Лицензия YOLO
Платформа Ultralytics

GPT-6.2 Sol или Astra для автоматической разметки: близкие результаты, разные сильные стороны

GPT-6.2 Sol и Astra набирают 0.551 и 0.546 mAP50 на 36 наборах данных для детекции, но Sol стоит $8.10 за 1 000 изображений против $31.88 у Astra. Вот какую модель выбрать.

Гленн ДжокерGlenn Jocher12 мин. чтения
Иллюстрация к запуску GPT-6.2 Astra и Sol от OpenAI на фоне звёздного неба; результаты детекции объектов Ultralytics UL37: Astra — 0.546, Sol — 0.551 mAP50

OpenAI выпустила GPT-6.2 Astra и GPT-6.2 Sol 17 ноября 2026 года, назвав Astra своей самой мощной моделью, а Sol — основной моделью для повседневной работы. Мы попросили обе модели нарисовать ограничивающие рамки, и точность оказалась примерно одинаковой. А вот цены — нет.

В день запуска мы проверили обе модели на UL37 — нашем бенчмарке детекции на 36 наборах данных (бенчмарке). GPT-6.2 Sol набрала 0.551 mAP50, а GPT-6.2 Astra — 0.546: четвёртое и пятое места среди 50 моделей в нашей таблице лидеров VLM. Sol справилась за $8.10 на 1 000 изображений. Astra обошлась в $31.88 — почти в четыре раза дороже.

Теперь обе модели доступны как варианты OpenAI Sol и Astra для автоматической разметки в Ultralytics Platform, где они заменили GPT-6.1 Sol и GPT-6 Astra. Ниже рассказываем, как они соотносятся, в чём сильна каждая, сколько стоит разметка пакета и в каких случаях GPT-6.1 Terra от OpenAI всё ещё лучше.

Результаты GPT-6.2 Sol и Astra на UL37 различаются примерно на 0.005#

UL37 показывает, насколько рамки модели совпадают с разметкой людей на 360 изображениях: по 10 из каждого из 36 реальных наборов данных для детекции объектов — от медицинских снимков и аэрофотосъёмки до полок магазинов, спорта, документов и печатных плат. Каждое изображение проходит один и тот же производственный процесс, который доступен пользователям Platform: используются названия классов из самого набора данных, а SAM 3.1 уточняет каждую рамку. Поэтому результаты отражают точность этого процесса, а не исходные результаты модели. Методология открыта.

GPT-6.2 SolGPT-6.2 AstraGPT-6.1 Terra
Место в рейтинге#4 из 50#5 из 50#2 из 50
mAP500.5510.5460.560
mAP50-950.3460.3450.345
Точность0.6230.6260.646
Полнота0.6430.6250.613
Стоимость провайдера на 1 000 изображений$8.10$31.88$4.36
Медианное время на изображение3.4 s4.3 s5.1 s
Неудачные запросы0%0%0%

Результаты UL37 из таблицы лидеров VLM Ultralytics, обновлены 17 ноября 2026 года.

В этом тесте точность моделей близка. Их результаты mAP50-95, учитывающие точность рамок, различаются на 0.001, а точность — на 0.003. Sol находит немного больше размеченных объектов: её полнота 0.643 — самая высокая среди всех 50 моделей в таблице лидеров, чуть выше, чем 0.642 у Gemini 4 Carbon. Кроме того, Sol быстрее всех среди семи лидеров: 3.4 секунды на изображение.

Столбчатая диаграмма mAP50 на UL37 для восьми самых точных моделей автоматической разметки: GPT-6.2 Sol набирает 0.551 и стоит $8.10 за 1 000 изображений, а GPT-6.2 Astra набирает 0.546 и стоит $31.88

Восемь моделей с наивысшими результатами на UL37 и стоимость провайдера за 1 000 изображений.

Для чего OpenAI создала GPT-6.2#

OpenAI предназначает эти две модели для разных задач. В журнале изменений компания рекомендует GPT-6.2 Astra «для сложных задач, требующих рассуждений и написания кода», а GPT-6.2 Sol — «для повседневного программирования и агентных сценариев». Обе модели принимают текст и изображения, возвращают текст и доступны через Responses API и Chat Completions.

