Назад в блог
РусскийComparison

GPT-6.2 Astra против GPT-6 Astra: стоит ли обновляться по итогам 32 тестов?

По 16 тестов на одном канале с теми же промптами. Точность равна. Сравниваем время оптимизации, общее время, тарифы и расходы. Где стоит обновляться?

C
Crazyrouter Team
20 ноября 2026 г. / 9 просмотров
Поделиться:
GPT-6.2 Astra против GPT-6 Astra: стоит ли обновляться по итогам 32 тестов?

Если вы уже пользуетесь GPT-6 Astra, с выходом GPT-6.2 Astra вас, скорее всего, интересуют три вопроса. Справится ли новая модель с задачами, на которых ошибалась прежняя? Станет ли короче ожидание? Вырастет ли счёт?

В этой серии из 32 тестовых запросов через один и тот же канал Crazyrouter обе модели полностью решили 16/16 задач. У GPT-6.2 Astra среднее время на задаче оптимизации с ограничениями сократилось на 54.3%, но медиана по всем запросам оказалась выше, а фактические расходы выросли на 37.6%. Если вы уже используете GPT-6 Astra, по этим результатам имеет смысл сначала попробовать новую модель на отдельных задачах, а затем решить, стоит ли менять модель по умолчанию.

Мы взяли небольшую выборку повседневных задач разработки. Мы сверили официальные характеристики, текущие настройки тарификации Crazyrouter и фактические списания по каждому запросу.

Что изменилось в официальных характеристиках?#

По состоянию на 20 ноября 2026 года на страницах моделей OpenAI были указаны следующие ключевые параметры. [1][2]

ПараметрGPT-6.2 AstraGPT-6 Astra
Имя модели в APIgpt-6.2-astragpt-6-astra
Типы входных и выходных данныхНа входе текст и изображения, на выходе текстНа входе текст и изображения, на выходе текст
Контекстное окно1,050,000 токенов1,050,000 токенов
Максимальный объём входа922,000 токенов922,000 токенов
Максимальный объём вывода128,000 токенов128,000 токенов
Дата отсечения знаний2026-05-182026-04-30
Официальная цена за некэшированные входные токены$8 / млн токенов$10 / млн токенов
Официальная цена за чтение из кэша$0.40 / млн токенов$1 / млн токенов
Официальная цена за выходные токены$40 / млн токенов$50 / млн токенов

В таблице приведены официальные цены тарифа Standard для запросов с объёмом входа до 272K токенов включительно. За этим порогом у обеих моделей ставки за входные токены и чтение из кэша удваиваются, а ставка за выходные токены увеличивается в 1.5 раза. Поэтому цены из таблицы применимы не ко всем длинным запросам. [1][2]

Официальные цены за некэшированные входные и выходные токены у 6.2 Astra снизились на 20%, а заявленный размер контекстного окна остался прежним. Дата отсечения знаний у новой модели более поздняя, но сама по себе она не даёт модели доступа к актуальной информации после этой даты.

В официальной документации также перечислены возможности работы с инструментами и Responses API. Мы проверили текстовые вызовы Chat Completions через Crazyrouter. Для подтверждения работы остальных эндпоинтов сервиса нужны отдельные тесты, даже если соответствующие возможности перечислены в документации OpenAI.

Как мы тестировали: один канал, 8 типов задач, по два прогона на задачу#

Тесты провели в ночь на 20 ноября 2026 года по пекинскому времени, что соответствует 19 ноября 2026 года по UTC. Перед основным тестом обе модели проверили через /v1/models.

