GPT-6.2 Sol 与 Astra 已上线:日常用 Sol,难题留给 Astra
GPT-6.2 Sol 和 Astra 已在 pirouter 可用。日常任务先用 Sol,难题再试 Astra:看清四倍费率差、272K 长输入分档与 Responses 调用方式。

GPT-6.2 Sol 和 GPT-6.2 Astra 已在 pirouter 可用。 按官方给出的任务定位,日常编码、文档处理和常规 agent 任务可以先用 Sol;遇到多步推理、跨文件约束,或返工代价高的难题,再用 Astra 做对照验证。新 Astra 的标准输入、输出单价比上一代低 20%,但按相同用量计算仍是同代 Sol 的四倍:买哪一个,要看更贵的模型能不能帮你少做一次有代价的返工。
日常任务交给 Sol,什么情况下改用 Astra?
假设你在维护一个把订单导出成表格的服务。上午有人说,导出时缺一列退款日期。需求明确,附近有现成代码,添一条测试就知道改得对不对。到下午,问题变成了:旧订单和新订单对退款时点的定义不同,汇总任务又用另一套时区规则;改了导出,月底对账也可能受影响。还是那个代码库,还是“改导出”,但这次在写任何代码之前,先得弄清三处逻辑各自依赖哪些数据,以及哪些旧报表不能变。
OpenAI 的 GPT-6.2 Sol 模型页把 Sol 定位为日常工作的主力,包括编码和规模化运行 agent;GPT-6.2 Astra 模型页把 Astra 放在更难的项目上。这不是“Sol 不能解决第二道题”,也不是“只要是代码就得买 Astra”。第一道题有简单、可执行的验收方式,不必为了更大的型号付费;第二道题最容易漏的,恰恰是提问者没能在一开始写全的依赖关系,值得让 Astra 参与对照,看能不能更早指出冲突。
Microsoft Foundry 的两款模型发布公告把 Sol 的更新写得更具体:技术写作更简明,编码与调试更聚焦,工具选择更好。对 Astra,Foundry 报告的是相对前代 GPT-6 Astra的评测结果:平均准确率更高,生成的 token 更少。前者是厂商对 Sol 的能力描述,后者是厂商对新旧 Astra 的比较;两者都没有回答这次的 Sol 和 Astra 在同一实际任务上差多少,也不是 pirouter 的质量跑分。
文档任务也可以用同一条线来划分。提取会议纪要里写明的交付时间,可以从 Sol 开始;要把几份相互冲突的方案合成一份供团队决策的备忘录,而且每个结论都要标清出处和假设,才值得让 Astra 用同样的材料试一次。分界线不是文件扩展名,也不是提示词写了几行,而是结果容易验证,还是要等到下一步工作出了错,才能发现模型漏了关键条件。

Astra 比上一代便宜 20%,为什么仍不是默认项?
这里有两笔比较,选错参照型号会得出相反的印象。纵着看,新款 GPT-6.2 Astra 的普通输入和输出标准价分别是每百万 token 8 美元和 40 美元,对比 GPT-6 Astra 的标准价 10 美元和 50 美元,两项都低 20%。这不是老型号把价格改成了 8 和 40 美元。横着看,新 Astra 的同量普通输入、输出费率依旧是同代 Sol 的四倍。Sol 的这两项仍是 2 美元和 10 美元,与 GPT-6.1 Sol 的标准价 相同。
| OpenAI Standard 普通档(美元/百万 token) | GPT-6.2 Sol | GPT-6.2 Astra |
|---|---|---|
| 普通输入 | $2.00 | $8.00 |
| 缓存读取 | $0.10 | $0.40 |
| 30 分钟缓存写入 | $2.50 | $10.00 |
| 输出 | $10.00 | $40.00 |
表里是模型提供方的 Standard API 费率。另按 pirouter 公开模型价目,截至 2026 年 12 月 31 日 23:59:59(北京时间),两款在 pirouter 的普通输入和输出均按七折计价:普通档每百万 token,Sol 为 1.40 美元输入、7.00 美元输出;Astra 为 5.60 美元输入、28.00 美元输出。缓存读取和写入不参与这项折扣,普通档分别仍为 Sol 的 0.10/2.50 美元、Astra 的 0.40/10.00 美元。这项站内优惠和上面比较的新旧 Astra 标准价是两件事。
