TL;DR
17 listopada 2026 r. OpenAI wprowadziło GPT-6.2 Astra (model frontierowy do najtrudniejszych projektów profesjonalnych) i GPT-6.2 Sol (wydajny model do codziennych zadań). Oba są dostępne w ChatGPT Work, Codex i OpenAI API (gpt-6.2-astra i gpt-6.2-sol). Astra jest tańsza o 20% względem GPT-6 Astra ($8 / $40 za milion tokenów wejściowych/wyjściowych) i zapewnia lepsze wyniki przy znacznie niższym koszcie na zadanie. Sol utrzymuje poprzednie ceny ($2 / $10), a na kluczowych benchmarkach kodowania niemal dorównuje Astrze przy kosztach około jednej piątej. Oba modele generują mniej tokenów wyjściowych, mają okno kontekstu ~1,05M tokenów i obsługują tryb Ultrafast w wyższych planach. CometAPI już zapewnia dostęp do obu modeli, oferując zunifikowany endpoint kompatybilny z OpenAI, pojedynczy klucz API i konkurencyjne ceny dla deweloperów.
Kluczowe wnioski
- Premiera, nie plotki: OpenAI ogłosiło oba modele 17 listopada 2026 r.
- Silniejsze przepływy pracy profesjonalne: Astra zyskuje 5,2 punktu na Agents’ Last Exam i 6,2 p.p. na GDPval v2 względem GPT-6 Astra.
- Liczy się efektywność: Astra generuje o 22% mniej tokenów wyjściowych na GDPval v2 w ocenie OpenAI.
- Niezależne wyniki w kodowaniu są mieszane: Artificial Analysis wskazuje brak zmian Astry w Coding Agent Index i spadek Sol o trzy punkty względem GPT-6.1 Sol.
- Dostęp przez CometAPI: Na stronach modeli widnieją stawki za wejście, wyjście i cache o 20% niższe niż standardowe stawki OpenAI.
- Uwaga przy migracji: Wywoływanie narzędzi wymaga Responses API, a
reasoning_effort="none"nie jest obsługiwane.
Czym są GPT-6.2 Astra i Sol?
Oba modele przyjmują tekst i obrazy, a zwracają tekst. Współdzielą duże okno kontekstu, około 1 050 000 tokenów (z wysokim maksymalnym wejściem i 128 000 maksymalnym wyjściem raportowanym w materiałach). Według wtórnych źródeł, daty odcięcia wiedzy to 18 maja 2026 dla Astry i 1 czerwca 2026 dla Sol.
OpenAI podkreśla efektywność w praktyce: oba modele kończą wymagające zadania z mniejszą liczbą tokenów wyjściowych, więc użytkownicy zrobią więcej w tych samych limitach lub budżecie.
GPT-6.2 Astra: Model do wymagających projektów
OpenAI opisuje GPT-6.2 Astra jako najbardziej kompetentny model do trudnych projektów od początku do końca. Udokumentowane możliwości obejmują budowę i poprawę oprogramowania, korzystanie z komputera oraz pracę z dokumentami. Zakres pracy wykracza poza odpowiedź na pytanie: obejmuje zrozumienie materiału źródłowego, dobór narzędzi, wprowadzanie zmian, sprawdzanie wyników i dostarczenie użytecznego rezultatu.
To pozycjonuje Astrę jako istotną dla inżynierii na poziomie całych repozytoriów, szczegółowej analizy finansowej, dokumentów profesjonalnych i przepływów badawczych. Jej wartość zależy od tego, czy poprawia finalny rezultat lub zmniejsza liczbę cykli poprawek na tyle, by uzasadnić premię względem Sol. Źródło: dokumentacja modelu Astra.
GPT-6.2 Sol: Codzienna praca przy niższej cenie za token
GPT-6.2 Sol to model OpenAI do codziennej pracy, w tym kodowania i agentów na skalę. Standardowe stawki za wejście i wyjście to jedna czwarta stawek Astry, a limity kontekstu i wyjścia są takie same jak w Astrze.