УсловиеНастройка в этом тесте
Точка доступаCrazyrouter, https://api.crazyrouter.com/v1
ЭндпоинтPOST /chat/completions
МаршрутизацияОдин и тот же фиксированный канал к вышестоящему провайдеру для всех запросов. Это проверили по каждой из 32 записей о списаниях
ПромптыСообщения system и user для каждой задачи полностью совпадали у обеих моделей
Уровень рассужденияreasoning_effort: high
Бюджет генерацииmax_completion_tokens: 8192
Режим ответаБез потоковой передачи, stream: false
Выборка и порядок8 типов задач × 2 прогона на модель. Случайный порядок, до 2 параллельных запросов суммарно
ОценкаЭталонные ответы задали заранее, поля JSON сравнивали по отдельности. Обязательные условия: HTTP 200 и finish_reason=stop

В тест вошли поиск по 360 правилам, проверка ошибочной предпосылки, оптимизация графа зависимостей, выбор набора с ограничениями, повторное проведение операций по счёту, видимость данных в транзакциях, порядок дедупликации и обработка границ интервалов. Первые шесть задач взяли из внутреннего набора прошлых тестов, а последние две добавили для проверки граничных случаев. Входные данные и эталонные ответы сохранили в файлах с материалами теста. Эталонные ответы моделям не передавали.

Эти задачи соответствуют типичной работе разработчика: прочитать правила, вычислить результат и проверить граничные случаи. Тесты не охватывали внесение изменений в целый репозиторий. Мы также не запускали сгенерированные моделями программы, поэтому по этому тесту нельзя составить полноценный рейтинг моделей как агентов программирования.

Время измеряли на стороне клиента с момента отправки запроса до получения полного ответа. В замер вошли сетевые задержки, ожидание в очереди, вычисления модели и генерация ответа. Задержку до первого токена и скорость в токенах в секунду отдельно не измеряли.

Точность одинаковая. На каких задачах различается скорость?#

ЗадачаПройдено у 6.2 AstraПройдено у 6 AstraСреднее время 6.2Среднее время 6
Поиск по длинной таблице правил2/22/210.05 с10.20 с
Исправление ошибочной предпосылки2/22/29.95 с7.16 с
Граф зависимостей и оптимизация одного узла2/22/29.05 с8.42 с
Выбор оптимального набора с ограничениями2/22/218.49 с40.46 с
Дедупликация и повторное проведение операций по счёту2/22/210.28 с10.41 с
Видимость данных в транзакциях базы данных2/22/24.94 с9.66 с
Дедупликация перед фильтрацией по времени2/22/23.81 с7.18 с
Проверка границ полуоткрытых интервалов2/22/24.12 с7.08 с

Среднее время до получения полного ответа у GPT-6.2 Astra и GPT-6 Astra на восьми типах задач

На каждую ячейку приходится всего два запроса, поэтому близкие значения не стоит считать признаком устойчивого преимущества. Обе модели по всем задачам этой серии вернули полный JSON, соответствующий эталонным ответам.

Самая заметная разница проявилась в задаче выбора набора с ограничениями. Из 12 вариантов требовалось выбрать набор с учётом общего веса, максимального числа элементов, зависимостей и условий взаимного исключения, а затем перечислить все оптимальные решения. Обе модели нашли единственный оптимальный набор [0, 2, 6, 9, 11] с суммарной ценностью 78.

Два прогона у 6.2 Astra заняли 18.21 и 18.78 секунды, а у 6 Astra — 37.52 и 43.41 секунды. Среднее ожидание на этой задаче сократилось на 54.3%. Похожие задачи комбинаторной оптимизации стоит включить в пробную оценку новой модели. Двух прогонов мало для вывода, что «любая сложная задача на рассуждение решается вдвое быстрее».

Задача на дедупликацию проверяла другую типичную ошибку. Первое событие с некоторым ID произошло за пределами временного окна, а последующее событие с тем же ID попало в окно. По условию нужно было сначала выполнить дедупликацию по всем событиям, а затем отфильтровать их по времени. Поэтому поздний дубликат нельзя было учитывать повторно. Обе модели правильно рассчитали чистую сумму для Alice в 25 центов и исключили Bob, у которого итоговая чистая сумма равнялась нулю.

На этих граничных случаях разницы в точности не обнаружилось. Результат 16/16 против 16/16 показывает лишь, что обе модели прошли этот набор тестов. По нему нельзя заключить, что предел их возможностей одинаков.

