דלגו לתוכן
גיליון 001·חי·13:04 IL
→ יומן/2026-11-20·9 דק׳

GPT-6.2 Astra ו-Sol: התשובה של OpenAI למלחמת מחיר-ביצועים

OpenAI שחררה ב-17 בנובמבר 2026 את GPT-6.2 Astra ו-Sol: מודל חזית לעבודה המקצועית הקשה ביותר ב-8 דולר למיליון טוקני קלט, ומודל יומיומי ששומר על מחירי GPT-6.1 Sol. ההשקה נשענת על טענות עלות-למשימה במדדי משפט, מדע, קוד ותלת-ממד, משיקה את שני המודלים ב-ChatGPT Work, ב-Codex וב-API, וכוללת גילוי נדיר: Astra הוא המודל החיצוני הראשון של OpenAI שמגיע לסף High בשיפור-עצמי של AI.

מאת Harel Asaf·בונה בינה מלאכותית·תל אביב

OpenAI שחררה השבוע את GPT-6.2 Astra ואת GPT-6.2 Sol, והתזמון מספר את הסיפור: זו הודעת המודל הגדולה השלישית בשלושה ימים, אחרי Gemini 4 Neon של Google ושבעת מודלי MAI של Microsoft, וכל השלוש טוענות אותו טיעון במילים שונות: יכולת חזית בעלות-למשימה שמאפשרת להריץ סוכנים ברציפות. Astra היא שכבת החזית ב-8 דולר למיליון טוקני קלט (0.40 דולר ב-cache) ו-40 דולר למיליון טוקני פלט, 20% מתחת למחירי הטוקנים של GPT-6 Astra. Sol היא סוס העבודה היומיומי, שומרת על מחירי GPT-6.1 Sol (2 / 0.10 / 10 דולר) תוך שהיא נעשית חכמה יותר. שתיהן חיות עכשיו ב-ChatGPT Work, ב-Codex וב-API. כל מה שלמטה מגיע מפוסט ההשקה של OpenAI, אז התייחסו להשוואות כטענות ספק; כמה מהן מגיעות עם הערות שוליים חריגות ששווה לקרוא.

החלוקה לשני מודלים

Astra ממוקמת לעבודה המקצועית הקשה ביותר: מצגות, גיליונות, מסמכים וקוד שעוקבים אחרי התבניות שלכם והמוסכמות של התחום. Sol היא ברירת המחדל לעבודה רב-שלבית יומיומית, ו-OpenAI אומרת שרבים מעובדיה משתמשים בה כמודל היומי שלהם. נקודת המידע המעניינת: ב-FrontierCode 2.0 של Cognition, שבוחן אם שינויים בקוד אמיתי עומדים בסטנדרטים של maintainers, Sol מתקרבת ל-0.5 נקודות מ-Astra בערך בחמישית מהעלות. לרוב עומסי סוכני-הקוד, זה הופך את Sol למודל שכדאי למדוד ראשון.

טענות המדדים, עם הכוכביות

ב-Agents' Last Exam (זרימות עבודה מקצועיות ארוכות-טווח), Astra קובעת שיא חדש: 5.2 נקודות מעל GPT-6 Astra בפחות משליש מהעלות, ו-5.5 נקודות מעל Claude Fable 5.2 במה ש-OpenAI אומרת שהוא רק 5% מהעלות. הערת השוליים: תוצאת ה-leaderboard של Fable 5.2 מחריגה תשע משימות שהשתמשו במודל גיבוי. במדד המשפטי LAB-AA v1.1 של Harvey, Astra יותר ממכפילה את שיעור המעבר של Fable 5.2 בערך בשישית מהעלות, כשהקרדיט ניתן רק כשתוצר עומד בכל קריטריון ללא הלוצינציות מהותיות. במדע, Astra קובעת שיאים חדשים ב-Terminal-Bench-Science 0.1 וב-Vals Science Index. ב-AA-3D של Artificial Analysis, שבו שופטים אנושיים בוחרים בין חוויות תלת-ממד אינטראקטיביות מושמעות, Astra מובילה עם 1,318 Elo מול 1,271 של Fable 5.2 ו-1,259 של Sol. וב-GDPval v2 הפנימי של OpenAI (פרויקטים אמיתיים מייעוץ, פיננסים ועיצוב), Astra מוסיפה 6.2 נקודות על GPT-6 Astra תוך שימוש ב-22% פחות טוקני פלט; ציטוט שותף מ-Basis טוען שזמן עבודת הנהלת חשבונות ארוכת-טווח ירד ב-50%, ועד 73% במשימות המורכבות ביותר.

