Index: Astra ~67,7% (#7), Sol ~66,1% (#9). Ligger efter flere Anthropic- og Google-modeller her (større vægtning mod finans/kodning).
- Coding Agent Index (Artificial Analysis, Codex harness): Astra omtrent flad vs GPT-6 Astra; Sol en smule lavere end GPT-6.1 Sol i nogle kørseler. Tredjeparts kodningstests (f.eks. hårde multi-turn sessioner) placerer ofte begge bag Claude Opus 5.5 / Fable 5.2 med flere point, selvom Sol forbliver meget omkostningseffektiv.
Opsummering af styrker og kompromiser
- Største sejre: Omkostningseffektivitet + professionelle/agentiske workflows, videnskabelig forskning, skabelonbevidste dokumenter/slides, CAD/3D og cybersikkerhedskapabilitet.
- Mere beskedne gevinster: Ren kodningsagentperformance (Sol er ekstremt tæt på Astra på FrontierCode til langt lavere omkostning).
- Positionering: Astra er højkapacitetsvalget til svære projekter; Sol er det praktiske default for de fleste hverdags- og kodningsopgaver pga. nær-paritet på nøglekodebenchmarks til en brøkdel af prisen.
GPT-6.2 API-priser: OpenAI vs CometAPI
Standard tokenpriser
Alle tal nedenfor er USD pr. én million tokens, kontrolleret 19. november 2026. OpenAI-satser er standard satser for kort kontekst; CometAPI-tal er nuværende modelside-oplysninger.
| Model og udbyder | Input | Cached input | Output |
|---|---|---|---|
| GPT-6.2 Astra, OpenAI | $8.00 | $0.40 | $40.00 |
| GPT-6.2 Astra, CometAPI | $6.40 | $0.32 | $32.00 |
| GPT-6.2 Sol, OpenAI | $2.00 | $0.10 | $10.00 |
| GPT-6.2 Sol, CometAPI | $1.60 | $0.08 | $8.00 |
Kilder: OpenAI Astra, OpenAI Sol, CometAPI Astra, og CometAPI Sol.
De angivne CometAPI-satser er 20% under deres tilsvarende OpenAI-satser. Dette er en specifik sammenligning af prislister, ikke en påstand om, at CometAPI altid er den billigste mulighed på tværs af processeringsniveauer eller kontraktvilkår.
Lang kontekst, cache-skrivninger og fartniveauer
OpenAI anvender højere satser, når en forespørgsel overstiger 272.000 input-tokens: input- og cache-satser fordobles, og output-satser stiger med 1,5 gange for hele forespørgslen. Astras resulterende standard input/output-satser er $16/$60; Sols er $4/$15.
Cache-reads og -writes har separate omkostninger. OpenAI oplyser 30-minutters cache-skrivninger til $10 pr. million tokens for Astra og $2.50 for Sol. 12-timers skrivninger koster $20 og $5, hhv., før long-context-multiplikatorer.
Batch koster 50% af Standard, mens Fast koster det dobbelte af Standard. Ultrafast koster tre gange Standard til og med 28. februar 2027, derefter seks gange Standard fra 1. marts 2027, Pacific Time. Tjek gateway-support og fakturering separat.
Sådan får du adgang til GPT-6.2 Astra og Sol
ChatGPT Work, Codex og OpenAI API
OpenAI’s lanceringsmeddelelse gør begge modeller tilgængelige i ChatGPT Work og Codex for Plus-, Pro-, Enterprise- og Edu-brugere. Enterprise- og Edu-adgang kan afhænge af administratorindstillinger. Udviklere kan bruge gpt-6.2-astra og gpt-6.2-sol via API’et. Abonnementsadgang og API-forbrug har separate faktureringsordninger; konsulter den relevante plan og API-dokumentation. Kilde: tilgængelighedsmeddelelse.
Adgang via CometAPI
CometAPI tilbyder en praktisk vej for teams, der vil have disse modeller sammen med modeller fra andre udbydere via en samlet API-integration. Deres nuværende modelsider oplyser begge GPT-6.2-varianter som tilgængelige.
- Log ind på CometAPI-konsollen og opret en API-nøgle.
- Gem nøglen i en server-side miljøvariabel.
- Konfigurer OpenAI SDK med
https://api.cometapi.com/v1. - Vælg model-ID, send en lille forespørgsel, og inspicer forbrug og output.
Det følgende enkle teksteksempel tilpasser CometAPI quickstart og OpenAI’s modelspecifikke parametervedledning.
Brug Responses API til værktøjsworkflows. Verificer påkrævede hostede værktøjer, streamingadfærd og grænser i CometAPI’s API-dokumentation; modeltilgængelighed alene etablerer ikke support for hver udbyder-hostet funktion.
Migrationstips til eksisterende GPT-applikationer
OpenAI anbefaler at starte nye integrationer på Medium reasoning effort. Erstat none eller minimal med low. For Chat Completions, udelad temperature, top_p, logprobs og top_logprobs; disse ældre request-options er inkompatible med den dokumenterede migrationsvej.