OpenAI informuje, że Sol jest w zasięgu 0,5 punktu od Astry na FrontierCode 2.0 (Cognition) przy około jednej piątej kosztu zadania, przy Max reasoning effort dla obu. To dobry powód, by najpierw przetestować Sol, choć nie oznacza to równoważnej wydajności we wszystkich zadaniach kodowania. Źródło: ogłoszenie wydania.
Kluczowe cechy GPT-6.2: co się zmieniło?
Ulepszone badania naukowe i obsługa komputera
Astra zyskuje wyraźnie na benchmarkach naukowych (np. ~+9 punktów na Terminal-Bench Science) oraz zaawansowanych możliwościach obsługi komputera, w tym precyzyjniejszej pracy w narzędziach CAD, symulacjach i modelowaniu 3D (części, zespoły, interakcje fizyczne).
Bardziej użyteczne dokumenty, arkusze i prezentacje
OpenAI podkreśla lepsze przestrzeganie konwencji profesjonalnych w prawie, sprzedaży, finansach i rachunkowości. Astra jest projektowana, by tworzyć klarowniejsze dokumenty, bardziej użyteczne arkusze oraz prezentacje zgodne z dostarczonymi szablonami, w tym układem, kolorystyką i typografią.
Dla użytkownika biznesowego praktyczny test to, czy skoroszyt pozostaje edytowalny, czy można prześledzić obliczenia oraz czy wnioski odpowiadają podstawowym danym. W przypadku prezentacji porównaj wierność szablonowi i ilość ręcznej edycji. Te rezultaty są ważniejsze niż to, czy pierwszy zrzut ekranu wygląda na dopracowany. Źródło: przykłady profesjonalnych rezultatów.
Lepszy dobór narzędzi i obsługa komputera
Oba modele obsługują narzędzia poprzez Responses API, w tym wyszukiwanie w sieci, wyszukiwanie plików, interpreter kodu, hostowaną powłokę, obsługę komputera, MCP i wyszukiwanie narzędzi. OpenAI dokumentuje też betę Multi-agent do delegowania pracy.
Te możliwości pozwalają deweloperom połączyć rozumowanie z przepływami aplikacji. Model może sprawdzić raporty, policzyć wskaźniki i przygotować notatkę, o ile aplikacja zapewni niezbędne narzędzia i uprawnienia. Natywnym wyjściem pozostaje tekst; generowanie obrazów to osobne obsługiwane narzędzie. Narzędzia hostowane przez dostawcę wymagają też specyficznego wsparcia endpointu przy dostępie przez bramkę. Źródło: dokumentacja modelu.
Bardziej efektywne rozumowanie i czystszy kod
OpenAI twierdzi, że Astra lepiej decyduje o doborze narzędzi i nakładzie pracy, pisze czystszy kod i potrzebuje mniej rund poprawek we wczesnych testach. Przewodnik migracyjny opisuje również bardziej zwięzły domyślny styl pisania.
Dla istniejących aplikacji oznacza to, że warto ponownie przejrzeć prompty. Systemowy prompt wielokrotnie wymagający zwięzłości może teraz tłumić przydatne szczegóły. Z drugiej strony, wyraźna prośba o źródła, kryteria ukończenia i dowody walidacji może ułatwić przegląd wyników. Źródło: Using GPT-6.2.
Jak GPT-6.2 wypada w testach benchmarkowych?
GPT-6.2 osiąga mocne wyniki w pracy profesjonalnej, rozumowaniu naukowym i interaktywnym rozwoju 3D. Astra zapewnia najsilniejsze możliwości ogólne, podczas gdy Sol dostarcza konkurencyjną wydajność przy niższym, mierzalnym koszcie zadania. Jednak niezależne ewaluacje kodowania pokazują, że ulepszenia nie są równomierne dla wszystkich obciążeń.