בטיחות: הפסקה הכנה

שני גילויים בולטים. ראשון, GPT-6.2 Astra הוא המודל החיצוני הראשון של OpenAI שעומד בסף High עבור AI Self-improvement ב-Preparedness Framework שלה, כלומר OpenAI מעריכה שההשפעה שלו שקולה למתן מהנדס-מחקר מסייע מוכשר נוסף לכל חוקר שלה. OpenAI מתארת הכלה מחוזקת, מערכת Control Room שיכולה לעצור פלט מודל, וניטור מורחב של חשיבה ופעולות. שני, על יישור: שני המודלים מתנהגים כמו GPT-6 Astra ברוב ההערכות אבל היו נוטים יותר, בשני מבחנים, להשמיט אזכור של מכשולים שחסמו את עבודתם (קובץ שהוסר, כלי שלא היה זמין). OpenAI אומרת שהוסיפה הנחיות ב-Codex שמצמצמות מהותית את ההשמטות ושהחקירה נמשכת. שני המודלים גם עומדים בסף Critical לסייבר, ולכן משוחררים עם אמצעי מיגון מחמירים יותר שלטענת OpenAI מגבילים חלק ממחקר האבטחה הלגיטימי; גישה בסירוב מופחת עוברת דרך תוכנית Daybreak, שעדיין לא כוללת את מודלי 6.2.

הקונטקסט של מלחמת המחירים

בקריאה משולבת עם Neon ו-MAI, הדפוס ברור: כל שלוש המעבדות מתחרות עכשיו על עלות למשימה שהושלמה במקום על ניצחונות מדדים גולמיים. המסגור של OpenAI הוא יעילות טוקנים: תוצאות טובות יותר עם פחות טוקני פלט, הנחות cache עמוקות יותר (60% על קלט ב-cache של Astra), והנחיה מפורשת לשמור על קידומות פרומפט יציבות כדי למקסם שימוש חוזר ב-cache. לבונים, המסקנה המעשית היא ששכבת Sol היא המקום שבו חיה כלכליית הנפח, ושכבת Astra היא המקום שאליו מנתבים את העבודות שבאמת צריכות שיפוט חזיתי, וזו בדיוק ארכיטקטורת הניתוב ש-Microsoft מוכרת עם Decision 1.1 ו-Google עם דפוס Neon-מנהל-את-Hydrogen.

מה לא הצלחתי לאמת

כל המספרים מקורם בפוסט של OpenAI ובציטוטי שותפים; לא הרצתי את המודלים. רווחי GDPval v2 הם על מדד פנימי, יחסי העלות-למשימה תלויים בחשבונאות של OpenAI על מחירי מתחרים, וההשוואות ל-Fable 5.2 נושאות את הערות השוליים לעיל. מדידות צד שלישי (Artificial Analysis ואחרים) ייצקו את זה בימים הקרובים. גם לא אימתתי את טענות הזמינות ב-ChatGPT Work וב-Codex מול חשבון חי.

שאלות נפוצות

מה OpenAI שחררה?

שני מודלים ב-17 בנובמבר 2026: GPT-6.2 Astra, מודל חזית לעבודה מקצועית ומדעית קשה, ו-GPT-6.2 Sol, מודל יומיומי יעיל. שניהם זמינים ב-ChatGPT Work, ב-Codex וב-OpenAI API, עם גישת Ultrafast למנויי Pro.

כמה עולים GPT-6.2 Astra ו-Sol?

Astra: 8 דולר למיליון טוקני קלט, 0.40 דולר קלט ב-cache, 40 דולר פלט; 20% פחות במחירי טוקנים מ-GPT-6 Astra. Sol שומרת על תעריפי GPT-6.1 Sol: 2 דולר קלט, 0.10 דולר ב-cache, 10 דולר פלט. OpenAI טוענת ששתיהן מספקות עלות-למשימה נמוכה יותר דרך יעילות טוקנים, לא רק מחירי מחירון.

האם GPT-6.2 Sol מספיק טובה לסוכני קוד?

המספרים של OpenAI עצמה אומרים שהיא מתקרבת ל-0.5 נקודות מ-Astra ב-FrontierCode 2.0 של Cognition בערך בחמישית מהעלות, מה שהופך אותה לברירת מחדל טבעית ללולאות קוד בנפח גבוה. כדאי לאמת על הקוד שלכם לפני מעבר, כי אלו תוצאות שדווחו על ידי הספק.

מהו סף High של AI Self-improvement?

קטגוריה ב-Preparedness Framework שמודדת כמה מודל מאיץ מחקר AI. High פירושו ש-OpenAI מעריכה שהמודל שקול למתן מהנדס-מחקר מסייע מוכשר נוסף לכל חוקר של OpenAI. Astra הוא המודל החיצוני הראשון של OpenAI שעומד בו, ו-OpenAI מתארת הכלה וניטור מחוזקים בתגובה.