Почему среднее время сократилось, а медиана выросла?#

Статистика по всем 16 запросамGPT-6.2 AstraGPT-6 Astra
Полные правильные ответы16/1616/16
Среднее время8.84 с12.57 с
Медианное время9.57 с8.16 с
Минимум / максимум3.39 / 18.78 с6.67 / 43.41 с

Оба показателя рассчитаны корректно. Два заметно более долгих запроса GPT-6 Astra на задаче выбора набора с ограничениями подняли среднее. У 6.2 Astra оба запроса завершились быстрее, что снизило её среднее время по всей серии.

После сортировки всех запросов по времени медиана у 6.2 Astra составила около 9.57 секунды, у 6 Astra — около 8.16 секунды. На проверке ошибочной предпосылки и задаче с графом зависимостей 6.2 Astra тоже не выиграла в скорости.

При выборе модели важно учитывать тип задачи. Если больше всего времени уходит на ожидание результатов комбинаторной оптимизации, снижение среднего времени имеет практическое значение. Если ваши повседневные запросы в основном сводятся к коротким вопросам по правилам, этой выборки недостаточно, чтобы рекомендовать полный переход на новую модель.

Официальные цены снизились, а фактические расходы на Crazyrouter выросли#

Официальные цены за токены отличаются от сумм, которые фактически платят пользователи Crazyrouter. В проверенных для этого теста настройках группы default на GPT-6 Astra действовала скидка 35% (оплата 65% тарифа), а на GPT-6.2 Astra действовал полный тариф. Ниже приведены ставки с учётом скидки для запросов с объёмом входа до 272K токенов включительно.

Ставка Crazyrouter за млн токеновGPT-6.2 AstraGPT-6 Astra
Некэшированные входные токены$8.00$6.50
Чтение из кэша$0.40$0.65
Выходные токены$40.00$32.50

Таким образом, у 6.2 Astra сейчас ниже ставка за чтение из кэша, а у 6 Astra ниже ставки за некэшированные входные и выходные токены. По одному лишь официальному снижению цен на новую версию нельзя определить, какая модель обойдётся дешевле на Crazyrouter. Перед покупкой или подключением перепроверьте ставки: результат зависит от группы и действующих скидок. Страница цен Crazyrouter.

Мы нашли по идентификаторам запросов все 32 записи о фактических списаниях и перевели суммы в доллары по настройке сервиса quota_per_unit=500000.

Фактическое потребление в основном тестеGPT-6.2 AstraGPT-6 Astra
Число запросов1616
Входные токены по данным вышестоящего провайдера128,692108,708
Из них токены, прочитанные из кэша49,53648,512
Доля кэшированных токенов во входе38.5%44.6%
Выходные токены, включая токены рассуждения2,6253,946
Фактические расходы$0.758064$0.551052

Фактические расходы на шестнадцать основных тестовых запросов для каждой модели Astra с разбивкой на входные токены, чтение из кэша и выходные токены

Итоги взяты из фактических списаний. Разбивка на графике восстановлена по журналам тарификации. Небольшое расхождение с итоговыми суммами вызвано округлением. Два отдельных вызова из примера ниже в расчёт не вошли.

6.2 Astra использовала меньше выходных токенов, но итоговый счёт оказался на 37.6% выше. На сумму повлияли ставки, число входных токенов по отчётам провайдера и доля чтения из кэша. Хотя видимые промпты совпадали, провайдер сообщил разное число входных токенов. Причину расхождения в этом тесте отдельно не выясняли.

Кэш не очищали, а часть задач взяли из предыдущих тестов. Эти суммы отражают расходы на конкретный набор запросов. Состояние кэша не контролировали, поэтому результаты нельзя считать сравнением затрат при одинаковом холодном кэше или напрямую переносить рост на 37.6% на ежемесячные расходы каждого пользователя.

Как подключить новую модель и сначала прогнать свои регрессионные тесты#

Если у вас уже настроены вызовы GPT-6 Astra, можно оставить её моделью по умолчанию, изменить поле model в тестовом окружении и сравнить модели на собственных задачах. В примере ниже обе модели вызываются через один и тот же базовый URL и получают задачу на объединение полуоткрытых интервалов.

