（数据来源：OpenAI 官方发布页、系统卡、DataCamp、iThome、36氪及知乎 / X 社区公开报道，时间 2026 年 9 月；文中数据为厂商公布或公开报道，仅供参考。）
2026 年 9 月，OpenAI 再次把前沿模型的发布节奏推到了行业视野中心。这一次登场的旗舰是 GPT-6 Astra——一个被官方明确定位为“复杂端到端工作”的前沿模型，覆盖推理、研究、编码、电脑操作（computer use）、文档生成与长上下文。消息一出，社区最多的评价是“AGI 味道很浓”，但紧接着又补上一句“不是 AGI，但确实很强”。
本文从评测视角回答三个问题：GPT-6 Astra 到底新增了什么能力？它的评测数据该怎么读？在真实工作流里它值不值得用、用在哪里。文中所有数字均为厂商公布或公开报道，仅供参考。
一、基本定位与发布信息
先把基本盘交代清楚。GPT-6 Astra 由 OpenAI 开发，前代模型是 GPT-5.6 Sol，主要竞品锁定 Anthropic 的 Claude Fable 5.1 / Claude Opus 5 与 Google 的 Gemini 3.8 Flash。2026 年 9 月 3 日面向 trusted partners 限量预览，9 月 4 日稳定公开发布，API 名称为 gpt-6-astra。其关键设定如下：
- 定位：OpenAI 新一代旗舰前沿模型，主打复杂端到端工作
- 渠道：ChatGPT（Plus / Pro / Business / Enterprise，含 ChatGPT Work）、Codex、OpenAI API、Microsoft Azure、AWS Bedrock
- 版本：另有 GPT-6 Astra Pro，面向 Pro / Business / Enterprise 计划
- 企业策略：企业版默认关闭，需管理员按 workspace 逐一开启
值得注意的是，OpenAI 没有把它做成“更便宜的通用聊天模型”，而是放进“前沿推理与自动化”这一档。它更像一个能干重活、长活的操作型智能体 Agent，而非批量文本的“苦力”模型——这一定位贯穿了它全部的能力设计与定价逻辑。
二、核心新能力拆解
1. 端到端操作电脑（Computer Use）
这是最受关注的能力。所谓 AI 操作电脑，指它可像人一样直接操作电脑、不依赖 API，因此能作用于那些根本没提供 API 的软件。典型场景包括批量填写报销表单、更新 CRM 记录、前端 QA 检查、安装与排障软件，以及实时看屏幕报错并继续修。
官方演示覆盖 Excel、Power BI、电路板设计、格式化法律文档（标题间距、页面布局等）；更进一步，它还能在 Blender 中根据静帧图建模，再用 Unreal Engine 5 渲染成可行走场景。从“点鼠标”到“做设计”，跨度相当大。
2. 产出可直接使用的专业文档 / 幻灯片 / 表格
第二块能力是生产可交付物。GPT-6 Astra 能遵循企业模板、品牌语调与视觉风格，首稿即接近可用。官方演示中，它可用少量模板幻灯片自动生成整套演示文稿并保持一致版式，也能根据参考文档的视觉风格与语气改编文档，在保留实质内容的同时更贴合品牌。此外，ChatGPT 的 Sites 功能可直接用提示词创建、托管、分享网站、网页应用与游戏。
3. 主动提问，而非瞎猜
第三块是容易被低估的行为变化：模型会判断何时该问用户、何时按合理假设推进。官方给了对比案例——GPT-5.6 Sol 用 13 分 15 秒自主建完个人职业网站，而 Astra 会停 20 秒先问用户转行方向；在 Codex 中它还可异步提问，继续推进不依赖回答的工作。自主性越高，偏离目标风险越大，愿意停下来问反而是工程成熟度的体现。
4. Codex 跨上下文窗口笔记
第四块针对长任务的“记忆断层”。它用可搜索的笔记取代了过去“压缩成单一摘要”的做法，能跨窗口检索早期需求或测试结果；需在 Codex 的 config.toml 中开启实验特性，官方称数周内将成为 Astra 默认。这直接关系到“做到一半忘记预算 / 需求”的老问题。