表中每一行对应不同的用量类别,不是四项都要结算。比如,把一段静态说明放在多轮请求的开头,后续再发时能否按缓存读取计费,要看实际用量。首次写入走哪一类、后续有没有命中,单凭提示看不出来。预算表最好把普通输入、缓存读、缓存写和输出分开,不要给同一份输入记两遍费用。
仍按上表的 Standard 费率拿一个短请求算一下:假设 5,000 个输入 token 全按 30 分钟缓存写入计费、2,000 个 token 按输出计费,没有其他用量,那么 Sol 是 0.005 × 2.50 + 0.002 × 10 = 0.0325 美元,Astra 是 0.005 × 10 + 0.002 × 40 = 0.13 美元。两款请求的用量被特意设成一样,所以是四倍。实际使用时,第一遍有没有一次通过、再改几轮、输出多长,都会改变分子和分母;这笔算术不能当成线上账单或节省承诺。
还是沿用这组假设。若有 1,000 件任务,事先认得出其中 100 件需要 Astra,可以直接分发:900 件走 Sol,100 件走 Astra,模型费是 42.25 美元。若事先分不出来,先让 Sol 做完全部任务,再将其中 100 件交给 Astra 重做,就变成 45.50 美元。两笔费用的差额来自这 100 件多付了一次 Sol,不是模型突然变贵。这笔假设账单回答的是一个分流问题:知道什么是难题时,可以直接给 Astra;只有验收后才能知道时,预留第二次调用的费用和时间。 它没有证明任何一类任务能少跑一轮,也没有把选错模型的代价算进去。
回到导出服务的例子。如果两款模型都一次给出能通过测试的补丁,那么只比较单次同量请求,没有理由为那个已通过的日常任务多付钱。如果 Sol 的补丁表面正确却漏了月末边界,真正要比较的就不是两段输出谁写得漂亮,而是有多少次返工、多少人工时间用来查证、最终保留了多少原有行为。反过来,如果问题是输入里根本没给退货规则,换成 Astra 也不能从不存在的材料里把规则找回来。先把证据补齐,再谈更贵的推理是否值得。
同样是百万上下文,Sol 和 Astra 能放多少材料?
两款模型的官方规格相同:1,050,000 token 上下文,最多 922,000 输入,最多 128,000 输出。上下文是一次处理的总预算,不是可以先塞入 1,050,000 token 的材料,再另外生成 128,000 token;最大输入和最大输出也不是在任意请求形态下都保证能同时用满的两份独立额度。两款官方模型都接收文本与图像、返回文本。让模型看一张报表截图,是图像输入;这不会把普通文本请求变成一个图片生成接口。
要查上面的时区问题,团队可以把报表代码、数据口径和样本放进一次请求,不必仅凭“要读的文件多”就选 Astra。更实际的问题是:哪些材料不放进去,模型就看不到关键约束? 比如,与其把几个月的日志照单全收,不如先给一条正确样本、一条错误样本和两者各自走过的代码路径,再附上月末结算规则。若需要更早的历史变化,把涉及规则修改的上下文补上即可。一个紧凑的请求也可能很难;一个很长的请求也可能只是按明确格式提取信息。
在多轮 agent 里,这个差别更明显。一开始,模型只有任务说明、两份材料和工具定义。几轮以后,请求可能又带上历史消息、检索结果、测试日志和上次输出。你看到的是一条很短的追问,接口收到的却可能是一份已经变长的完整输入。做容量和费用检查时,应该看实际发出的请求及返回用量,而不是数最后一条消息。处理一份需要全面对照的长文档,和让程序在每次提问时重复附上几十份旧材料,是两种完全不同的用法。
所以相同的百万上下文只告诉你,两款的标称容量不会替你做选型。在容易遗漏的地方给出合理的材料边界、让模型指明它依据了哪一条规则、为关键反例留出测试,通常比把所有资料原封不动发给更贵的型号更值得先做。随后要看的是一个比容量上限早得多的数字:272,000。
超过 272K 输入,为什么整笔请求换价?