Перед запуском установите requests и задайте свой ключ API в переменной окружения CRAZYROUTER_API_KEY. Код не выводит ключ.

python
import json
import os
import requests

BASE_URL = "https://api.crazyrouter.com/v1"
MODELS = ["gpt-6.2-astra", "gpt-6-astra"]
PROMPT = ('Merge half-open intervals [[-3,2],[1,5],[5,9]]. '
          'Return JSON only: {"merged":[[start,end]],"length":integer}.')


def run():
    session = requests.Session()
    session.trust_env = False
    results = []
    for model in MODELS:
        response = session.post(
            BASE_URL + "/chat/completions",
            headers={"Authorization": "Bearer " + os.environ["CRAZYROUTER_API_KEY"]},
            json={
                "model": model,
                "messages": [{"role": "user", "content": PROMPT}],
                "reasoning_effort": "high",
                "max_completion_tokens": 8192,
                "stream": False,
            },
            timeout=(15, 180),
        )
        response.raise_for_status()
        data = response.json()
        choice = data["choices"][0]
        if choice["finish_reason"] != "stop":
            raise RuntimeError("Incomplete output: " + str(choice["finish_reason"]))
        answer = json.loads(choice["message"]["content"])
        assert answer == {"merged": [[-3, 9]], "length": 12}, answer
        result = {"model": model, "answer": answer,
                  "request_id": response.headers.get("x-oneapi-request-id")}
        print(json.dumps(result, ensure_ascii=False))
        results.append(result)
    return results


if __name__ == "__main__":
    run()

Этот код запускали отдельно. Обе модели вернули {"merged":[[-3,9]],"length":12} с причиной завершения stop. Эти два вызова не входят в 32 тестовых запроса выше. В примере использовалась обычная пользовательская маршрутизация, а в основном тесте канал зафиксировали, чтобы уменьшить влияние различий в маршрутах.

Параметры подключения можно сверить с документацией API Crazyrouter. Командам, использующим интеграции Codex или Cursor, также стоит прогнать регрессионные тесты на своей реальной цепочке инструментов. Успешные текстовые вызовы в этой статье подтверждают лишь работу текстовых вызовов. Настройка интеграции с Codex (на английском) и настройка интеграции с Cursor (на английском).

Стоит ли переходить на 6.2 Astra, если вы уже используете GPT-6 Astra?#

Решение можно принимать по типу задач.

Что для вас важнееЧто подсказывают результаты теста
Текущие задачи проверки правил и подготовки данных выполняются стабильно, а расходы важнее скоростиОставьте GPT-6 Astra. С учётом текущей скидки на Crazyrouter у неё ниже ставки за некэшированные входные и выходные токены
Задачи комбинаторной оптимизации выполняются долгоВ первую очередь попробуйте GPT-6.2 Astra и проверьте выигрыш в скорости на большем числе реальных задач
Вы часто работаете с порядком дедупликации, семантикой транзакций и граничными условиямиВключите 6.2 Astra в регрессионное сравнение. В этой серии она быстрее решила такие задачи, а правильные ответы дали обе модели
Вы рассчитываете на большую точность уже за счёт перехода на новую версиюЭтот тест не даёт оснований ожидать прироста точности. Включите задачи, на которых текущая модель действительно ошибается
Вам нужны анализ изображений, длительная работа агента или взаимодействие с инструментамиПроведите отдельные тесты для этих сценариев. В текущую серию они не вошли

Сравнение на одинаковых задачах можно начать в Model Arena. Для официального перехода сохраните конкретные промпты, правила оценки и записи о списаниях. Прежнюю конфигурацию можно сверить по странице модели GPT-6 Astra. Результаты регрессионных тестов нужно получить на своих задачах.

