Licenza YOLO
Piattaforma Ultralytics

GPT-6.2 Sol vs Astra per l'annotazione automatica: punteggi simili, punti di forza diversi

GPT-6.2 Sol e Astra ottengono rispettivamente 0.551 e 0.546 mAP50 su 36 dataset di rilevamento, ma Sol costa $8.10 ogni 1.000 immagini contro $31.88. Ecco quale scegliere.

Glenn JocherGlenn Jocher13 min di lettura
Immagine di lancio di OpenAI GPT-6.2 Astra e Sol su un campo stellato, con i punteggi di rilevamento degli oggetti di Ultralytics UL37: Astra 0.546 e Sol 0.551 mAP50

OpenAI ha rilasciato GPT-6.2 Astra e GPT-6.2 Sol il 17 novembre 2026, descrivendo Astra come il suo modello più potente e Sol come il modello di riferimento per il lavoro quotidiano. Quando abbiamo chiesto loro di disegnare riquadri di delimitazione, la loro accuratezza è risultata simile. I prezzi, invece, no.

Il giorno del lancio li abbiamo testati entrambi su UL37, il nostro benchmark di rilevamento su 36 dataset. GPT-6.2 Sol ha ottenuto 0.551 mAP50 e GPT-6.2 Astra 0.546, classificandosi rispettivamente al quarto e quinto posto tra 50 modelli nella nostra classifica VLM. Sol ci è riuscito al costo di $8.10 ogni 1.000 immagini. Astra è costato $31.88, quasi quattro volte tanto.

Ora entrambi sono disponibili come opzioni OpenAI Sol e Astra per l'annotazione automatica in Ultralytics Platform, al posto di GPT-6.1 Sol e GPT-6 Astra. Di seguito vediamo come si confrontano, in quali ambiti ciascuno dà il meglio, quanto costa un batch di etichettatura e quando GPT-6.1 Terra di OpenAI resta la scelta migliore.

GPT-6.2 Sol e Astra ottengono risultati distanti circa 0.005 su UL37#

UL37 misura quanto i riquadri di un modello corrispondono alle etichette umane su 360 immagini: 10 per ciascuno dei 36 dataset reali di rilevamento degli oggetti, dalle scansioni mediche e immagini aeree agli scaffali dei negozi, allo sport, ai documenti e alle schede elettroniche. Ogni immagine passa attraverso la stessa pipeline di produzione disponibile agli utenti di Platform, con i nomi delle classi specifici del dataset e SAM 3.1 che affina ogni riquadro; i punteggi descrivono quindi la pipeline di produzione affinata, non l'output grezzo del modello. La metodologia è pubblica.

GPT-6.2 SolGPT-6.2 AstraGPT-6.1 Terra
Posizione in classifica#4 su 50#5 su 50#2 su 50
mAP500.5510.5460.560
mAP50-950.3460.3450.345
Precisione0.6230.6260.646
Richiamo0.6430.6250.613
Costo del provider per 1.000 immagini$8.10$31.88$4.36
Tempo mediano per immagine3.4 s4.3 s5.1 s
Richieste non riuscite0%0%0%

Risultati UL37 dalla classifica VLM di Ultralytics, aggiornata il 17 novembre 2026.

In questo test, i due modelli hanno un'accuratezza simile. I loro punteggi mAP50-95, che premiano i riquadri precisi, differiscono di 0.001 e la precisione di 0.003. Sol individua un numero leggermente maggiore degli oggetti etichettati: il suo richiamo di 0.643 è il più alto tra tutti i 50 modelli in classifica, appena sopra lo 0.642 di Gemini 4 Carbon. È anche il più veloce tra i primi sette modelli, con 3.4 secondi per immagine.

Grafico a barre di mAP50 su UL37 per gli otto modelli di annotazione automatica più accurati, con GPT-6.2 Sol a 0.551 per $8.10 ogni 1.000 immagini e GPT-6.2 Astra a 0.546 per $31.88

Gli otto modelli con i punteggi più alti su UL37, con il costo del fornitore ogni 1.000 immagini.

Per cosa OpenAI ha creato GPT-6.2#

OpenAI destina i due modelli a lavori diversi. Il suo registro delle modifiche consiglia GPT-6.2 Astra «per attività impegnative di ragionamento e programmazione» e GPT-6.2 Sol «per la programmazione quotidiana e i flussi di lavoro con agenti». Entrambi accettano testo e immagini e restituiscono testo, e sono disponibili in Responses API e Chat Completions.