按两款 OpenAI 官方模型页的 Standard 定价,当次输入超过 272,000 token 后,整次请求适用长上下文费率。普通输入、缓存读和缓存写分别按普通档的两倍,输出按普通档的 1.5 倍。不是前 272,000 个按便宜价、最后多出来的几千个按高价;哪怕输出长度没变,输出的单价也一起变。能不能装下材料与这次材料按哪档计价,是两个问题。
假设两次请求都包含 200,000 个缓存读、60,000 个 30 分钟缓存写和 8,000 个输出 token。先加 10,000 个普通输入,整个输入是 270,000;再多加 4,000 个普通输入,整个输入是 274,000。按厂商 Standard 费率,Sol 第一笔是 0.200 × 0.10 + 0.060 × 2.50 + 0.010 × 2 + 0.008 × 10,共 0.27 美元。第二笔换成长档,是 0.200 × 0.20 + 0.060 × 5 + 0.014 × 4 + 0.008 × 15,共 0.516 美元。同样条件下,Astra 两笔分别为 1.08 美元和 2.064 美元。这是为隔离分档效应而固定缓存和输出用量的算例,不预言真实请求的缓存命中情况。
为什么几千个新 token 会有这么大的差异?不是这几千个 token 本身变得特别贵,而是它们让整次请求换档。那 200,000 个读缓存 token 虽然走的是更低的缓存读价,在算例里仍属于总输入;不能按“未命中的 token 还不多”来决定请求是否跨线。规模大、重复率高的工作流,既要统计哪些前缀能复用,也要记录整单输入多长:这是账单的两个变量,不能用一个缓存命中率概括。
如果系统每一步都会把完整历史再带一次,先挑一段典型流程记录逐轮用量。有些日志只在报错那一轮有用,解决后保留结论和定位依据就够;有些证据必须原样放着,以免模型在下一轮漏掉精确措辞。不要为了压到门槛以内删掉决定答案的条款,也不用把全部旧对话都留到最后。最有用的预算预估,是在发送前知道这次大致属于哪档,接到响应后还能用实际用量解释为什么。

Astra 接函数工具,先用 Responses
切到新模型前,先确认应用发的是哪种请求。纯文本返回成功,只能说明这种请求能走通;如果真正的业务会把函数定义和推理档位一起发过去,应该单独验证那个组合。2026 年 11 月 18 日,我们用 openai/gpt-6.2-astra 在 pirouter 验证了以下几种请求:
| 请求方式 | 请求条件 | 观察结果 |
|---|---|---|
POST /v1/chat/completions、POST /v1/responses | 不附函数工具的基础样本 | 两个入口的样本均返回 HTTP 200 |
POST /v1/chat/completions | 不附函数工具,开启流式 | HTTP 200,收到事件流 |
POST /v1/chat/completions | 附函数工具,reasoning_effort: "low" | HTTP 400 |
POST /v1/responses | 附同一函数工具,reasoning.effort 为 low | HTTP 200,输出包含 function_call |
POST /v1/messages | 普通文本 | HTTP 422,该接口不提供此模型 |
在工具探针里,我们要求模型调用一个查天气的函数;Responses 返回函数名和城市参数,并没有替应用查询天气。注册自定义函数,只是把“可以请求调用什么、需要什么参数”告诉模型。消费 function_call、校验参数、执行自己接好的函数、需要时把结果传回去,还是应用的责任。一次 HTTP 200 不等于工具链的每一步都已完成,更不等于模型回答对了天气问题。
两款发布型号列出的推理档是 low、medium、high、xhigh;none 不受支持。对已有客户端,检查的是它实际发出去的 JSON:旧模板是否自动加推理参数、把工具声明成了哪个接口的格式、输出预算能否给模型留出空间。如果客户端只能走 Messages,改模型 ID 不是迁移。正文表中的状态码只对应 Astra 的验证样本,不把它们当成 Sol 每种参数组合或任意 SDK 的测试结果。官方模型页列出的其他能力,也不等于 pirouter 的每个入口都已开放这些选项。