Как воспроизвести задачу оптимизации с ограничениями#

Ниже приведён полный пользовательский промпт для этой задачи. В основном тесте использовали уровень рассуждения high, бюджет генерации 8192 токена и требование возвращать только JSON в системном сообщении. Эталонный ответ использовали только для локальной оценки и не отправляли моделям.

text
Items IDs 0..11 have weights [4, 7, 2, 9, 5, 3, 8, 6, 4, 7, 1, 5] and values [13, 18, 7, 26, 14, 9, 23, 16, 12, 20, 4, 15]. Select total weight <=26 and at most 5 items. Constraints: selecting 3 requires 1; 6 and 7 cannot both be selected; selecting 9 requires 2; at least one of 0 and 4 must be selected. Maximize total value. Return JSON with best_value and optimal_sets (ALL optimal ID lists sorted ascending, and lists lexicographically sorted).

Эталонный ответ рассчитали заранее.

json
{"best_value": 78, "optimal_sets": [[0, 2, 6, 9, 11]]}

Оптимальное решение можно проверить полным перебором всех подмножеств из 12 элементов с отбором по весу, количеству элементов, зависимостям и условиям взаимного исключения. Исходные запросы, ответы и записи по каждому списанию сохранены в архиве для повторной проверки. Все таблицы и графики в статье основаны на этих записях.

Идентификаторы двух отдельных запросов из минимального примера вызова:

  • gpt-6.2-astra — 83b6190a33a5765d75070b0cf645e4ca.
  • gpt-6-astra — 6a229d1cd68136b18781f531d8a5d77e.

Часто задаваемые вопросы#

GPT-6.2 Astra точно умнее GPT-6 Astra?#

По этой серии тестов такого вывода сделать нельзя. Обе модели полностью решили 16/16 задач при 8 типах задач и двух прогонах на тип. Чтобы оценить прирост возможностей, нужны более сложные задачи, реальные случаи ошибок и независимая оценка.

Насколько GPT-6.2 Astra быстрее GPT-6 Astra?#

Это зависит от задачи и выбранного показателя. Среднее время на задаче выбора набора с ограничениями сократилось на 54.3%, а среднее по всем запросам снизилось с 12.57 до 8.84 секунды. При этом медиана выросла с 8.16 до 9.57 секунды. Скорость выросла не на каждом запросе.

GPT-6.2 Astra дешевле?#

В официальном тарифе Standard для короткого входа ставки за некэшированные входные и выходные токены ниже на 20%. Но на Crazyrouter во время теста на прежнюю модель действовала скидка 35% (оплата 65% тарифа), а расход токенов и доля чтения из кэша у моделей различались. В результате выполнение одного и того же набора задач на 6.2 Astra обошлось дороже.

У GPT-6.2 Astra больше контекстное окно?#

По официальным страницам моделей, которые мы сверили для этой статьи, контекстное окно у обеих составляет 1,050,000 токенов, а максимальный объём входа — 922,000 токенов. [1][2] Максимальный объём входа по отчётам о наших запросах составил 14,326 токенов. Работу с контекстом в миллион токенов мы не проверяли.

Если модель вернула JSON, значит ли это, что структурированный вывод проверен?#

Нет. Мы попросили модель вернуть JSON в промпте, после чего программа разобрала ответ и сверила его с эталоном. Принудительное соответствие JSON Schema не тестировали. Потоковую передачу, вызов инструментов и Responses API также не проверяли.

Все 32 запроса прошли успешно. Говорит ли это о стабильности в долгосрочной перспективе?#

Это показывает лишь, что в 32 основных запросах не было HTTP-сбоев, обрезанных ответов или ошибок в ответах. Выборка охватывает один период и один канал, а каждую задачу повторяли всего дважды. По этим данным нельзя судить о долгосрочной доступности или использовать их как SLA для рабочей среды.


Источники и материалы для воспроизведения

  1. OpenAI — документация модели GPT-6.2 Astra, дата проверки 2026-11-20.
  2. OpenAI — документация модели GPT-6 Astra, дата проверки 2026-11-20.
  3. PostgreSQL — изоляция транзакций и Read Committed. По этому источнику сверили правила для задачи о транзакциях.

Автор — Boluo Z. Тесты выполнил автоматизированный скрипт. В статье зафиксированы результаты работы сервиса при маршрутизации через Crazyrouter. Независимый аудит весов моделей вышестоящего провайдера не проводился. Повторную проверку изменяемых цен и сведений о возможностях запланировали на 2026-12-20.