Anche i prezzi riflettono questa distinzione. Secondo le pagine dei modelli di OpenAI, GPT-6.2 Sol costa $2 per milione di token in input e $10 per milione di token in output, mentre GPT-6.2 Astra costa $8 e $40. Il prezzo dei token di Astra è esattamente quattro volte quello di Sol.

Entrambi sono modelli generalisti, non rilevatori dedicati, quindi abbiamo misurato le loro prestazioni in questo compito. Platform li usa entrambi con il livello di ragionamento predefinito di OpenAI e la stessa richiesta di riquadri inviata a ogni modello OpenAI.

Astra vince su più dataset, ma un set di ecografie decide la media#

Il vantaggio di Sol nella media non significa che vinca più spesso. Nel confronto diretto sui 36 dataset, Astra ottiene punteggi superiori su 17, Sol su 15 e quattro finiscono in parità.

Un dataset spiega la differenza. Nel dataset di ecografie tiroidee TN5000, in cui ogni riquadro ha anche un'etichetta di benigno o maligno, Sol ottiene 0.995 contro lo 0.769 di Astra. Questo singolo risultato aumenta la media di Sol di circa 0.006. Escludendo TN5000, le medie sono 0.539 per Sol e 0.540 per Astra.

In questo benchmark, l'accuratezza dei due modelli è abbastanza simile da rendere più evidenti le differenze di ambito e costo.

In quali ambiti GPT-6.2 Sol e Astra danno il meglio#

Considerando le medie per ambito, Astra è in testa in sette dei 12 ambiti di UL37 e Sol in quattro; i raggi X di sicurezza sono in parità.

Grafico a punti della mAP50 media su UL37 per ambito per GPT-6.2 Sol e GPT-6.2 Astra: Sol è in testa su strade, sott'acqua, medicina e natura; Astra su immagini aeree, documenti, vendita al dettaglio, persone, termografia, sport e PCB

Ogni ambito comprende da uno a otto dataset, con 10 immagini per dataset.

GPT-6.2 Sol è più forte sulle immagini mediche, stradali e naturalistiche. La sua media sugli otto dataset medici è 0.466 contro 0.411 di Astra, grazie soprattutto a TN5000 e ai polipi del colon di Kvasir-SEG, dove ottiene 0.805 contro 0.707. Sulle spighe di grano in GWHD ottiene 0.684 contro 0.537 di Astra, e sulla segnaletica stradale in CeyMo 0.843 contro 0.705.

GPT-6.2 Astra è più forte sulle immagini aeree, della vendita al dettaglio, dei documenti e delle persone. La sua media sui cinque dataset aerei è 0.550 contro 0.506 di Sol, grazie anche alle navi nelle immagini radar di SSDD, dove ottiene 0.880 contro 0.749. Sui prodotti alla cassa in RPC ottiene 0.978 contro 0.823 di Sol, ed è in testa anche nel rilevamento dei DPI, dei rifiuti abbandonati e del basket.

DatasetDominioGPT-6.2 SolGPT-6.2 Astra
Ecografie tiroidee TN5000Medicina0.9950.769
Spighe di grano GWHDNatura / agricoltura0.6840.537
Segnaletica stradale CeyMoStrade / traffico0.8430.705
SoccerDBSport0.7480.631
Cassa al dettaglio RPCVendita al dettaglio0.8230.978
Pallacanestro e canestroSport0.7260.872
Malattie delle piante PlantDocNatura / agricoltura0.3020.447
Navi SAR SSDDAereo / telerilevamento0.7490.880

I quattro divari maggiori in ciascuna direzione, mAP50 su UL37.

Ogni dataset contribuisce con 10 immagini, quindi un singolo punteggio è un'indicazione da verificare, non un verdetto. Prima di etichettare un dataset di grandi dimensioni, visita le pagine dei modelli GPT-6.2 Sol e GPT-6.2 Astra, che mostrano i riquadri registrati da ciascun modello su ogni dataset del benchmark, accanto alle etichette previste.

