· 瀚钦(丹东)智能科技有限公司

结论先行:11 月 17 日(媒体报道口径:恰在 Anthropic IPO 定价的前一天),OpenAI 发布了两款新模型——面向复杂专业工作的旗舰 GPT-6.2 Astra 和面向日常工作的 GPT-6.2 Sol。发布会上最有冲击力的不是跑分,而是一笔成本账:Astra 在一项智能体基准测试里比竞品高出 5.5 分,完成任务的成本只有对方的 5%。同一天还有另一条容易被企业忽略的新闻:OpenAI 解散了独立机器人团队,理由是通用模型已能直接承担机器人的控制任务。两条消息合起来,给企业的信号很清楚:云端大模型的能力在涨、价格在跌;但「什么都能干的通用模型」之外,本地化、专用化的路线依然有人坚定投票——而且投的不是小人物。
先把两款模型的关键信息摆清(均为官方发布说明口径;基准成绩为第三方评测机构数据):
| 项目 | GPT-6.2 Astra(旗舰) | GPT-6.2 Sol(日常) |
|---|---|---|
| 定位 | 专业工作、科学研究、软件开发、视觉设计 | 日常工作流、代码、多步骤任务 |
| 代表成绩 | Agents' Last Exam 较上代 +5.2 分、单项成本不到 1/3;较竞品 +5.5 分、成本仅 5%;AA-3D 评测 1318 Elo 居首 | FrontierCode 2.0 与旗舰款差距不到 0.5 分、成本约旗舰 1/5;日常任务评测成本约上代 1/7 |
| 定价(每百万词元) | 输入 8 美元 / 缓存输入 0.4 美元 / 输出 40 美元(较上代输入输出均降 20%,缓存降 60%) | 沿用上代:输入 2 美元 / 缓存输入 0.1 美元 / 输出 10 美元 |
需要划重点的一条:上述 5% 的对比来自特定基准测试,不同场景成绩差异很大,本文转述不代表任何选型建议。
单价三连降(输入输出降 20%、缓存输入降 60%)当然是好消息,但对企业的总账要分两头看。一头是用量经济学的规律:单价降,通常用量涨得更快。这轮 AI 应用的历史一直在重演同一幕——每次降价,企业的调用量不是省下差价,而是把原来「舍不得用」的场景全开起来,季度账单反而更高。另一头是账单的「隐形部分」:按词元计费只是显性成本,数据出域的合规成本、外网依赖的可用性成本、以及用量稳定后持续付费的机会成本,都不在 API 报价单里。
这两头加起来,指向的结论反而是我们一直讲的:验证期用云服务试错便宜,场景一旦跑通、用量趋于稳定,就该认真算本地部署的账。调用单价越降,越说明大模型能力正在变成「水电」一样的基础资源——而基础资源时代真正拉开成本差距的,从来不是单价,是架构。
11 月 13 日《财富》报道:OpenAI 解散独立机器人团队,把研究人员并入通用模型研发与应用部门。理由是 GPT-6 Astra 等通用前沿模型已展现出直接控制机器人的能力——英伟达一项仿真基准测试里,由 Astra 驱动的智能体成功率 74.8%,高于此前专用机器人模型报告的 51.0%(注意:这是数字仿真环境成绩,不是真实机器人实测)。卡内基梅隆大学助理教授的评价很到位:OpenAI 可能把机器人从「需要单独攻克的问题」重新定义成「通用智能的下游应用」。
但真正值得企业划线的,是反方给出的两条理由——它们几乎就是企业 AI 选型的现成答案:
第一,真实场景数据的价值在上升。MIT 教授、机器人公司联合创始人的观点是:初创公司手里「机器人在真实工厂车间积累的部署经验和任务数据」是大型实验室难以复制的,而且基础模型越强大,真实场景数据反而越有价值——因为模型能更快地从数据里学会具体场景。映射到企业侧一模一样:大模型越便宜越强,你的生产数据、工单数据、客户数据就越值钱,因为它们是让 AI 在你的场景里真正好用的原料。模型是租的,数据是自己的——这也是唯一越攒越值钱的部分。
第二,本地运行的小模型仍有存在价值。另一位教授指出:通用大模型运行慢、通常部署在云端,意味着必须保持稳定联网;能在本地设备上运行、无需持续联网的小型专用模型,依然有不可替代的位置。把「机器人必须本地跑」换成「企业的核心业务最好本地跑」,道理完全同构——答疑、质检、单据处理这些天天要用的场景,不能每次都赌外网和服务商的可用性。
重组的背景同样值得读:据报道 OpenAI 最近一个季度运营亏损高达 109 亿美元,首席执行官此前就要求公司放弃「支线任务」,连 Sora 这样的明星项目也被砍掉,为更核心的业务腾出资源(均为媒体报道口径)。连手里牌最多的公司都要做减法、聚焦核心,中小企业更没有理由追着每一个新模型、新概念跑。给企业的取舍标准一直没变:新模型再热闹,落回你自己的场景清单——省了多少小时、少了多少错,只有这几个数字算数。
这次发布的实用信息是:两款模型自 11 月 17 日起向 ChatGPT Work 和 Codex 的付费用户开放,开发者可通过 API 调用,暂未进入普通聊天模式。如果你的团队已经在用对话式工具做日常验证,可以在现有场景里小范围试比一代的效果与费用——记住是「在你自己的场景里测」,而不是看榜单。
延伸阅读:两份榜单的选型教训(别按榜单选型,按场景选)· AI 短剧 3.5 亿日消耗细拆(用量经济学的极端样本)· 海盐传统企业的 AI 账本(算得清的投入产出)· 柴油发电机订单排到 2027(算力基建的溢出机会)
它来自官方发布说明引用的第三方基准测试(Agents' Last Exam)在特定多步骤任务上的对比,口径真实但适用范围有限——不同任务、不同供应商的实测差异可能很大,且各家自选基准做对比是行业惯例。本文转述不构成任何选型或投资建议。靠谱的做法是拿自己的一两个真实场景分别试跑,比效果、比实际花费,再决定。
单价下降和总成本可控是两回事。其一,降价往往带来用量更快增长,季度账单未必降低;其二,按词元计费之外还有数据出域的合规成本、对外网与服务商可用性的依赖成本。对数据不能出门、要长期高频使用、用量已稳定的企业,本地部署的一次性投入会随时间摊薄,且数据不出厂、内网可用。常见节奏是:云上小成本验证场景,跑通后再把稳定场景迁到本地长期运行。
直接关系不大,但两条反方观点很有参考价值。一是 MIT 教授的判断:真实场景的部署经验和数据难以被替代,且基础模型越强这些数据越有价值——对应到企业,就是趁早把自己业务数据的积累和留存做起来,模型可以随时换,数据资产是自己的。二是本地运行小模型仍有价值:核心业务不该把可用性押在外网和云端服务上。这两条合起来,正好是「数据留存 + 本地底座」两条准备动作的业界注脚。