OpenAI выкатила сразу два важных релиза для разработчиков: обновлённую линейку моделей GPT 6.2 (Astra и Sol) со снижением цен на API и гигантским контекстом, а также выложила в опенсорс Codex Security — автономный сканер, который ищет уязвимости в коде, проверяет их в тестовой песочнице и сам генерирует готовые патчи. Разбираем оба обновления: бенчмарки, экономику и практическое применение в реальных проектах.

1. GPT 6.2 Astra и Sol: разделение под задачи
OpenAI окончательно отказалась от попыток делать одного универсального монстра на все случаи жизни. Модели стали рассуждать точечно, расходуя до 35–40% меньше токенов на внутренние цепочки мыслей, а сама линейка получила чёткое разделение ролей:
GPT 6.2 Astra — глубокий инжиниринг, UI и 3D
Astra заточена под задачи, где любая ошибка в логике ломает систему. В чём она хороша:
- Сборка UI по скриншотам и макетам: скармливаешь макет из Figma или скриншот сайта — модель выдаёт готовую адаптивную вёрстку (Tailwind, React, чистый CSS) с правильными сетками, отступами и интерактивными состояниями, а не кривую заглушку.
- 3D-графика и пространственная математика: уверенно пишет шейдеры GLSL, собирает сцены на Three.js и справляется с физикой взаимодействия объектов. В тестах на геометрию и робототехнику Astra показала феноменальный результат.
- Рефакторинг запутанных проектов: держит контекст связей между микросервисами, таблицами БД и API, не теряя нити зависимостей в больших монолитах.
- Сложные финансовые и аналитические таблицы: безошибочная обработка сотен колонок данных с многоуровневыми формулами и прогнозированием.
GPT 6.2 Sol — дешёвая рабочая лошадка на каждый день
Sol — это быстрый универсал. Если не требуется сложнейший анализ архитектуры, Sol выдаёт качественный результат в разы быстрее:
- Мгновенный первый токен (TTFT): отвечает в 2.5–3 раза быстрее Astra — идеально для клиентских чат-ботов, голосовых ассистентов и интерактивных интерфейсов.
- Вайб-кодинг без тормозов: скрипты, роуты, парсеры, юнит-тесты и фиксы багов пишутся на лету прямо в редакторе кода.
- Автоматизация бизнес-процессов: идеальная совместимость со сценариями n8n, Make и вебхуками CRM. Квалификация входящих лидов, саммари звонков, классификация тикетов техподдержки.
Цены API, скорость и рекордный контекст
Astra скинула 20% от прежней цены, а Sol стоит в разы дешевле при практически том же качестве базового кода:
| Характеристика API | GPT 6.2 Astra | GPT 6.2 Sol |
|---|---|---|
| Входные токены (Prompt) / 1М | $8.00 (−20%) | $2.00 |
| Выходные токены (Completion) / 1М | $40.00 (−20%) | $10.00 |
| Контекстное окно | 1,05 млн токенов | 1,05 млн токенов |
| Макс. вывод за один запрос | 128 000 токенов | 128 000 токенов |
| Скорость генерации | ~55–70 токенов/сек | ~140–180 токенов/сек |
Лимит генерации в 128 000 токенов за один запрос — важнейшее улучшение. Раньше модели упирались в потолок в 4К или 8К токенов, обрывая длинные файлы посередине (ошибка finish_reason: length). Теперь за один API-вызов можно получить полностью написанную многостраничную документацию, готовый SDK или законченный модуль со всеми тестами.
Пример расчёта бюджета на реальном проекте
Представим сервис автоматизации квалификации лидов с сайта (например, связку WordPress + n8n + Telegram), обрабатывающий 50 000 обращений в месяц со средним контекстом 1500 входных токенов и ответом 400 выходных токенов:
- На GPT 6.2 Astra: (75M input × $8) + (20M output × $40) = $600 + $800 = $1 400 в месяц.
- На GPT 6.2 Sol: (75M input × $2) + (20M output × $10) = $150 + $200 = $350 в месяц.
Экономия составляет $1 050 ежемесячно (в 4 раза дешевле) при абсолютной идентичности результатов для 95% клиентских диалогов.
Что показали бенчмарки
- Artificial Analysis: Astra набрала 62 балла (второе место сразу за Claude Fable 5.2 с 65 баллами). У Sol — солидные 56 баллов.
