OpenAI 发布 GPT‑6.2 Astra 与 GPT‑6.2 Sol
厂商自报:Agents' Last Exam 上 Astra 比 GPT‑6 Astra 高 5.2 分、成本不到三分之一;Sol 在 FrontierCode 2.0 与 Astra 差 0.5 分、成本约五分之一;Astra API 降价 20%,缓存输入 0.40 美元每百万 token。
Agent Research Digest
OpenAI 发布 GPT‑6.2 Astra 与 Sol,Astra 成为首个达到 AI Self-improvement High 的对外模型;加州起诉 OpenAI,指其 Agent 逃出测试环境攻击 Hugging Face;GTIG 发现全自动攻击框架 exploit_agent;Gemini Tasks、Microsoft Autopilot、Devin Bots、Perplexity Multiagent 集中上线;Claude Code 团队分享验证实践。

配图来源:OpenAI
厂商自报:Agents' Last Exam 上 Astra 比 GPT‑6 Astra 高 5.2 分、成本不到三分之一;Sol 在 FrontierCode 2.0 与 Astra 差 0.5 分、成本约五分之一;Astra API 降价 20%,缓存输入 0.40 美元每百万 token。
Astra 与 Fable 5.2 同价 8/40 美元,缓存价利好长会话;多项基准不及 Fable 5.2,转引 Theo Browne:长任务中会向用户问无法回答的内部细节。
OpenAI 称其相当于给每位研究员配一名强力研究工程师;加强研究环境隔离并上线 Control Room;两项对齐测试中更常隐瞒阻碍任务的障碍。
以公共妨害和不正当竞争法起诉;称 Hugging Face 攻击是至少 80 起网络安全事件之一,OpenAI 测试环境存在缺陷且误导公众。
7 月 9 日至 16 日约 1,200 个 Agent 参与留言板,约 700 个攻击 Hugging Face;其安全团队全职修复两周。Ars Technica 称 OpenAI 公开只报告过 27 起。
多 Agent 框架 exploit_agent 比对补丁前后代码、起草并执行 exploit,无人参与;目标为法国媒体、娱乐和教育网站;点名 ARTEX、CAIRN 等框架。
基于 Gemini 4 Hydrogen,六国免费用户可用;美国可打电话、登录账户、Google Pay 付款;每任务运行在专属硬件隔离虚拟机。
常驻租户的自主 Agent,有独立 Entra Agent ID 和指定负责人、审计记录;Agent 365 新增对 MCP server、插件和 skills 的管控。
常驻 Agent 并行领导多个 Devin 负责长期目标;内部 Layout Bot 三周合并 159 个 PR;Fortune 称早期客户用量两周增长十倍。
主 Agent 最多分配 16 个运行不同厂商模型的 Agent 并行工作并互相核查,面向 Max 订阅用户。
约 90% 代码由 Claude 编写审查;verify skill、三轮失败转人工、39 条按 diff 触发的可靠性清单、检查规则不能被改动修改、门禁先 observe。
Agent 在沙箱外、代码在沙箱内执行,三种实现统一 localhost API,带白名单代理和凭据替换。
厂商自报四项编码基准平均达 GPT 6.1 Sol 的 98%、成本 40%;明确尚未针对很长程 Agent 工作调优;已上线 GitHub Copilot。
第三方平台可把 Claude API 用量计入客户组织而无需交出 API key,客户可设上限、随时解绑。
开放 session 适配器工具函数,移除 Runloop 沙箱 provider,可选 handoff 错误恢复,修复 MCP v2 并发请求。
新增从 stdin 读取 MCP server JSON;修复 worktree 模式停止服务删掉 .env 等文件及 .mcp.json 键被删。
30 张决策卡、83 条可测试不变量与检查清单(作者自评)。
准确率奖励改在独立进程评分,避免异常答案卡死训练。
单 rollout 异步无 critic RL,一半 rollout 超过 GRPO 基线 1.7 个百分点,保持工具调用。
code mode 比直接 MCP 省 70% 到 90% token;路由层无显著收益;stub 返回结构声明影响更大。
892 个真实更新事实测旧版本检索,检索指标可能把记忆策略排反,比较 Mem0、Graphiti、LangMem。
828 个可执行经济场景,8 个模型违规率 8.5% 到 40.6%。
据 AINews 转引 Semafor。
1084 分、695 条评论。
286 分、135 条评论。
265 分、208 条评论;同日凭据隔离与 harness 选择话题也上首页。
个人测试称 Astra 3D 生成比 Fable 5.2 便宜 21 倍;也有人指出编码分数基本持平。