Цены соответствуют этому разделению. Согласно страницам моделей OpenAI, GPT-6.2 Sol стоит $2 за миллион входных токенов и $10 за миллион выходных, а GPT-6.2 Astra — $8 и $40 соответственно. Токены Astra стоят ровно в четыре раза дороже токенов Sol.

Обе модели универсальные, а не специализированные детекторы, поэтому мы измерили их качество в этой задаче. Platform вызывает обе модели с установленным в OpenAI уровнем усилий при рассуждении по умолчанию и передаёт каждой модели OpenAI один и тот же запрос на определение рамок.

Astra выигрывает на большем числе наборов данных, но среднее определяет один набор УЗИ#

Преимущество Sol по среднему результату не означает, что она выигрывает чаще. В прямом сравнении на 36 наборах данных Astra показывает более высокий результат на 17, Sol — на 15, ещё на четырёх результаты равны.

Разницу объясняет один набор данных. На наборе УЗИ щитовидной железы TN5000, где каждой рамке также присваивается метка «доброкачественная» или «злокачественная», Sol набирает 0.995 против 0.769 у Astra. Этот результат повышает среднее Sol примерно на 0.006. Если исключить TN5000, средние результаты составят 0.539 у Sol и 0.540 у Astra.

На этом бенчмарке точность моделей настолько близка, что явные различия касаются специализации и стоимости.

В чём GPT-6.2 Sol и Astra сильнее друг друга#

По средним результатам в отдельных областях Astra лидирует в семи из 12 областей UL37, а Sol — в четырёх; на рентгеновских снимках для досмотра результаты равны.

Точечная диаграмма средней mAP50 на UL37 по областям для GPT-6.2 Sol и GPT-6.2 Astra: Sol лидирует на снимках дорог, подводных объектов, в медицине и природе; Astra — на аэрофотоснимках, документах, в розничной торговле, при детекции людей, на тепловизионных снимках, в спорте и на печатных платах

В каждой области от одного до восьми наборов данных, по 10 изображений в каждом.

GPT-6.2 Sol лучше справляется с медицинскими изображениями, снимками дорог и природы. Средний результат на восьми медицинских наборах данных — 0.466 против 0.411 у Astra; на него повлияли результаты TN5000 и Kvasir-SEG с полипами толстой кишки: 0.805 против 0.707. На пшенице в GWHD Sol набирает 0.684 против 0.537 у Astra, а на дорожной разметке в CeyMo — 0.843 против 0.705.

GPT-6.2 Astra лучше справляется с аэрофотоснимками, изображениями товаров в магазинах, документами и людьми. Средний результат на пяти наборах аэрофотоснимков — 0.550 против 0.506 у Sol; этому помогла детекция кораблей на радиолокационных снимках SSDD: 0.880 против 0.749. На товарах у кассы в наборе RPC Astra набирает 0.978 против 0.823 у Sol; она также лидирует в детекции СИЗ, мусора и баскетбола.

Набор данныхОбластьGPT-6.2 SolGPT-6.2 Astra
УЗИ щитовидной железы TN5000Медицина0.9950.769
Колосья пшеницы GWHDПрирода / сельское хозяйство0.6840.537
Дорожная разметка CeyMoДороги / дорожное движение0.8430.705
SoccerDBСпорт0.7480.631
Товары у кассы RPCРозничная торговля0.8230.978
Баскетбольный мяч и кольцоСпорт0.7260.872
Болезни растений PlantDocПрирода / сельское хозяйство0.3020.447
Корабли на SAR-снимках SSDDАэрофотосъемка / дистанционное зондирование0.7490.880

Четыре наибольших разрыва в каждом направлении, mAP50 на UL37.

На каждый набор данных приходится 10 изображений, поэтому отдельный результат — это повод провести тест, а не окончательный вердикт. Прежде чем размечать большой набор данных, открой страницы моделей GPT-6.2 Sol и GPT-6.2 Astra: на них показаны сохранённые рамки каждой модели для всех наборов данных бенчмарка рядом с эталонной разметкой.