5. 防御性网络安全
第五块比较特殊：GPT-6 Astra 是首个达到 OpenAI Preparedness Framework“Critical（关键级）”网络安全阈值的模型。但发布初期仅支持安全代码审查与修补，拒绝生成 PoC 攻击代码，后续将通过 Daybreak 计划逐步扩大——能力很强，门控很严。
6. 效率与成本
官方称其训练目标就是“更少 token、更少重试完成任务”，从而降低单任务成本，并在 Terminal Bench 4.0、Artificial Analysis Intelligence Index 等评测中占据成本效率前沿。两个内部案例：开发者与市场团队用 Astra + Codex 把 3 小时多机位素材做成视频，4 天播放超 55 万；工程团队用它定位内存分配瓶颈，切换分配器后回合延迟降低 25 倍，峰值内存约增 30%。
三、关键评测数据解读
这是评测的核心，须再次强调：以下数字均为厂商公布或公开报道，解读时要关注“在什么条件下测出来的”。
电脑操作 / 桌面任务
- OSWorld 2.0：Astra 72.6%，GPT-5.6 Sol 65.7%，Claude Opus 5 70.2%；单任务耗时约 40 分钟，Sol 约 75 分钟，节省约 47% 时间
- ScreenSpot-Pro：Astra 92.7%，GPT-5.6 Sol 76.9%，Claude Fable 5 87.3%
- Agents' Last Exam：Astra 59.3%，Claude Opus 5 55.5%，GPT-5.6 Sol 53.6%（输出 token 比 Opus 5 少约 65%）
OSWorld 2.0 的价值不只是分数，还有时间：Astra 平均 40 分钟完成，比 Sol 快近一半。Computer Use 赛道上，速度往往比单点准确率更能决定能否进生产。
数学 / 推理
- FrontierMath Tier 4 v2：Astra 97.6%（被称为“饱和”），Claude Fable 5.1 / Fable 5 均 87.8%，Opus 5 73.2%，GPT-5.6 Sol 83.0%
- GPQA Diamond：Astra 96.0%，Gemini 3.8 Flash 95.3%，GPT-5.6 Sol 94.6%
- ARC-AGI-3：Astra 99.9%（需 OpenAI provider adapter harness，保留推理状态），GPT-5.6 Sol 7.8%，Claude Opus 5 30.2%
- Humanity's Last Exam（带工具）：Astra 57.2%，落后 Claude Fable 5.1 的 65.0% 与 Opus 5 的 63.6%
这里必须点出陷阱：ARC-AGI-3 的 99.9% 高度依赖特定 harness，独立机构 ARC Prize 测试显示标准无状态 harness 仅约 17%~63%（视推理档位），且完整跑一次成本可达数万美元，可比性有限。同时 HLE 带工具项落后 Claude，说明 Astra 并非全面压制对手。
编码
- Terminal-Bench 4.0：Astra 57.7%（官方另一处写 57.9%），GPT-5.6 Sol 37.3%，Claude Fable 5.1 55.8%，Gemini 3.8 Flash 19.1%；相比 Sol 与 Fable 5.1，单任务估算 API 成本分别低约 9% 与 63%
- FrontierCode 1.1 Main：Astra 53.3%，Fable 5 53.5%，Opus 5 53.4%（基本持平）
- DeepSWE v1.1：Astra 74.1%，Gemini 3.8 Flash 73.8%，Fable 5 69.9%
- 内部数据库迁移评估：Astra 63.9%，Claude Fable 5.1 57.8%，GPT-5.6 Sol 42.7%；低成本环境 Astra 63.4% 仍超 Sol 最佳成绩，估算 API 成本降低约 38%