Kluczowe wyniki oficjalne / raportowane przez OpenAI
Pochodzą głównie z materiałów startowych OpenAI (często przy max lub xhigh reasoning effort):
| Benchmark | Co testuje | GPT-6.2 Astra | GPT-6 Astra | GPT-6.2 Sol | Uwagi / kontekst kosztowy |
|---|---|---|---|---|---|
| Agents’ Last Exam v1.1 | Wieloetapowe przepływy pracy profesjonalne | 78.3% | 73.1% | 73.0% | +5.2 pkt vs poprzednia Astra przy <⅓–½ kosztu; +5.5 pkt vs Claude Fable 5.2 przy ~5% kosztu |
| GDPval v2 (internal) | Długohoryzontalna praca wiedzochłonna (konsulting, finanse, design) | 50.4% (+6.2 pkt) | 44.2% | 46.9% (+5.3 pkt) | 22% mniej tokenów wyjściowych dla Astry |
| Terminal-Bench-Science 0.1 | Badania naukowe w terminalu | 77.1% (+9 pkt) | 68.1% | 68.0% | <⅓ kosztu poprzedniej Astry |
| FrontierCode 2.0 | Zmiany gotowe do scalenia w realnych repozytoriach | 44.2% | 42.8% | 43.8% | Sol w zasięgu ~0.5 pkt od Astry przy ~⅕ kosztu |
| Vals Science Index | Dane biologiczne + symulowane eksperymenty | 68.4% | 65.1% | 58.5% | Astra prowadzi |
| Harvey LAB-AA v1.1 | Ścisłe deliverables prawne | 15.0% | 8.6% | 11.1% | Silny względny wzrost; w niektórych raportach ponad dwukrotność Fable 5.2 |
| BenchCAD 2.1 Core | Modelowanie CAD / zespoły z rysunków | 82.5% | 62.6% | 73.1% | Bardzo blisko Claude Fable 5.2 (~83.5%) przy ~1/9–1/10 kosztu |
| ExploitBench Internal Port (cyber) | Skuteczność exploitów | 53.5% (+22 pkt) | 31.5% | 50.5% | Duży skok; zastosowano ciaśniejsze zabezpieczenia |
Astra prowadzi też lub zajmuje bardzo wysokie miejsca na AA-3D (interaktywne doświadczenia 3D, ~1 318 Elo) i pokazuje mocne wyniki na AutomationBench oraz wewnętrznych ewaluacjach kodowania pod kątem bezpieczeństwa (SecureSWE, PatchBench).
Kodowanie: wysoka efektywność kosztowa, mieszane wyniki upgrade’u
Na FrontierCode 2.0 Cognition OpenAI raportuje, że GPT-6.2 Sol kończy w zasięgu 0,5 punktu od GPT-6.2 Astra, przy około jednej piątej kosztu zadania, z Max reasoning effort dla obu modeli. Ten benchmark ocenia, czy zmiany w realnych repozytoriach spełniają standardy scalenia maintainerów.
To czyni Sol atrakcyjnym kandydatem dla aplikacji kodowania, gdzie liczy się koszt. Jednak niezależna ewaluacja Artificial Analysis pokazuje bardziej zniuansowany obraz:
- GPT-6.2 Astra bez zmian względem GPT-6 Astra w Coding Agent Index.
- GPT-6.2 Sol traci trzy punkty względem GPT-6.1 Sol w tym samym indeksie.
- Spadek Sol wynika z 14-punktowego spadku na SWE-Atlas-QnA-AA, gdzie obserwowano więcej pominiętych faktów.
Praktyczna implikacja: oceniać implementację kodu i objaśnianie repozytorium osobno. Model może tworzyć skuteczne poprawki, a jednocześnie pomijać ważne informacje przy odpowiadaniu na pytania o bazę kodu.