这里的两种失败都不适合原样重试:400 要回头检查该入口和参数的组合,422 要先确认模型和入口是否匹配。尤其不要为了让返回码变绿,悄悄去掉工具声明,再把收到的一段文字当成工具结果。放在上面的例子里,补丁建议和测试结果是两件事;客户端如果没有收到函数调用,也没有真正运行测试,界面不应把一段“测试通过”的文字标成已验证。先约定应用认什么结果,再选择能给出这种结果的接口。
在 pirouter 发出第一个 Responses 请求
GPT-6.2 Sol 的 pirouter 模型页对应完整 ID openai/gpt-6.2-sol;GPT-6.2 Astra 的 pirouter 模型页对应 openai/gpt-6.2-astra。两个页面也是核对平台当前计费信息的入口,不要把正文中的厂商 Standard 算例抄进生产预算当作实际结算单价。
先在运行命令的本地环境中设置 PIROUTER_API_KEY 为你的 pirouter API Key,不要把密钥写入脚本、提交到仓库或放进网页前端。下面只发送一条文本,不定义工具;要试 Sol,将 model 换成它的完整 ID。
curl --fail-with-body --silent --show-error https://api.pirouter.ai/v1/responses \
-H "Authorization: Bearer ${PIROUTER_API_KEY}" \
-H 'Content-Type: application/json' \
-d '{"model":"openai/gpt-6.2-astra","input":"Reply with the word OK.","reasoning":{"effort":"low"}}'拿到响应后,先确认 model、status、output 和 usage。如果这一步成功,下一步才是加你实际上要用的一个函数,而不是把所有旧配置一起搬过来。先检查返回的函数名和参数,再接入应用自己的执行与回传。会话历史、流式事件处理、结构化输出等如果是你的现有依赖,也应单独核对。这样,当新任务失败时,你能区分是模型没有完成任务、客户端没有正确处理响应,还是你使用的入口根本不接收那种请求。
用同一组难题决定 Astra 值不值得
真正的选型可以从一小批历史任务开始,不用先把整个产品的默认型号换掉。挑几类具体样本:已经能一次通过的日常任务、反复失败但有明确正确答案的难题、必须交给人确认的高后果任务。写下现有验收标准,不要在看到 Astra 输出后为了适配某个回答才改规则。比如,给退款报表的例子保留正常日期、跨时区、月末边界三类预期;输出必须说明采用哪个退款口径,不能仅以“代码可运行”作为通过。
第一次对照时,尽量让两款用同一份输入、同一组工具和同一套检查。可以先比较相同的推理档,再挑真正影响结果的任务调整档位;把每次改变记下来,别把工具迁到 Responses、调整提示、升级型号三件事一次做完,最后说不清是谁起了作用。记录一次通过的比例、哪些重要条件被遗漏、人工要改多久、重试几次、整项工作花了多少,而不是只把成功那一笔 token 费截出来。对失败结果也留样本:空输出、工具参数不对、到上限提前结束,分别意味着不同的改进方向。最好把常规任务和难题分开记结果,免得大量轻松通过的样本盖住了真正要解决的故障。
上线时可以先把判断写成简单规则。常规任务由 Sol 开始;如果有明确的失败信号,例如补丁无法通过既有测试、材料里的事实相互冲突,或者需要人工复核的任务一开始就知道代价高,再让 Astra 参与。别让模型仅凭自信地说“已完成”就决定不升级,也别把配置错误或缺少权限变成两次模型调用。对于后果较高的任务,模型升级之后仍保留原本的人工确认。
那条缺失的退款日期,用能通过测试的 Sol 补丁就好。至于改动可能同时影响客户账单和月末汇总的那一个,把规则、反例和测试备齐,交两款模型各做一遍,再决定今后同类任务是否直接发给 Astra。决定让贵的型号接手的,应当是你的验收结果,而不是模型名字后面多了一个更高级的后缀。