Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизРазбор · На радарThe Decoder→ оригинал

Новая модель OpenAI Astra пишет на 40% короче, но рейтинг оговорок упал с 96 до 24

OpenAI сделала ответы GPT-6.2 Astra и Sol короче и прямее, но модели реже говорят «я не уверен». Artificial Analysis посчитал: средний ответ Astra сократился с 352 до 210 слов (−40%), Sol — с 337 до 223 (−34%). Рейтинг признания неуверенности (место среди моделей, шкала 1–100) у Astra упал с 96 до 24, у Sol — с 98 до 51. Поэтому в медицине, юриспруденции и финансах оговорки лучше требовать прямо в промпте.

AI-обработка оригинала The Decoder; редакция Hamidun News
Новая модель OpenAI Astra пишет на 40% короче, но рейтинг оговорок упал с 96 до 24
Источник: The Decoder. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникThe Decoder ↗
Главный редактор
Заголовков в ответеу Astra 0,11 вместо 1,99, у Sol 0,25 вместо 1,85
Индекс прозрачностиAstra 41, Sol 57, Claude Fable 5.2 — 81, Opus 5.5 — 90
Ключевой факт #3Баллы — относительный рейтинг, а не процент ответов и не точность

Многие жаловались, что чат-боты говорят слишком много: три абзаца вступления, списки, заголовки и дежурные оговорки. OpenAI, похоже, услышала. Аналитики Artificial Analysis сравнили новые GPT-6.2 Astra и Sol с их предшественниками и обнаружили две вещи. Во-первых, ответы стали короче на 34–40%: Astra теперь пишет в среднем 210 слов вместо 352, Sol — 223 вместо 337. Во-вторых, модели гораздо реже говорят «я не уверен». Рейтинг этой черты (место модели среди всех протестированных, шкала от 1 до 100) у Astra рухнул с 96 до 24, у Sol — с 98 до 51. Представьте помощника, который раньше говорил «кажется, так, но проверьте», а теперь просто отвечает уверенным тоном. Для тех, кто строит на этих моделях продукты, это важнее, чем кажется.

Что изменилось в стиле ответов

Artificial Analysis прогнал модели через собственный тест AA-PersonalityBench и отдельно посчитал простые метрики вроде длины ответа. Средний ответ Astra упал с 352 до 210 слов, то есть на 40%. У Sol было 337 слов, стало 223, минус 34%.

Изменилась и вёрстка. У Astra в среднем на ответ приходилось 1,99 заголовка, теперь 0,11. У Sol было 1,85, стало 0,25. Меньше стало и длинных тире, по которым многие привыкли узнавать текст нейросети.

Индекс организованности (структура, ясность, порядок изложения) при этом упал: у Astra с 70 до 11, у Sol с 86 до 27. Зато выросла черта Answer First, то есть насколько модель сразу отвечает на заданный вопрос: у Astra с 49 до 89, у Sol с 64 до 87. Оценка «естественности» речи тоже выросла: с 58 до 100 у Astra и с 54 до 79 у Sol.

Цена краткости: меньше честных оговорок

Самое резкое падение случилось в черте Admits Uncertainty, то есть в готовности признать, что модель чего-то не знает или не уверена.

Важная оговорка: это не проценты ответов. Баллы показывают относительное место модели среди всех протестированных по шкале от 1 до 100. Значение 24 не значит, что Astra признаёт неуверенность в 24% случаев. Это значит, что по этой черте она оказалась в нижней части рейтинга.

Сводный индекс прозрачности включает пять черт: признание неуверенности, правдивость, оговорки о допущениях, указание на нюансы и отсутствие лести (последнюю считают наоборот: меньше лести — лучше). У Astra он равен 41, у Sol — 57. У Anthropic выше: Claude Fable 5.2 набрал 81, Opus 5.5 — 90. По организованности Anthropic тоже впереди: Opus 5.5 получил 79, Fable 5.2 — 54. По информативности Opus 5.5 лидирует с 90 баллами против 31 у Astra, 38 у Sol и 47 у Fable 5.2.

Как читать этот рейтинг и что делать разработчику

Тест устроен так: 900 англоязычных вопросов, модели отвечают без системного промпта. Тройка ИИ-судей смотрит на анонимные пары ответов и решает, в каком из них заданная черта выражена сильнее, либо называет ничью. Из этого складываются 30 черт и восемь общих индексов. Сравнение проводилось для вариантов с максимальным уровнем рассуждений.

Главное ограничение: это оценка стиля, а не качества. Низкий индекс прозрачности не доказывает, что модель чаще ошибается. Он говорит лишь о том, что она реже сопровождает ответ оговорками. К тому же судьи сами нейросети, а вопросы только на английском, так что на русскоязычных задачах картина может отличаться.

Практические выводы такие:

  • Для чат-интерфейсов и справочных ботов, где пользователь хочет быстрый ответ, новый стиль OpenAI может быть плюсом: текст короче, токенов уходит меньше, читать быстрее.
  • Для медицины, финансов, юридических и аналитических сценариев, где важна степень уверенности, стоит явно просить модель указывать допущения и уровень уверенности. Без такой просьбы она, судя по тесту, будет звучать увереннее, чем есть на самом деле.
  • Если вы переходите с прошлой версии, перепроверьте свои промпты и парсеры. Исчезновение заголовков и списков может сломать форматирование, которое раньше работало само.
  • Выбирая между OpenAI и Anthropic, смотрите не только на точность в бенчмарках, но и на манеру подачи. Она влияет на то, как пользователи доверяют ответам и проверяют их.

Итог: OpenAI сделала ставку на лаконичный, разговорный стиль, а Anthropic по этим измерениям остаётся ближе к осторожному и развёрнутому. Какой подход лучше, зависит от продукта. Разницу полезно проверить на своих данных до выкатки в продакшн.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: что изменилось в стиле ответов?

Artificial Analysis прогнал модели через собственный тест AA-PersonalityBench и отдельно посчитал простые метрики вроде длины ответа. Средний ответ Astra упал с 352 до 210 слов, то есть на 40%. У Sol было 337 слов, стало 223, минус 34%. Изменилась и вёрстка. У Astra в среднем на ответ приходилось 1,99 заголовка, теперь 0,11. У Sol было 1,85, стало 0,25. Меньше стало и длинных тире, по которым многие привыкли узнавать текст нейросети.

Что известно по теме: цена краткости: меньше честных оговорок?

Самое резкое падение случилось в черте Admits Uncertainty, то есть в готовности признать, что модель чего-то не знает или не уверена. Важная оговорка: это не проценты ответов. Баллы показывают относительное место модели среди всех протестированных по шкале от 1 до 100. Значение 24 не значит, что Astra признаёт неуверенность в 24% случаев. Это значит, что по этой черте она оказалась в нижней части рейтинга.

Что известно по теме: как читать этот рейтинг и что делать разработчику?

Тест устроен так: 900 англоязычных вопросов, модели отвечают без системного промпта. Тройка ИИ-судей смотрит на анонимные пары ответов и решает, в каком из них заданная черта выражена сильнее, либо называет ничью. Из этого складываются 30 черт и восемь общих индексов. Сравнение проводилось для вариантов с максимальным уровнем рассуждений. Главное ограничение: это оценка стиля, а не качества. Низкий индекс прозрачности не доказывает, что модель чаще ошибается.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…