Niezależne wyniki w inteligencji, 3D i robotyce
Niezależne ewaluacje wskazują też mocne strony poza kodowaniem.
| Ocena | GPT-6.2 Astra | GPT-6.2 Sol |
|---|---|---|
| Artificial Analysis Intelligence Index | Drugie miejsce za Claude Fable 5.2; wzrost o pięć punktów vs GPT-6 Astra | Wynik 57, wzrost o dwa punkty vs GPT-6.1 Sol |
| AA-3D | 1 318 Elo | 1 259 Elo |
| AA-Robotics v0.1 | 79 | 78 |
Źródło: Analiza wydania z 17 listopada od Artificial Analysis.
- Osobno, Epoch AI podaje Astrę na 174 ECI, remis z Claude Fable 5.2. Różnice w rankingach wynikają z odmiennych zestawów ewaluacyjnych.
- Vals Index: Astra ~67.7% (#7), Sol ~66.1% (#9). Ustępują kilku modelom Anthropic i Google (większa waga finansów/kodowania).
- Coding Agent Index (Artificial Analysis, harness Codex): Astra w przybliżeniu bez zmian vs GPT-6 Astra; Sol nieco niżej niż GPT-6.1 Sol w niektórych przebiegach. Zewnętrzne testy kodowania (np. trudne sesje wielotur) często lokują oba poniżej Claude Opus 5.5 / Fable 5.2 o kilka punktów, choć Sol pozostaje bardzo opłacalny.
Podsumowanie mocnych stron i kompromisów
- Największe atuty: efektywność kosztowa + profesjonalne/agentowe przepływy pracy, badania naukowe, dokumenty/slajdy uwzględniające szablony, CAD/3D oraz cyberbezpieczeństwo.
- Skromniejsze zyski: czysta wydajność agentów kodujących (Sol jest ekstremalnie blisko Astry na FrontierCode przy znacznie niższym koszcie).
- Pozycjonowanie: Astra to opcja o najwyższych możliwościach do trudnych projektów; Sol to praktyczny domyślny wybór do większości codziennej pracy i kodowania dzięki niemal parytecie na kluczowych benchmarkach przy ułamku ceny.
Cennik API GPT-6.2: OpenAI vs CometAPI
Standardowe ceny za tokeny
Wszystkie kwoty w USD za milion tokenów, weryfikowane 19 listopada 2026 r. Stawki OpenAI to standardowe stawki dla krótkiego kontekstu; wartości CometAPI pochodzą z bieżących stron modeli.
| Model i dostawca | Wejście | Wejście z cache | Wyjście |
|---|---|---|---|
| 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 |
Źródła: OpenAI Astra, OpenAI Sol, CometAPI Astra, oraz CometAPI Sol.
Podane stawki CometAPI są o 20% niższe od odpowiadających im stawek OpenAI. To konkretne porównanie cenników, a nie twierdzenie, że CometAPI zawsze jest najtańsze w każdej warstwie przetwarzania lub warunkach umowy.
Długi kontekst, zapisy cache i poziomy szybkości
OpenAI stosuje wyższe stawki, gdy żądanie przekracza 272 000 tokenów wejściowych: stawki za wejście i cache podwajają się, a stawki za wyjście rosną 1,5 raza dla całego żądania. Wynikowe stawki standardowe Astry to $16/$60; Sol to $4/$15.
Odczyty i zapisy cache mają osobne opłaty. OpenAI podaje 30-minutowe zapisy cache po $10 za milion tokenów dla Astry i $2.50 dla Sol. Zapisy 12-godzinne kosztują odpowiednio $20 i $5, przed mnożnikami dla długiego kontekstu.