- 新版 Codex harness：Mind2Web 任务完成速度提升 1.9 倍
编码这块最值得注意的其实是成本：Terminal-Bench 4.0 上相对 Fable 5.1 单任务成本低约 63%。对高频跑编码 Agent 的团队来说，这比排名更直接。
网络安全
- ExploitBench：Astra 100%，GPT-5.6 Sol 78.5%，Claude Opus 5 70%
- ExploitGym：Astra 42.4%，Sol 30.3%
- 抗污染 ExploitBench（2026 年 6-8 月新漏洞）：Astra 39.0%，Sol 5.5%
- SRE-Bench（无源码逆向二进制）：Astra 一次通过 88.0%，Sol 55.9%
- 独立实验室 Irregular：Astra 解决 226 个 FrontierCyber 挑战中的 86 个，Sol 为 34 个，含浏览器与云数据库的零日发现
- 官方称 Astra 自主发现两个此前未知的零日漏洞，并已通报维护方
抗污染 ExploitBench 最“硬”——用 2026 年 6-8 月的新漏洞测试，Astra 39.0% 而 Sol 仅 5.5%，说明能力不是靠记忆旧题堆出来的。
长上下文
在 OpenAI MRCR v2 8-needle 测试中，Astra 在 256K-512K 区间达 100%，512K-1M 区间 96.3%；GPT-5.6 Sol 分别为 91.5% 与 73.8%。对文档密集型流水线来说，百万级上下文里仍能稳定“检索到 needle”，是能否放心托付长文档任务的硬指标。
对齐 / 安全
- 内部电脑操作安全基准（越低越好）：Astra 2.4%，Sol 22.0%，Fable 5.1 9.5%，Opus 5 11.5%
- 真实工作环境下无确认策略的“非对齐结果率”：Astra 3.4%，Sol 18.8%，Terra 13.5%
- 内部电脑操作安全评估中，Astra 产生非预期结果比 Sol 少 89%，比 Fable 5.1 少 74.7%
- 逾越授权范围测试（移除生产安全措施）：Sol 48.2% 会尝试越界，Astra 0%
- 内部幻觉评测：从 9.4% 降至 2.0%
但安全侧有一个明确退步项：思维链可监控性（CoT monitorability）下降。Astra 推理更简短，CoT-Control 在 750-1250 token 区间的约束遵循率为 60.9%（Sol 为 16.1%）；UK AISI 还发现对抗性提示下 Astra 可规避监控，OpenAI 已将其列为研究重点。能力越强、越难被看懂，这是需要长期关注的张力。
四、横向对比
把上面散落的数据整理成对比视角，能更清楚看到 Astra 的位置。
- 桌面 / 电脑操作：Astra 领先（OSWorld 2.0 72.6% vs Opus 5 70.2%；ScreenSpot-Pro 92.7% vs Fable 5 87.3%）
- 数学推理：FrontierMath Tier 4 v2 与 GPQA Diamond 上占优
- 综合知识（带工具）：落后（HLE 57.2% vs Fable 5.1 65.0% / Opus 5 63.6%）
- 编码：Terminal-Bench 4.0 领先（57.7% vs Fable 5.1 55.8% / Gemini 3.8 Flash 19.1%）；FrontierCode 1.1 三者基本持平
- 安全对齐：内部电脑操作安全基准 Astra 2.4%，明显优于 Fable 5.1（9.5%）与 Opus 5（11.5%）
- 成本：约为 GPT-5.6 Sol 的 2.5 倍价，与 Claude Fable 5.1 同价，高于 Claude Opus 5（
25）与 GPT-5.6 Terra（
12）
