文章

2026年11月18日 上午08:53

6.2毫無疑問是性能提升

雖然大部分early tester都不太喜歡,但Sol跟Astra在各方面性能都有整體提升。

而且提升幅度遠比分數本身更顯著。

以Agentic Coding來說。6.2系列的決策品質、實作品質、細心程度都比6/6.1高很多。以前會看到的Slop Code幾乎不太會出現,每一行程式都有確實存在的理由。

多個限制指令互相干擾的狀況也下降很多。只要把使用情況明確寫進skill,6.2幾乎都可以在正確的時間調用正確規則,照正確順序執行。

但說是這樣說,實際性能並沒有提升到可以跟Claude相比的程度。體感上6.2 Astra high大概跟Opus 5.5 xhigh/max差不多,6.2 Sol high比Opus 5.5 medium稍微低一點。

GPT系列比Claude落後太多了,短時間內不太可能追上。

Looped Transformer的調整方式有逐漸上軌道

雖然沒有公開承認不過,從GPT 6開始就是Looped Transformer這點應該是公開的秘密。

比起6 Sol的災難,這次release算好很多了。看起來也沒有刻意把圈數降低。

而且TPS翻倍、Astra價格降40%,應該可以期待接下來的幾代都可以維持在這個水準。

不確定是好是壞,但個性有變

6/6.1行為模式的特色是過度偏執。

6.2沒有改善,但稍微有自信一點了。不會每次決策前都思考個十幾二十次。

而且決策品質沒有下降反而還稍微上升了一點。

不過相對而言的缺點是,如果任務沒有明確目標、或是需要創作性,6.2不會花太多時間推敲使用者意圖。

給予模型自由發揮的空間,模型會用最短方式完成。

對人類來說很明確的指示如果跟成果無關,模型會假設使用者想要的是結果,就會用很奇怪的方式達到結果。最明顯的例子是指示6.2 Astra建模放進網頁裡,Astra建了網頁然後去下載網路上的3D模型⋯⋯💀

Overfitting

大部分early tester都同意的一點是6.2 Astra有overfitting。而且很嚴重。關鍵字Bellwether。

感覺起來比較像是RSI(Recursive Self-Improvement)過頭的副作用,訓練方向已經開始缺乏多樣性了。

對報告項目重要性的標準跟人類有很大差距

6.2的輸出文字量被裁減很多,過濾掉很多不是很重要的細節。

可是也過濾掉很多重要細節💀

6.2還是會回報每個修改的項目。可是檔名、函式名稱、變數名稱都壓到最低的程度。也不會保留重要決策背後的理由。

跟6.2溝通,真的,很痛苦。

99%的狀況下,那些修改背後的理由都是正確的。而且會讓人很驚訝模型有思考到這麼深。

但是,模型也會把思考這些理由當作使用者自己的事情。

直接跟6.2溝通最難受的是agent花15分鐘把事情做完,使用者要花30分鐘看懂哪邊是模型自己下的決策,以及為什麼要這樣做。

讓狀況從糟糕變成難以理解的是,這些決策原因都被隱藏在不公開的CoT(思考鏈)裡面。就算是把看不懂的那行標出來直接問,6.2也會覺得自己已經講過了,不會告訴使用者問題的根源。(但如果問自己的猜測對不對就會承認喔,神奇吧)

我到目前還沒有找到有效解決看不懂6.2在幹嘛的方式。但還好本來就習慣在Sol外面掛一層Opus當監督,請Opus翻譯就好問題不大。我猜要實用的話大概可以請Terra或Sonnet幫忙之類的吧。


OpenAI啊。拜託把這鬼東西修好好不好。放個新checkpoint還是改system prompt。

你們的模型做事能力變強了,但溝通能力很爛啊。

還沒有人留言。想成為第一個嗎?