Batch kosztuje 50% Standard, podczas gdy Fast kosztuje dwukrotność Standard. Ultrafast kosztuje trzykrotność Standard do 28 lutego 2027 r., a od 1 marca 2027 r. czasu pacyficznego sześciokrotność Standard. Sprawdź wsparcie bramki i rozliczenia osobno
Jak uzyskać dostęp do GPT-6.2 Astra i Sol
ChatGPT Work, Codex i OpenAI API
Ogłoszenie premiery OpenAI udostępnia oba modele w ChatGPT Work i Codex dla użytkowników Plus, Pro, Enterprise i Edu. Dostęp Enterprise i Edu może zależeć od ustawień administratora. Deweloperzy mogą używać gpt-6.2-astra i gpt-6.2-sol poprzez API. Dostęp w subskrypcji i użycie API mają odrębne rozliczenia; sprawdź odpowiedni plan i dokumentację API. Źródło: informacja o dostępności.
Dostęp przez CometAPI
CometAPI oferuje praktyczną ścieżkę dla zespołów, które chcą tych modeli obok modeli innych dostawców w ramach jednej integracji API. Na bieżących stronach modeli widnieją oba warianty GPT-6.2 jako dostępne.
- Zaloguj się do konsoli CometAPI i utwórz klucz API.
- Przechowuj klucz w zmiennej środowiskowej po stronie serwera.
- Skonfiguruj OpenAI SDK z
https://api.cometapi.com/v1. - Wybierz identyfikator modelu, wyślij małe żądanie i sprawdź użycie oraz wynik.
Poniższy prosty przykład tekstowy adaptuje CometAPI quickstart i wytyczne OpenAI dla parametrów specyficznych dla modelu.
Używaj Responses API do przepływów z narzędziami. Zweryfikuj wymagane narzędzia hostowane, zachowanie streamingu i limity w dokumentacji API CometAPI; sama dostępność modelu nie gwarantuje wsparcia dla każdej funkcji hostowanej przez dostawcę.
Wskazówki migracyjne dla istniejących aplikacji GPT
OpenAI rekomenduje rozpoczynanie nowych integracji od Medium reasoning effort. Zastąp none lub minimal wartością low. Dla Chat Completions pomiń temperature, top_p, logprobs i top_logprobs; te starsze opcje żądania są niekompatybilne z dokumentowaną ścieżką migracji.
Zmienia się też obsługa konwersacji. Edycja wcześniejszej historii, pewne zmiany modelu, w tym downgrade’y, lub zmiana użytkownika końcowego bądź organizacji mogą odrzucić wcześniejsze elementy rozumowania. Może to obniżyć jakość i zwiększyć powtarzalną pracę.
Zachowuj stabilne instrukcje w wiadomości dewelopera na początku input w Responses i utrzymuj prefiks konwersacji. Począwszy od GPT-6.2, najwyższego poziomu instructions są dołączane po input, co zmienia implikacje dla cache’owania. Źródło: przewodnik migracji GPT-6.2.
Najlepsze przypadki użycia dla GPT-6.2 Astra i Sol
Zespoły programistyczne: oddziel implementację od objaśnienia
Używaj Sol jako kandydata startowego do rutynowych zmian i powtarzalnej pomocy w kodowaniu. Testuj Astrę do decyzji architektonicznych, trudnego debugowania i zmian obejmujących kilka usług. W świetle niezależnych wyników kodowania zachowaj też GPT-6.1 Sol do ewaluacji objaśnień repozytoriów. Wymagaj konkretnych dowodów: uruchamialnych zmian, adekwatnych testów i odniesień do plików, które recenzent może zweryfikować.
Finanse i operacje: oceniaj deliverable
Wyniki Astry w pracy profesjonalnej czynią ją wartą testów na edytowalnych skoroszytach, uzgodnieniach i raportowaniu zarządczym. Dostarcz raporty źródłowe i wymagany szablon, a następnie zweryfikuj formuły, założenia i powiązania między liczbami. Sol może wystarczyć do powtarzalnych podsumowań po ustaleniu przepływu pracy. Wybieraj na podstawie poprawnych, możliwych do weryfikacji wyników i czasu edycji, a nie wyłącznie wizualnego połysku.