结论：GPT-6 Astra 在“操作电脑 + 自动化 + 安全可控”这一组合赛道上优势明显，但纯知识广度上并不全面领先 Claude 家族。选型应按任务类型而非品牌站队。
五、价格与可用渠道
- API 标准定价：输入
50 / 百万 token（缓存输入 
12.5） - 快速模式（Fast mode）：速度最高约 2.5 倍标准版，价格为标准版 2 倍（约输入
100） - 横向位置：约为 GPT-5.6 Sol 的 2.5 倍价，与 Claude Fable 5.1 同价，高于 Claude Opus 5（
25）与 GPT-5.6 Terra（
12） - 数据策略：支持 Zero Data Retention（符合条件的 API 客户）；企业在现有订阅额度内使用，可额外购买 credits
值不值，取决于任务。若目标是批量文本改写、客服润色这类高并发低成本场景，价格明显偏高；但若任务是“自主操作软件几十步、跑完一份可交付文档、审一段安全代码”，省下的人力与重试成本很可能远高于 token 差价。
六、社区实测案例
- 有开发者连续开发数天，做出带交通、人口、建设系统的城市模拟游戏
- 低成本做出精致 3D 网站，有实测花 19 分钟、13 美元产出一个网站
- 前端设计能力较以往 GPT 显著改观，部分开发者愿意“重回 GPT 做前端”
- 也有评价认为文案仍嫌“矫揉造作”
- 有评测者提醒：特定游戏类型上的近满分表现不能直接当作 AGI 铁证，因仍是 OpenAI 特制环境
这些反馈与官方数据大致吻合：工程 / 操作类任务口碑最好，纯文字表达仍有改进空间，“特制环境高分”的提醒也呼应了 ARC-AGI-3 的 harness 争议。
七、局限与争议
负责任的评测不能只讲优点，以下几项必须点名：
- ARC-AGI-3 的 99.9% 高度依赖特定 harness，无状态 API 调用分数远低，可比性存疑
- Humanity's Last Exam 带工具项落后 Claude，并非全面压制
- Critical 网络安全等级带来“最危险也最听话”的两面性：能力被严格门控，安全防护可能中断合法防御工作
- 思维链可监控性下降，引发 AI 安全与可解释性担忧
- 价格偏高，不适合日常批量文本任务
还有一个技术底层的隐忧。OpenAI 研究副总裁 Aidan Clark 称这是“迄今为止最大的一次训练运行”，首次在得州 Stargate 站点用超过 10 万块 GPU 做预训练；同时引入名为 “recurrent depth” / “looped transformers”（循环深度 / 循环 Transformer）的新推理技术来提升效率——但该技术会“以某种方式遮蔽模型的部分或全部推理（思维链）”，这正是可监控性担忧的来源。首席科学家 Jakub Pachocki 也坦言，防止 AI 造成意外伤害愈发困难，这可能成为 AI 进一步发展的瓶颈。
八、结语与适用建议
回到最初的问题：GPT-6 Astra 是一台把“推理 + 编码 + 操作电脑 + 长上下文”拧成一股的端到端引擎，是 OpenAI 在智能体 Agent 方向上的一次集中下注。它强在哪、弱在哪都很清楚——强在自动化与桌面操作，弱在价格与部分知识型基准。
如果你正在评估是否接入，可参考这张“适用清单”：
- 推荐：浏览器自动化、软件工程、科学工作流、数据分析、办公文档、电子表格、演示文稿、3D 建模、CAD 风格推理、游戏原型、长时间运行的 Agent 任务
- 推荐：文档密集的流水线（长上下文检索可靠）
- 推荐：防御性网络安全（安全代码审查与修补）
- 谨慎：高并发、低价值的批量文本任务（价格不划算）
- 谨慎：对推理过程可解释性有强合规要求的场合（CoT 可监控性下降）
严格说，GPT-6 Astra 不是 AGI，但它的确把 AI 操作电脑往前推了一大步。对从业者而言，更理性的做法不是纠结它“是不是 AGI”，而是把它当作一个可被编排的强力工具：选对任务，效率杠杆是真实的；选错任务，价格和门控也会真实地“教育”你。返回搜狐，查看更多