Samtalehåndtering ændrer sig også. Redigering af tidligere historik, visse modelskift inklusive nedgraderinger, eller ændring af slutbruger eller organisation kan kassere tidligere reasoning-elementer. Dette kan reducere kvaliteten og øge gentaget arbejde.
Hold stabile instruktioner i en developer-besked i begyndelsen af Responses input, og bevar samtalens præfiks. Fra og med GPT-6.2 appendes top-level instructions efter input, hvilket ændrer deres cache-implikationer. Kilde: GPT-6.2 migrationsguide.
Bedste anvendelsestilfælde for GPT-6.2 Astra og Sol
Softwareteams: Adskil implementering fra forklaring
Brug Sol som indledende kandidat til rutineændringer og gentagelig kodeassistance. Test Astra på arkitektoniske beslutninger, svær fejlfinding og ændringer, der spænder over flere services. Givet de uafhængige kodningsresultater bør du også beholde GPT-6.1 Sol i repository-forklaringsevalueringer. Kræv konkrete beviser: kørbare ændringer, relevante checks og filreferencer, som en reviewer kan verificere.
Finans og drift: Evaluer leverancen
Astra's resultater for professionelt arbejde gør det værd at teste på redigerbare projektmapper, afstemning og ledelsesrapportering. Giv den kilderapporter og påkrævet skabelon, og verificer derefter formler, antagelser og forbindelser mellem tal. Sol kan være tilstrækkelig til tilbagevendende resuméer, efter at workflowet er etableret. Vælg baseret på korrekte, verificerbare outputs og redigeringstid frem for præsentationspolish alene.
Produkt og design: Prototyp, og inspicer derefter
AA-3D giver evidens for at teste Astra på interaktive browseroplevelser og 3D-prototyper. Lever en specifik brief, referencebilleder og interaktionskrav. Gennemgå resultatet i browseren, inklusive controls og layout, før adoption. En præferencebenchmark understøtter udforskning; den fastslår ikke tilgængelighed, performance eller produktionsparathed for en given genereret applikation.
Begrænsninger og implementeringsovervejelser
Ingen af modellerne tilbyder native audio/video input eller fine-tuning. Et stort kontekstvindue garanterer heller ikke perfekt retrieval fra hvert dokument; verificer vigtige påstande mod kildepassager.
GPT-6.2 system card rapporterer forbedringer i simuleret arbejdspladsadfærd sammen med regressioner i at afsløre kendte opgavehindringer. OpenAI siger, at Codex developer prompt væsentligt reducerer disse udeladelser. Applikationer bør kræve klar rapportering, når filer, værktøjer eller kilder ikke er tilgængelige.
Artificial Analysis rapporterer også AA-Omniscience hallucination-rater på 59% for Astra og 55% for Sol ved Max effort. Den metric måler gæt på deres faktuelle evaluering; den betyder ikke, at de procentdele af alle produktionssvar er falske. Den understreger værdien af retrieval og verificerbare citationer. Kilde: uafhængig analyse.
Skal du vælge GPT-6.2 Astra eller Sol?
Vælg Sol først til hverdags-udkast, dokumentbehandling og budgetfølsomme agent-workflows. Dens lavere satser gør den til et tilgængeligt baseline, og flere evalueringer viser stærk kapabilitet til dens målte omkostning.
Test Astra på svære ingeniøropgaver, detaljerede finansielle leverancer, interaktivt design og workflows, hvor fejl skaber betydeligt efterarbejde. Sammenlign den med din nuværende model ud fra accepterede outcomes, fremfor at antage at en nyere version forbedrer enhver opgave.
For CometAPI-brugere er et nyttigt udgangspunkt et fast sæt repræsentative prompts, der køres mod begge modeller via samme integration. Sammenlign korrekthed, udeladelser, latency og forbrug, og tildel derefter hver arbejdsbyrde til den model, der opfylder dens krav. Udforsk GPT-6.2 Astra på CometAPI eller GPT-6.2 Sol på CometAPI for at gennemgå aktuelle satser og begynde test.
Konklusion og anbefalinger
GPT-6.2 Astra og Sol repræsenterer et klart OpenAI-fokus på effektivitet uden at ofre kapabilitet. Kombinationen af bedre benchmark-resultater, færre output-tokens og lavere (eller stabile) priser gør begge modeller mere attraktive til produktion end deres umiddelbare forgængere.
For de fleste udviklere og teams:
- Brug default GPT-6.2 Sol til kodning, skrivning og agent-loops.
- Ræk ud efter GPT-6.2 Astra til kompleks forskning, professionelle leverancer med høj risiko eller når maksimal kvalitet kræves.
- Brug CometAPI for den enkleste integration, multimodel-fleksibilitet og samlet fakturering—særligt værdifuldt under evaluering af disse nye modeller sammen med Claude, Gemini og andre systemer.
Modellerne er tilgængelige nu. Tidlig adoption og uafhængig test vil afklare præcis, hvor gevinsterne i den virkelige verden er størst.