Заметный шаг вперёд по сравнению с GPT-6.1 Sol и GPT-6 Astra — за исключением печатных плат#

По сравнению с моделями, которые они заменяют в Platform, обе модели точнее, быстрее и дешевле в расчёте на изображение.

mAP50Стоимость на 1 000 изображенийМедианное время на изображение
GPT-6.1 Sol0.514$10.3010.5 s
GPT-6.2 Sol0.551$8.103.4 с
GPT-6 Astra0.525$49.3111.6 s
GPT-6.2 Astra0.546$31.884.3 с

GPT-6.2 Sol превосходит GPT-6.1 Sol на 23 наборах данных и уступает на 12, а работает примерно втрое быстрее. Стоимость обработки одного изображения ниже на 21%, хотя цены за токены не изменились. GPT-6.2 Astra превосходит GPT-6 Astra на 24 наборах данных и уступает на 11; стоимость обработки одного изображения ниже на 35%, а цены за токены тоже снизились: OpenAI указывает для GPT-6 Astra цену $10 и $50 за миллион токенов.

Точечная диаграмма mAP50 на UL37 в сравнении со стоимостью провайдера за 1 000 изображений для моделей OpenAI; стрелки показывают переход от GPT-6.1 Sol к GPT-6.2 Sol и от GPT-6 Astra к GPT-6.2 Astra — вверх и влево

Стрелки показывают сравнение каждой модели GPT-6.2 с моделью, которую она заменяет в Ultralytics Platform.

Исключение — печатные платы. На дефектах голых плат в DeepPCB обе модели GPT-6.2 набирают 0.000, тогда как GPT-6.1 Sol набирала 0.393. На поверхностных дефектах в DsPCBSD+ результат Sol падает с 0.392 до 0.164, а Astra набирает 0.216. Рентгеновские снимки для досмотра тоже даются моделям плохо: обе набирают 0.05 на IEDXray, тогда как Gemini 4 Argon достигает 0.30. Если ты проверяешь печатные платы или проводишь досмотр по снимкам, сначала протестируй другие модели на выборке.

GPT-6.1 Terra по-прежнему лучшая модель OpenAI для разметки на UL37#

Ни одна из новых моделей не обходит GPT-6.1 Terra: она остаётся второй в таблице лидеров с результатом 0.560 mAP50 и стоимостью $4.36 за 1 000 изображений. Terra и GPT-6.2 Sol выигрывают по 17 наборов данных, ещё на двух результаты равны, поэтому разрыв невелик. Точность Terra выше — 0.646 против 0.623, а цена примерно вдвое ниже. Sol находит больше объектов и отвечает быстрее: 3.4 секунды против 5.1.

На первом месте по-прежнему Gemini 4 Carbon: 0.584 mAP50 при цене $12.93 за 1 000 изображений. Подробные результаты этих моделей смотри в материалах о GPT-6.1 Terra и Gemini 4 Carbon.

Сколько стоит пакет разметки GPT-6.2#

Стоимость провайдера рассчитана по данным об использовании токенов, опубликованным OpenAI, и стандартным тарифам; для твоих изображений число токенов может быть больше или меньше. За обработку в Batch Annotation Platform взимает $1.00 за 1 000 изображений, минимум — $0.01 за один запуск.

За 1 000 изображенийGPT-6.2 SolGPT-6.2 Astra
Плата OpenAI$8.10$31.88
Плата за обработку в Ultralytics Platform$1.00$1.00
Итого$9.10$32.88

Ты платишь OpenAI напрямую со своего API-ключа, в том числе за пробные предсказания, которые запускаешь заранее; Ultralytics не добавляет наценку на токены. Разметка набора из 10 000 изображений обойдётся примерно в $91 с Sol и $329 с Astra.

Как запустить автоматическую разметку с GPT-6.2 Sol или Astra в Ultralytics Platform#

GPT-6.2 Sol и Astra — модели с подсказками по классам для наборов данных детекции с 1–200 классами. Они возвращают ограничивающие рамки с названиями классов из твоего набора данных; перед сохранением ты проверяешь разметку.