Implementation Guides

Podcast

AI Dev Tools: The Crazyrouter Podcast

Короткие выпуски для разработчиков (на английском): AI API, шлюзы, контроль затрат и инструменты для кода.

Новые выпуски

  • EP196 · 29 окт. 2026 г. · 6:53

    AI API Security Posture — Turn Controls Into Continuous Evidence

    A practical guide to AI API security posture: inventory exposure, verify controls continuously, protect keys and data, constrain tools, and turn security assumptions into evidence that operators can act on.

  • EP195 · 28 окт. 2026 г. · 7:21

    AI API Policy Drift — Detect When Production Rules Stop Matching Intent

    A practical guide to policy drift in AI APIs: version routing and safety rules, detect stale enforcement, compare intended and observed behavior, and restore control before small gaps become incidents.

Episodes with written show notes →

Topics

Comparison

Похожие статьи

Claude Opus 5.5 vs GPT-6.1 Sol: тесты, цены и выбор моделиComparison

Claude Opus 5.5 vs GPT-6.1 Sol: тесты, цены и выбор модели

Сравнение официальных тестов и цен API Claude Opus 5.5 и GPT-6.1 Sol. Данные производителей отделены от 16 запросов Crazyrouter; теста Opus на тех же задачах нет.

30 окт.
Gemini 2.5 Flash vs GPT-4.1 Mini: бенчмарк Vision API 2026 для практического выбора моделиComparison

Gemini 2.5 Flash vs GPT-4.1 Mini: бенчмарк Vision API 2026 для практического выбора модели

Практический benchmark для сравнения gemini-2.5-flash и gpt-4.1-mini в задачах Vision API: реальная точность распознавания, latency, tail latency, стоимость успешного изображения, usage signals, failure modes и routing recommendations.

22 июн.
Claude Opus 5 и GPT-5.6-SOL: проверка точности — обе модели дали 10 из 10 правильных основных ответовComparison

Claude Opus 5 и GPT-5.6-SOL: проверка точности — обе модели дали 10 из 10 правильных основных ответов

Claude Opus 5 и GPT-5.6-SOL прошли 10 проверяемых задач через единый API Crazyrouter. Обе модели дали 10/10 правильных основных ответов; отдельно проверены скрытые тесты кода, полнота инструкций и строгий JSON.

29 июл.
Тест 6 Vision API моделей: Gemini 2.5, GPT-4.1 и Qwen3 VL для понимания изображенийComparison

Тест 6 Vision API моделей: Gemini 2.5, GPT-4.1 и Qwen3 VL для понимания изображений

Практический benchmark шести моделей для image understanding API: Gemini 2.5 Flash, Gemini 2.5 Flash Lite, GPT-4.1 Mini, GPT-4.1 Nano, Qwen3 VL Flash и Qwen3 VL Plus. Сравниваем accuracy, latency, стоимость успешного изображения, usage signals, failure modes и production routing.

22 июн.
Gemini 2.5 Flash vs Qwen3 VL Flash: бенчмарк Vision API 2026 для практического выбора моделиComparison

Gemini 2.5 Flash vs Qwen3 VL Flash: бенчмарк Vision API 2026 для практического выбора модели

Практический benchmark для сравнения gemini-2.5-flash и qwen3-vl-flash в задачах Vision API: реальная точность распознавания, latency, tail latency, стоимость успешного изображения, usage signals, failure modes и routing recommendations.

22 июн.
Qwen3 VL Flash vs Qwen3 VL Plus: бенчмарк Vision API 2026 для практического выбора моделиComparison

Qwen3 VL Flash vs Qwen3 VL Plus: бенчмарк Vision API 2026 для практического выбора модели

Практический benchmark для сравнения qwen3-vl-flash и qwen3-vl-plus в задачах Vision API: реальная точность распознавания, latency, tail latency, стоимость успешного изображения, usage signals, failure modes и routing recommendations.

22 июн.