Un notevole passo avanti rispetto a GPT-6.1 Sol e GPT-6 Astra, tranne che sulle schede elettroniche#

Rispetto ai modelli che sostituiscono in Platform, entrambi sono più accurati, più veloci e meno costosi per immagine.

mAP50Costo per 1.000 immaginiTempo mediano per immagine
GPT-6.1 Sol0.514$10.3010.5 s
GPT-6.2 Sol0.551$8.103.4 s
GPT-6 Astra0.525$49.3111.6 s
GPT-6.2 Astra0.546$31.884.3 s

GPT-6.2 Sol supera GPT-6.1 Sol su 23 dataset e perde su 12, ed è circa tre volte più veloce. Il costo per immagine inferiore del 21% non comporta variazioni nei prezzi dei token. GPT-6.2 Astra supera GPT-6 Astra su 24 dataset e perde su 11, con un costo per immagine inferiore del 35% e prezzi dei token più bassi: OpenAI indica GPT-6 Astra a $10 e $50 per milione di token.

Grafico a dispersione della mAP50 su UL37 rispetto al costo del fornitore ogni 1.000 immagini per i modelli OpenAI, con frecce che mostrano il passaggio da GPT-6.1 Sol a GPT-6.2 Sol e da GPT-6 Astra a GPT-6.2 Astra verso l'alto e a sinistra

Le frecce confrontano ciascun modello GPT-6.2 con quello che sostituisce in Ultralytics Platform.

L'eccezione sono le schede elettroniche. Sui difetti delle schede nude di DeepPCB, entrambi i modelli GPT-6.2 ottengono 0.000, mentre GPT-6.1 Sol aveva ottenuto 0.393. Sui difetti superficiali di DsPCBSD+, Sol scende da 0.392 a 0.164 e Astra ottiene 0.216. Anche i raggi X di sicurezza danno risultati scarsi: entrambi ottengono 0.05 su IEDXray, mentre Gemini 4 Argon raggiunge 0.30. Se i tuoi dati riguardano il controllo delle PCB o i controlli di sicurezza, prova altri modelli su un campione prima di impegnarti.

GPT-6.1 Terra è ancora il miglior annotatore di OpenAI su UL37#

Nessuno dei due nuovi modelli supera GPT-6.1 Terra, che resta al secondo posto in classifica con 0.560 mAP50 al costo di $4.36 ogni 1.000 immagini. Terra e GPT-6.2 Sol vincono ciascuno su 17 dataset, con due pareggi, quindi il divario è ridotto. Terra è più preciso, con 0.646 contro 0.623, e costa circa la metà. Sol individua più oggetti e risponde più velocemente: 3.4 secondi contro 5.1.

In testa alla classifica, Gemini 4 Carbon resta al primo posto con 0.584 mAP50 al costo di $12.93 ogni 1.000 immagini. I nostri risultati su GPT-6.1 Terra e Gemini 4 Carbon analizzano questi modelli nel dettaglio.

Quanto costa un batch di annotazione con GPT-6.2#

Il costo del fornitore è calcolato in base all'utilizzo di token dichiarato da OpenAI e ai prezzi di listino; le tue immagini potrebbero usare più o meno token. Batch Annotation aggiunge una commissione di elaborazione Platform di $1.00 ogni 1.000 immagini, con un minimo di $0.01 per esecuzione.

Per 1.000 immaginiGPT-6.2 SolGPT-6.2 Astra
Costi di OpenAI$8.10$31.88
Elaborazione di Ultralytics Platform$1.00$1.00
Totale$9.10$32.88

Paghi direttamente OpenAI usando la tua chiave API, anche per le predizioni di prova che esegui per prime, e Ultralytics non applica alcun ricarico ai token. Per un dataset di 10.000 immagini, il costo è circa $91 con Sol e $329 con Astra.

Come eseguire l'annotazione automatica con GPT-6.2 Sol o Astra in Ultralytics Platform#

GPT-6.2 Sol e Astra sono modelli guidati da prompt sulle classi, per dataset di rilevamento con da 1 a 200 classi. Restituiscono riquadri di delimitazione con i nomi delle classi del tuo dataset, che puoi controllare prima di salvarli.