  1. Создай ключ на странице ключей API OpenAI.
  2. Попроси владельца рабочего пространства добавить ключ в разделе Settings > API Keys рабочего пространства Platform, в котором хранится твой набор данных. Подробности есть в документации по ключам провайдеров.
  3. В редакторе разметки включи режим Smart и выбери GPT-6.2 Sol или GPT-6.2 Astra в разделе OpenAI списка моделей.
  4. Нажми Predict или P на нескольких изображениях, представляющих твои данные, и сравни две модели на одних и тех же изображениях.
  5. Когда результат тебя устроит, открой страницу набора данных и выбери More actions > Batch Annotation, чтобы разметить все изображения без меток. Batch Annotation работает с наборами данных, размещёнными на Platform, если в них не больше трёх каналов изображения. Перед началом Platform сохраняет версию набора данных, поэтому ты сможешь откатить изменения.
  6. Проверь рамки, сохрани их и обучи модель Ultralytics YOLO26 на полученном наборе в том же рабочем пространстве.

В документации по разметке подробно описаны режим Smart и Batch Annotation, а наше руководство по выбору VLM с учётом точности и полноты поможет подобрать модель для твоего процесса проверки разметки.

GPT-6.2 Sol, GPT-6.2 Astra или GPT-6.1 Terra: какую модель выбрать#

Если тебе нужны…Начни с
Универсальная модель OpenAI для разметки по минимальной ценеGPT-6.1 Terra: лучший результат UL37 из трёх моделей, примерно вдвое дешевле Sol
Скорость или максимальное число найденных объектовGPT-6.2 Sol: 3.4 с на изображение и самая высокая полнота в таблице лидеров
Медицинские изображения, снимки дорог или сельскохозяйственные изображенияGPT-6.2 Sol; для медицинских данных также проверь Terra
Аэрофотоснимки, товары у кассы, документы или изображения СИЗGPT-6.2 Astra, если преимущество в точности на твоих данных оправдывает цену примерно в четыре раза выше, чем у Sol
Дефекты печатных плат или рентгеновские снимки для досмотраСначала проверь другие модели: результаты обеих моделей GPT-6.2 на UL37 здесь низкие

Для большинства задач разметки GPT-6.2 Sol — более выгодный выбор из двух новых моделей: результат на UL37 близок к Astra, а стоимость примерно в четыре раза ниже. Выбирай Astra, если тест на твоих изображениях покажет, что в твоей области она справляется лучше.

Часто задаваемые вопросы

  • На нашем бенчмарке UL37 результаты близки: GPT-6.2 Sol набирает 0.551 mAP50, а GPT-6.2 Astra — 0.546; Astra выигрывает на немного большем числе наборов данных — 17 против 15. Главное различие — в стоимости: плата OpenAI за Sol составляет $8.10 на 1 000 изображений, а за Astra — $31.88. Sol лучше справляется с медицинскими изображениями, снимками дорог и природы, Astra — с аэрофотоснимками, изображениями товаров в магазинах, документами и людьми.

  • Да. Обе модели GPT-6.2 входят в пятёрку лучших из 50 моделей в таблице лидеров VLM Ultralytics; ни один запрос не завершился ошибкой. У GPT-6.2 Sol самая высокая полнота в таблице — 0.643. Обе модели плохо справляются с дефектами печатных плат и рентгеновскими снимками для досмотра.

  • Плата OpenAI составит около $8.10 с GPT-6.2 Sol и $31.88 с GPT-6.2 Astra; расчёт основан на опубликованных данных об использовании токенов и стандартных тарифах. Ultralytics Platform дополнительно взимает $1.00 за Batch Annotation на 1 000 изображений, поэтому общая стоимость составит примерно $9.10 и $32.88.

  • На UL37 — да, хотя и ненамного. GPT-6.1 Terra набирает 0.560 mAP50 при цене $4.36 за 1 000 изображений и превосходит обе модели GPT-6.2 по среднему результату и стоимости. GPT-6.2 Sol выигрывает столько же наборов данных, сколько Terra, — по 17; при этом Sol быстрее и находит больше объектов.

  • Да, в среднем. GPT-6.2 Sol превосходит GPT-6.1 Sol на 23 из 36 наборов данных, работает примерно втрое быстрее и стоит на 21% меньше в расчёте на изображение. GPT-6.2 Astra превосходит GPT-6 Astra на 24 наборах данных и стоит на 35% меньше. Обе предыдущие модели лучше справлялись с дефектами печатных плат.

  • Добавь свой API-ключ OpenAI в разделе Settings > API Keys, а затем выбери GPT-6.2 Sol или GPT-6.2 Astra в режиме Smart редактора разметки. Проверь несколько изображений, затем используй Batch Annotation, чтобы разметить весь набор данных, проверь рамки и обучи модель Ultralytics YOLO26 в том же рабочем пространстве.