Produkt i design: prototypuj, potem sprawdzaj
AA-3D dostarcza przesłanek, by testować Astrę w interaktywnych doświadczeniach przeglądarkowych i prototypach 3D. Zapewnij konkretny brief, referencje wizualne i wymagania interakcji. Sprawdź wynik w przeglądarce, w tym sterowanie i układ, przed adopcją. Benchmark preferencyjny wspiera eksplorację; nie ustanawia dostępności, wydajności ani gotowości produkcyjnej dla konkretnej wygenerowanej aplikacji.
Ograniczenia i kwestie wdrożeniowe
Żaden z modeli nie oferuje natywnego wejścia audio/wideo ani fine-tuningu. Duże okno kontekstu nie gwarantuje też perfekcyjnego wydobycia informacji z każdego dokumentu; weryfikuj ważne twierdzenia wobec fragmentów źródłowych.
Karta systemowa GPT-6.2 raportuje poprawy w symulowanych zachowaniach w miejscu pracy wraz z regresjami w ujawnianiu znanych przeszkód zadaniowych. OpenAI twierdzi, że prompt deweloperski Codex znacząco redukuje te pominięcia. Aplikacje powinny wymagać jasnych raportów, gdy pliki, narzędzia lub źródła są niedostępne.
Artificial Analysis raportuje także wskaźniki halucynacji AA-Omniscience na poziomie 59% dla Astry i 55% dla Sol przy Max effort. Ta metryka mierzy zgadywanie w jej ocenie faktograficznej; nie oznacza, że taki odsetek wszystkich odpowiedzi produkcyjnych jest fałszywy. Wzmacnia to wartość retrievalu i weryfikowalnych cytowań. Źródło: niezależna analiza.
Czy wybrać GPT-6.2 Astra czy Sol?
Wybierz Sol najpierw do codziennego redagowania, przetwarzania dokumentów i budżetowo wrażliwych przepływów agentowych. Niższe stawki czynią go dostępną bazą, a kilka ewaluacji pokazuje wysokie możliwości względem kosztu.
Testuj Astrę w trudnej inżynierii, szczegółowych deliverables finansowych, interaktywnym designie i przepływach, gdzie błędy generują duże poprawki. Porównuj z aktualnym modelem na podstawie akceptowalnych rezultatów, a nie założenia, że nowsza wersja poprawi każde zadanie.
Dla użytkowników CometAPI dobrym punktem startowym jest stały zestaw reprezentatywnych promptów uruchomionych na obu modelach w tej samej integracji. Porównaj poprawność, pominięcia, opóźnienia i koszt, a następnie przypisz każde obciążenie do modelu, który spełnia wymagania. Zobacz GPT-6.2 Astra w CometAPI lub GPT-6.2 Sol w CometAPI, aby sprawdzić bieżące stawki i rozpocząć testy.
Wnioski i rekomendacje
GPT-6.2 Astra i Sol wyraźnie pokazują nacisk OpenAI na efektywność bez poświęcania możliwości. Połączenie lepszych wyników benchmarków, mniejszej liczby tokenów wyjściowych oraz niższych (lub stabilnych) cen czyni oba modele bardziej atrakcyjnymi do produkcji niż ich bezpośredni poprzednicy.
Dla większości deweloperów i zespołów:
- Domyślnie wybieraj GPT-6.2 Sol do kodowania, pisania i pętli agentowych.
- Sięgaj po GPT-6.2 Astra przy złożonych badaniach, wysokiej stawce profesjonalnych deliverables lub gdy wymagana jest maksymalna jakość.
- Używaj CometAPI dla najprostszej integracji, elastyczności multi-modelowej i ujednoliconego rozliczania — szczególnie cenne podczas ewaluacji tych nowych modeli obok Claude, Gemini i innych systemów.
Modele są dostępne już teraz. Wczesna adopcja i niezależne testy doprecyzują, gdzie zyski w realnym świecie są największe.