- Coding Agent Index: в тестах на автономное программирование и поиск багов Astra показала 53 балла, а Sol — 49 баллов. Разрыв всего в 4 балла, при разнице в цене в пять раз.
- Робототехника и пространственная логика (Spatial Reasoning): обе модели вырвались в лидеры индустрии, набрав 79 (Astra) и 78 (Sol) баллов, обойдя Claude Fable (75).
Пример вызова в коде
import OpenAI from "openai";
const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });
// Быстрый агент на Sol для квалификации лидов и генерации кода
const response = await openai.chat.completions.create({
model: "gpt-6.2-sol",
messages: [
{ role: "system", content: "Ты старший фуллстек-инженер. Пиши лаконичный, безопасный код." },
{ role: "user", content: "Создай вебхук-обработчик на Node.js для валидации заявок из формы..." }
],
temperature: 0.2,
max_tokens: 4096
});
console.log(response.choices[0].message.content);
2. Codex Security: автономный поиск уязвимостей и патчи
Вторая часть релиза — опенсорсный инструмент Codex Security. Когда пишешь код на нейросетях в режиме вайб-кодинга, легко пропустить SQL-инъекцию, XSS, кривой парсер или уязвимость в зависимостях. AI быстро собирает работающий прототип, но часто упускает санитайзинг и проверку прав доступа.
Стандартные сканеры кода (вроде SonarQube или GitHub Dependabot) работают по жестким шаблонам и выдают кучу ложных срабатываний (False Positives). Разработчики быстро устают разгребать километры предупреждений о «потенциальных рисках», до которых злоумышленник в реальности никогда не доберётся.
Codex Security меняет подход за счёт многоуровневого агентского цикла:
- Глубокий анализ путей данных (Data Flow & Taint Analysis): сканер строит сквозные маршруты прохождения данных от пользовательского ввода до системных вызовов и базы данных.
- Определение реальной поверхности атаки (Attack Surface): алгоритм приоритизирует действительно опасные точки входа (эндпоинты API, парсеры файлов, SQL-запросы).
- Верификация в тестовой песочнице (Proof-of-Concept): инструмент не верит догадкам на слово, а пробует воспроизвести уязвимость в изолированном окружении (sandbox), отсекая до 90% ложных тревог.
- Автоматическая генерация патчей: если брешь подтверждена, Codex Security выдаёт готовый протестированный диф (diff) для исправления кода.
Как это запускается: CLI и GitHub Actions
Инструмент можно натравить как на весь проект целиком, так и запускать проверку только для новых изменений в репозитории:
# Сканирование репозитория через консоль
codex-sec scan --repo ./my-web-app --severity high --auto-patch
# Пример вывода:
# [✓] Разобрано файлов: 142
# [!] Найдена уязвимость: SQL Injection в auth/login.py:42
# [*] Проверка в тестовой песочнице... ПОДТВЕРЖДЕНО
# [+] Сгенерирован патч: patches/auth-sql-injection-fix.patch
Для автоматизации доступна готовая интеграция с GitHub Actions: при создании Pull Request бот автоматически проверяет затронутые файлы и прямо в комментариях к коду показывает, где проблема, с кнопкой применения готового патча.
Лицензия и важный нюанс
Сам код утилиты, CLI и SDK открыты под свободной лицензией Apache 2.0 на GitHub — можно форкать, изучать и встраивать в свои пайплайны. Однако сам «мозг» — агентные нейросетевые веса и модель глубокого семантического анализа — функционирует как облачный бэкенд Codex Security Service. То есть раннер открытый, а для анализа потребуется токен доступа к API.
Что выбрать на практике: Astra или Sol?
Расклад простой и понятный:
- Для 90% задач берите GPT 6.2 Sol. Он дешёвый, мгновенно отвечает и закрывает всю повседневную рутину: типовые компоненты, скрипты, боты в Telegram, сценарии n8n и вайб-кодинг.
- Astra подключайте точечно: когда нужно с нуля воссоздать сложный интерфейс по картинке, повозиться с Three.js или разгрести запутанную архитектуру.
- В CI/CD пайплайн подключите Codex Security: как автономный щит, чтобы сгенерированный AI код не унёс на прод уязвимости и утечки ключей.
🔗 Анонс моделей: https://openai.com/index/introducing-gpt-6-2-astra-sol/
🐱 GitHub Codex Security: https://github.com/openai/codex-security