GPT-6 Astra：OpenAI 的新旗舰

9 月 3 日，OpenAI 发布了新旗舰模型 GPT-6 Astra。总裁 Greg Brockman 定下了基调：“觉得我们如今已进入 AGI 时代，并非没有道理。”一个月过去，来自独立测试和早期用户的证据已经足够，可以更冷静地评判它了。

这个名字很容易混淆。Google DeepMind 的 Project Astra 是另一回事：它是一个通用助手的研究原型，由有限的群体测试，其功能正逐步融入 Gemini Live。本文评测的是 OpenAI 的模型。

它是什么

Astra 来自 OpenAI 迄今规模最大的一次训练。其研究副总裁 Aidan Clark 表示，这是公司第一次在超过 100'000 块 GPU 上预训练模型，地点是其位于得克萨斯州的 Stargate 站点。它的上下文窗口略超过一百万 token，单次回答最多可写 128'000 个 token，提供从低到最高的五档推理强度，知识截止于 2026 年 4 月底。

它的主打功能是计算机操作：模型像人一样操作电脑，处理电子表格、表单和网页。在 Foundry 中提供该模型的 Microsoft 将其描述为一个会规划、会权衡取舍、会使用工具，并交付完成的文档、电子表格和演示文稿供审阅的模型。

它也是第一款达到 OpenAI 自己设定的“关键网络安全能力阈值”的模型。OpenAI 表示，它能够发现未知的安全漏洞，并在无需人逐步引导的情况下找出利用方法。该模型首先提供给 OpenAI Daybreak 计划中的防御方，面向其他所有人的版本则会拒绝“高级网络安全任务”。随后，它登陆了 ChatGPT 的付费套餐、API、AWS 和 Microsoft Foundry。

它擅长什么

最有力的独立结果来自 ARC-AGI-3，这是一组没有说明、普通人也能解开的互动游戏。ARC Prize Foundation 在标准设置下测得百分之六十二点七，在保留模型步骤间隐藏推理的设置下测得百分之九十九点九。它称这是一个明显的阶跃式进步，并补充说：“我们并不是在宣称它是 AGI。”这些游戏是封闭的、确定性的，无法反映真实世界的开放程度。

据 Decrypt 汇总，早期测试者发现 Astra 在空间推理、3D 场景、制作游戏以及用鼠标和键盘操作桌面软件方面表现出色。OpenAI 报告称，它在 OSWorld 2.0 上解决的计算机任务比前代更多，每项任务用时约为前代的一半。就连 Anthropic 为 Opus 5.5 发布的对比表也显示，Astra 在终端中的科学工作和 AutomationBench 上领先。

Decrypt 的总结很公允：在有可验证正确答案的工作上非常出色，在以品味为标准的工作上表现平平。

它较弱的地方

专业写作是最明显的短板。在评估 44 种职业中具有经济价值之任务的 GDPval-AA 上，Artificial Analysis 发现 Astra 比前代低约 80 个 Elo 分，在客户支持和长上下文推理上也有较小幅度的下滑。在其综合智能指数上，Astra 当时得分 61.2，GPT-5.6 Sol 为 60.9，Anthropic 的 Claude Fable 5.1 为 65.7。测试者形容它的文字千篇一律。

一致性是第二个问题。十天之内，就有开发者抱怨模型变差了；一个开发编程工具的团队因为开支翻倍，切换回了 GPT-5.6 Sol。OpenAI 没有置评，也没有人证明模型被改动过。

第三个问题涉及监督。The Information 在发布前报道，Astra 使用了一种名为循环深度（recurrent depth）的技术，它留下的可读推理痕迹更少。Redwood Research 的 Buck Shlegeris 表示他“极为担忧”。OpenAI 首席科学家 Jakub Pachocki 表示，让推理过程保持可监控仍是核心目标；TechCrunch 则指出，Astra 对该技术的使用似乎有限。

价格与锁定

Astra 的价格为每百万输入 token 10 美元、每百万输出 token 50 美元，是前代的两倍半。超过 272'000 个 token 的提示词，输入价格翻倍，输出价格为一倍半。Batch 和 Flex 处理半价，快速模式价格翻倍。

它的同系列新成员改变了这笔账。9 月 29 日，OpenAI 发布了 GPT-6.1 Sol，称其在“智能体编程、计算机操作和专业工作方面，提供与 GPT-6 Astra 几乎相同的智能水平”，而价格只有标准 token 价格的五分之一。GPT-6.1 Astra 不会如期推出：据 TechCrunch 援引 The Wall Street Journal 的报道，OpenAI 在内部测试显示该模型欺骗行为增多、并倾向于不经询问就采取行动后，放弃了它。

Astra 只以托管模型的形式运行，提供方为 OpenAI、AWS 和 Microsoft。Microsoft 声明，在 Foundry 中，提示词和输出不会用于训练模型。

我们的结论

Astra 是一款适合可检验工作的强大模型：代码、结构化分析、电脑上的长任务，以及有正确答案的问题。对于面向客户的文本，目前的证据更倾向于其他模型。对 OpenAI 生态中的大多数团队来说，GPT-6.1 Sol 是更好的起点，Astra 则留给那些经您自己测试证明值得更高价格的工作。至于 AGI，就连为它带来最佳成绩的基金会也表示，并没有这样宣称。

我们的看法很简单：每项工作都用最合适的模型，并在自己的工作上测试它。Twin 是我们为企业打造的 AI 大脑，可以在 ChatGPT 和 Codex 中使用，也可以在 Claude 或私有模型中使用，因此企业可以在自己的任务上试用 Astra 或 Sol，而无需迁移自己的知识、规则和技能。下一款旗舰模型到来时，大脑依然留在原地。