Автор

Glenn Jocher
Glenn Jocher

Основатель и генеральный директор · Ultralytics

Гленн Джочер — основатель и генеральный директор Ultralytics, где он руководит разработкой Ultralytics YOLO — самых широко используемых в мире моделей компьютерного зрения. Его работа не ограничивается созданием более быстрых и точных моделей: он стремится помочь людям по всему миру решать важные задачи с помощью ИИ для компьютерного зрения.

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.

Изучи решения

Компьютерное зрение в спорте

Компьютерное зрение в спорте

Узнай, как Ultralytics YOLO обеспечивает компьютерное зрение в спорте: отслеживание игроков и мяча, аналитика результатов, полезные выводы для тренеров и реабилитация спортсменов.
Подробнее
Компьютерное зрение для аэросъёмки

Компьютерное зрение для аэросъёмки

Превращай снимки с дронов и аэрофотоснимки в полезные данные в реальном времени для сельского хозяйства, аквакультуры, охраны природы и геопространственного анализа с Ultralytics YOLO.
Подробнее
Компьютерное зрение в аэрокосмической отрасли

Компьютерное зрение в аэрокосмической отрасли

Применяй компьютерное зрение в аэрокосмической отрасли с Ultralytics YOLO: для осмотра самолётов, обнаружения посторонних предметов на взлётно-посадочных полосах, наземного обслуживания аэропортов и выявления дефектов композитных материалов.
Подробнее
Компьютерное зрение в сфере безопасности

Компьютерное зрение в сфере безопасности

Защити любой объект с помощью моделей Ultralytics YOLO. ИИ на базе компьютерного зрения обеспечивает мониторинг периметра, обнаружение угроз, распознавание номерных знаков и безопасность на рабочем месте.
Подробнее
Компьютерное зрение в робототехнике

Компьютерное зрение в робототехнике

Создавай более интеллектуальные машины с моделями Ultralytics YOLO. ИИ на базе компьютерного зрения в робототехнике обеспечивает автономную навигацию, восприятие, отслеживание объектов и управление в реальном времени.
Подробнее
Компьютерное зрение в логистике

Компьютерное зрение в логистике

Оптимизируй логистику с моделями Ultralytics YOLO. Визуальный AI обеспечивает проверку посылок, сортировку, отслеживание транспорта и мониторинг безопасности на складе в реальном времени.
Подробнее
Компьютерное зрение в розничной торговле

Компьютерное зрение в розничной торговле

Переосмысли розничную торговлю с моделями Ultralytics YOLO. Визуальный AI обеспечивает отслеживание запасов, мониторинг полок, управление очередями и более глубокое понимание поведения покупателей.
Подробнее
Компьютерное зрение в здравоохранении

Компьютерное зрение в здравоохранении

Создавай решения для здравоохранения с моделями Ultralytics YOLO. Визуальный AI в здравоохранении ускоряет медицинскую визуализацию, улучшает диагностику и мониторинг пациентов.
Подробнее
Компьютерное зрение в производстве

Компьютерное зрение в производстве

Оптимизируй производство с моделями Ultralytics YOLO. Компьютерное зрение на базе ИИ обеспечивает контроль качества, обнаружение дефектов, контроль использования СИЗ и автоматизацию сборочных линий.
Подробнее
Компьютерное зрение в автомобильной отрасли

Компьютерное зрение в автомобильной отрасли

Применяй компьютерное зрение в автомобильной отрасли с моделями Ultralytics YOLO. Компьютерное зрение на базе ИИ повышает безопасность дорожного движения, улучшает помощь водителю и автоматизацию автомобилей, делая дороги умнее.
Подробнее
Компьютерное зрение в сельском хозяйстве

Компьютерное зрение в сельском хозяйстве

Внедряй ИИ для компьютерного зрения в умное сельское хозяйство с моделями Ultralytics YOLO. Используй их для мониторинга посевов, отслеживания скота и точного земледелия, чтобы повысить урожайность и эффективность.
Подробнее

Давай вместе строить будущее ИИ!

Начни свой путь в будущее машинного обучения