  1. Crea una chiave nella pagina delle chiavi API di OpenAI.
  2. Chiedi al proprietario dello spazio di lavoro di aggiungere la chiave in Impostazioni > Chiavi API nello spazio di lavoro Platform che contiene il tuo dataset. La documentazione sulle chiavi del fornitore spiega i dettagli.
  3. Nell'editor di annotazione, passa alla modalità Smart e seleziona GPT-6.2 Sol o GPT-6.2 Astra nella sezione OpenAI del selettore dei modelli.
  4. Fai clic su Predici o su P su alcune immagini rappresentative dei tuoi dati, quindi confronta i due modelli sulle stesse immagini.
  5. Quando sei soddisfatto, apri la pagina del dataset e scegli Altre azioni > Annotazione batch per etichettare tutte le immagini non etichettate. Batch Annotation funziona con i dataset ospitati su Platform con un massimo di tre canali immagine; prima, Platform salva una versione del dataset, così puoi ripristinarla.
  6. Controlla i riquadri, salvali e addestra un modello Ultralytics YOLO26 sul risultato nello stesso spazio di lavoro.

La documentazione sull'annotazione illustra nel dettaglio la modalità Smart e Batch Annotation, mentre la nostra guida a come scegliere un VLM in base a precisione e richiamo ti aiuta ad abbinare un modello al tuo flusso di revisione.

GPT-6.2 Sol, GPT-6.2 Astra o GPT-6.1 Terra: quale scegliere#

Se ti serve…Inizia con
Un annotatore OpenAI generalista al costo più bassoGPT-6.1 Terra: il punteggio UL37 più alto dei tre, a circa metà del prezzo di Sol
Velocità o il maggior numero di oggetti individuatiGPT-6.2 Sol: 3.4 s per immagine e il richiamo più alto in classifica
Immagini mediche, stradali o agricoleGPT-6.2 Sol, poi verifica Terra sui dati medici
Immagini aeree, di casse al dettaglio, documenti o DPIGPT-6.2 Astra, se il vantaggio di accuratezza sui tuoi dati giustifica un costo circa quattro volte superiore a quello di Sol
Difetti delle PCB o raggi X di sicurezzaProva prima altri modelli: entrambi i modelli GPT-6.2 ottengono risultati scarsi in questo ambito su UL37

Per la maggior parte dei lavori di etichettatura, GPT-6.2 Sol è l'acquisto migliore tra i due nuovi modelli: ottiene un punteggio UL37 simile a quello di Astra a circa un quarto del costo. Scegli Astra se un test sulle tue immagini mostra che è più efficace nel tuo ambito.

Domande frequenti

  • Nel nostro benchmark UL37 ottengono risultati simili: GPT-6.2 Sol raggiunge 0.551 mAP50 e GPT-6.2 Astra 0.546, e Astra vince su qualche dataset in più, 17 contro 15. La differenza più evidente è il costo: Sol costa $8.10 ogni 1.000 immagini nei costi di OpenAI, contro i $31.88 di Astra. Sol è in testa sulle immagini mediche, stradali e naturalistiche; Astra sulle immagini aeree, della vendita al dettaglio, dei documenti e delle persone.

  • Sì. Entrambi i modelli GPT-6.2 sono tra i primi cinque di 50 modelli nella classifica VLM di Ultralytics e non hanno richieste non riuscite. GPT-6.2 Sol ha il richiamo più alto in classifica, pari a 0.643. Entrambi sono poco efficaci sui difetti delle schede elettroniche e sui raggi X di sicurezza.

  • Circa $8.10 con GPT-6.2 Sol e $31.88 con GPT-6.2 Astra nei costi di OpenAI, in base all'utilizzo di token dichiarato e ai prezzi di listino. Ultralytics Platform aggiunge una commissione Batch Annotation di $1.00 ogni 1.000 immagini, per un totale di circa $9.10 e $32.88.

  • Su UL37, sì, anche se di poco. GPT-6.1 Terra ottiene 0.560 mAP50 al costo di $4.36 ogni 1.000 immagini, superando in media entrambi i modelli GPT-6.2 e costando meno. GPT-6.2 Sol pareggia con Terra per numero di dataset vinti, 17 ciascuno, ed è più veloce e individua più oggetti.

  • Sì, in media. GPT-6.2 Sol supera GPT-6.1 Sol in 23 dei 36 dataset, con una velocità circa tripla e un costo per immagine inferiore del 21%. GPT-6.2 Astra supera GPT-6 Astra su 24 dataset e costa il 35% in meno. Entrambi i modelli precedenti hanno ottenuto risultati migliori sui difetti delle schede elettroniche.