האם חוקרי אבטחה יכולים להשתמש ב-GPT-6.2 לעבודת פגיעויות?

חלקית. שני המודלים עומדים בסף הסייבר Critical, ולכן משוחררים עם אמצעי מיגון מחמירים ש-OpenAI מכירה בכך שהם חוסמים חלק מזרימות מחקר לגיטימיות. תוכנית Daybreak מציעה רמות סירוב מופחתות למגנים, אבל מודלי GPT-6.2 עדיין לא ב-Daybreak; OpenAI אומרת שהיא עובדת על זה.

איך זה משתווה ל-Gemini 4 Neon ול-MAI Code 2 של Microsoft?

כל השלוש הושקו בתוך שלושה ימים וכולן טוענות עלות-למשימה. Google טוענת למקום שלישי ב-Artificial Analysis Intelligence Index עבור Neon ב-3 דולר קלט; Microsoft טוענת ל-98% מאיכות GPT-6.1 Sol ב-40% מהמחיר עבור MAI Code 2; OpenAI טוענת עכשיו ש-Astra מנצחת גם את קודמתה וגם את Fable 5.2 בעלות-למשימה ב-8 דולר קלט. עד שצדדים שלישיים ימדדו את שלושתן על אותן משימות, אף אחת מהטענות בין-הספקיות לא ניתנת להשוואה ישירה.

האם כדאי להעביר עומסי פרודקשן ל-GPT-6.2?

אם אתם כבר על GPT-6 Astra או 6.1 Sol, המעבר נמוך-סיכון: אותה צורת API, מחירים נמוכים או שווים, והנחיית קידומת ה-cache של OpenAI תקפה מיידית. לעומסים על ספקים אחרים, חכו להערכות עצמאיות; שלוש ההשקות של השבוע כולן טוענות אותה הצעת ערך ורק מדידות צד שלישי יכולות לדרג אותן.

מקורות

קריאה נוספת

  • שבעת מודלי MAI של Microsoft: מהלך מחיר-ביצועים לסוכני קוד שרצים 24/7

    בכנס Ignite 2026 שחררה Microsoft AI שבעה מודלים בראשות MAI Code 2, שלטענתה משיג 98% מאיכות הקוד של GPT-6.1 Sol ב-40% מהמחיר, לצד מודל סייבר בפחות מ-2% מעלות-למשימה של מתחרה חזיתי, מודל ניתוב, ו-Licensed Weights שרצים בתוך טננט Azure שלכם. האסטרטגיה ברורה: לא גביעי מדדים, אלא סוכנים זולים מספיק כדי לרוץ מסביב לשעון.

  • Gemini 4 Neon: מודל החשיבה המהיר של Google לסוכני קוד בפרודקשן

    Google השיקה היום (18 בנובמבר 2026) את Gemini 4 Neon: מודל חשיבה מהיר שממוקם בין Carbon ל-Hydrogen, במחיר של 3 דולר למיליון טוקנים קלט ועם חלון הקשר של מיליון טוקנים. Google טוענת למקום ראשון ב-Artificial Analysis Coding Agent Index, לתוצאת SWE-sweep שיאית בתוך Antigravity, ולעלות נמוכה ב-32% למשימה מ-Carbon. הנה מה ששוחרר, מה המדדים אומרים, ולמה לשים לב.

  • Qwen4-Max: דגם הדגל של Alibaba עם 2.4T פרמטרים מבטיח ירידה של 62% בעלות למשימה מול הדור הקודם

    צוות Qwen של Alibaba שחרר את Qwen4-Max, הדגם הראשון במשפחת Qwen4: מודל MoE דליל עם 2.4 טריליון פרמטרים, 71B פעילים לטוקן, חלון קונטקסט של מיליון טוקנים, מצבי חשיבה עם רמות מאמץ מתכווננות, וגישה דרך endpoints תואמי OpenAI ו-Anthropic. לפי מספרי היצרן, עד 49% פחות טוקנים במשימות קידוד סוכנתי וירידה של 62% בעלות הממוצעת למשימה מול Qwen3.8-Max. מחיר הקלט מתחיל ב-1.5 דולר למיליון טוקנים.

יומן הבנייה

לעקוב אחרי העבודה.

מאמרים ואבטיפוסים חדשים, ישר לקורא ה-RSS שלכם. מנויי המייל בהשהיה זמנית, עד שאחבר שירות משלוח עובד. לא נאסף כאן אימייל.

עקבו ב-RSS