  • Aggiungi la tua chiave API OpenAI in Impostazioni > Chiavi API, quindi seleziona GPT-6.2 Sol o GPT-6.2 Astra nella modalità Smart dell'editor di annotazione. Prova alcune immagini, poi usa Batch Annotation per etichettare l'intero dataset, controlla i riquadri e addestra un modello Ultralytics YOLO26 nello stesso spazio di lavoro.

Scritto da

Glenn Jocher
Glenn Jocher

Fondatore e CEO · Ultralytics

Glenn Jocher è il fondatore e CEO di Ultralytics, dove guida lo sviluppo di Ultralytics YOLO, i modelli di computer vision più adottati al mondo. Il suo lavoro non consiste solo nel creare modelli più veloci e accurati, ma anche nel dare a persone di tutto il mondo gli strumenti per risolvere problemi importanti con l'IA per la computer vision.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.

Esplora le soluzioni

La visione artificiale nello sport

La visione artificiale nello sport

Scopri come Ultralytics YOLO alimenta la computer vision nello sport con il tracciamento di giocatori e palloni, l'analisi delle prestazioni, gli approfondimenti per gli allenatori e la riabilitazione degli atleti.
Scopri di più
Computer vision per immagini aeree

Computer vision per immagini aeree

Trasforma immagini aeree e riprese da drone in informazioni utili in tempo reale per agricoltura, acquacoltura, conservazione e analisi geospaziale con Ultralytics YOLO.
Scopri di più
Computer vision nel settore aerospaziale

Computer vision nel settore aerospaziale

Applica la visione artificiale nel settore aerospaziale con Ultralytics YOLO per l'ispezione degli aeromobili, il rilevamento di FOD sulle piste, le operazioni di terra aeroportuali e il rilevamento di difetti nei materiali compositi.
Scopri di più
Visione artificiale nella sicurezza

Visione artificiale nella sicurezza

Proteggi ogni sito con i modelli Ultralytics YOLO. L'IA visiva alimenta il monitoraggio perimetrale, il rilevamento delle minacce, il riconoscimento delle targhe e la sicurezza sul lavoro.
Scopri di più
Visione artificiale nella robotica

Visione artificiale nella robotica

Dai più potenza alle macchine intelligenti con i modelli Ultralytics YOLO. Nell'ambito della robotica, l'IA visiva alimenta la navigazione autonoma, la percezione, il tracciamento degli oggetti e il controllo in tempo reale.
Scopri di più
Visione artificiale nella logistica

Visione artificiale nella logistica

Semplifica la logistica con i modelli Ultralytics YOLO. L'IA per la visione consente l'ispezione dei pacchi, la selezione, il tracciamento dei veicoli e il monitoraggio della sicurezza nei magazzini in tempo reale.
Scopri di più
Visione artificiale nel commercio al dettaglio

Visione artificiale nel commercio al dettaglio

Ripensa il commercio al dettaglio con i modelli Ultralytics YOLO. L'IA per la visione consente di tracciare le scorte, monitorare gli scaffali, gestire le code e ottenere informazioni più approfondite sui clienti.
Scopri di più
Visione artificiale in ambito sanitario

Visione artificiale in ambito sanitario

Crea soluzioni sanitarie con i modelli Ultralytics YOLO. In ambito sanitario, l'IA per la visione consente di elaborare più rapidamente le immagini mediche, migliorare la diagnostica e monitorare i pazienti.
Scopri di più
Computer vision nella produzione

Computer vision nella produzione

Ottimizza la produzione con i modelli Ultralytics YOLO. La visione basata sull'IA migliora il controllo qualità, il rilevamento dei difetti, la conformità ai requisiti sui DPI e l'automazione delle linee di assemblaggio.
Scopri di più
Computer vision nel settore automobilistico

Computer vision nel settore automobilistico

Applica la computer vision al settore automobilistico con i modelli Ultralytics YOLO. La visione basata sull'IA migliora la sicurezza stradale, i sistemi di assistenza alla guida e l'automazione dei veicoli, per strade più intelligenti.
Scopri di più
Visione artificiale in agricoltura

Visione artificiale in agricoltura

Porta l'IA visiva nell'agricoltura intelligente con i modelli Ultralytics YOLO. Gestisci il monitoraggio delle colture, il tracciamento del bestiame e l'agricoltura di precisione per ottenere raccolti più abbondanti e intelligenti.
Scopri di più

Costruiamo insieme il futuro dell'IA!

Inizia il tuo percorso verso il futuro del machine learning