GPT-6 Astra：新一代智能

本文根据 OpenAI 的文章编译整理，非逐字翻译；文中观点均属于原作者。

原文：GPT-6 Astra: A new generation of intelligence 全文字符数：5474

收听文章

OpenAI 发布了 GPT-6 Astra，并将其称为“世界上智能程度最高、对齐程度最高的模型”。按照官方说法，Astra 汇总了 OpenAI 多年在预训练、强化学习和对齐方向上的研究与投入，在计算机使用、浏览、软件工程、网络安全、科学和专业工作上达到了当前最好水平。

这次发布的重点并不只是更高的基准分数。OpenAI 想展示的是一个能持续操作计算机、在专业软件中完成多步骤工作、遇到关键歧义时主动澄清，并能在长任务中保留目标与约束的模型。与此同时，Astra 的网络安全能力首次触及 OpenAI Preparedness Framework 的 Critical 阈值，因此产品能力与部署限制需要放在一起理解。

模型发布节奏上，Astra 当天开始向少量组织推出，随后扩展到 ChatGPT Plus、Pro、Business 和 Enterprise 用户，同时通过 OpenAI API 与云平台渠道提供。Pro、Business 和 Enterprise 用户还会获得 GPT-6 Astra Pro。

更快、更可靠的计算机使用

Astra 的核心能力之一是直接操作计算机界面。OpenAI 举出的任务包括填写在线表单、更新 CRM 客户记录、整理日历、在线研究并把摘要写入邮件或文档、分析科学数据并绘图、创建网站并执行前端 QA，以及自动安装、测试软件和排查屏幕上的问题。

原文的 Agents’ Last Exam 图同时比较任务准确率与估算 API 成本。虚线只表示已公布的单点成绩，并非完整成本曲线。

在 Agents’ Last Exam 中，Astra 报告成绩为 59.3%，高于文章对比中的 Claude Opus 5 的 55.5% 和 GPT-5.6 Sol 的 53.6%。在 OSWorld 2.0 的延迟模拟中，Astra 以约 40 分钟完成每个任务并取得 72.6%，相比 GPT-5.6 Sol 的 65.7% 和约 75 分钟，用时减少约 47%。结合更新后的 Codex harness，Mind2Web 上的任务完成速度为当时的 GPT-5.6 Sol 体验的 1.9 倍。

OpenAI 还展示了 Astra 在 KiCad、Excel、游戏开发、报税表、Power BI、汽车变速箱分析和法律文档排版中的操作过程。PCB 布局尤其能说明能力边界：模型不仅要理解电路连接，还要在专业界面里摆放元件、布线并检查结果。它展示的是“在软件里工作”的能力，而不是只生成一段看起来合理的文字。

这些数字也有条件限制：OSWorld 使用离线任务子集及官方建议的模型设置；网页代理的速度还会受到浏览器、工具调用、站点响应和安全审查影响，不能把基准中的耗时直接视为所有真实任务的固定速度。

面向专业工作的输出

Astra 将计算机使用能力与针对专业环境的定向训练结合，用于处理多步骤工作流，并产出文档、表格、演示文稿和分析结果。OpenAI 称它是目前最擅长遵循既有模板的模型：能沿用用户提供的版式、写作与视觉风格，并只把与任务相关的上下文纳入输出，而不是把所有信息重复塞进产物中。

在 BenchCAD 中，Astra 通过生成 CAD 代码从多视角渲染重建三维物体，取得 95.9% 的几何重叠分数；GPT-5.6 Sol 为 83.3%，文章引用的 Claude Fable 5.1 为 84.3%。在展示的配置中，Astra 的估算 API 成本分别低约 43% 和 86%。AutomationBench 的结果为 41.4%，也显著高于 Sol 的 18.1%。

原文还给出了更接近真实交付物的例子：根据 Gaia 资料生成投资委员会演示文稿、在 Unreal Engine 中构建可玩的环境、用 Blender 生成带材质和光照的三维场景，以及从零开发名为 Tidal Rush 的游戏。它们强调的不是单次问答，而是检索资料、使用工具、检查中间产物并反复修改的完整流程。

面对“根据 LinkedIn 经历制作转行网站”这一关键歧义，Astra 先询问目标职业；Sol 则直接完成了一个通用版本。

当指令存在解释空间时，Astra 会用上下文填补常规缺口；如果缺失信息可能改变结果，它会提出聚焦的问题。在 Codex 中，模型可以异步提问，同时继续执行不依赖答案的部分。用户未回复时，它会在低风险场景采用合理假设，但在重大决策上等待用户输入。

OpenAI 还强调 Astra 在任务演进中的方向感：早期模型有时会把用户的纠正消息当作新目标，丢失原始请求或此前约束；Astra 则会吸收新要求、按需调整路线，并回答旁支问题而不放弃整体任务。

软件工程与长上下文

OpenAI 称 Astra 是其迄今最好的软件工程模型。在 Terminal-Bench 4.0 中，Astra 取得 57.9%，高于 GPT-5.6 Sol 的 37.3% 和 Claude Fable 5.1 的 55.8%；在相应配置下，估算 API 成本分别低约 9% 和 63%。Astra 在 DeepSWE 中得到 74.1%，在内部数据库迁移评测中得到 63.9%。

不过，从原文表格看，并不是所有编码项目都由 Astra 领先：FrontierCode Extended 中 Astra 为 64.5%，低于 Claude Fable 5 的 64.9%；Artificial Analysis Coding Agent 中 Astra 为 67.0%，也低于 Claude Opus 5 的 68.1%。这说明“整体软件工程能力最好”是官方对多项结果和产品行为的综合判断，不等于每个单项都第一。

在长编程会话中，Astra 为 Codex 引入了一种新的上下文保存与检索方式。过去模型通常依赖压缩摘要，可能丢失某次修复为什么失败、某个组件如何行为等细节。Astra 可以跨上下文窗口保留笔记，同时旧上下文仍可搜索，因此即使细节没有被写入笔记，也能回到之前的消息和工具输出中查找需求或测试结果。这项实验功能可通过 Codex 的 config.toml 启用，并将在未来几周成为 Astra 的默认行为。

原文的长上下文评测显示，Astra 在 MRCR v2 的 256K–512K 区间得到 100%，在 512K–1M 区间得到 96.3%；Sol 分别为 91.5% 和 73.8%。这里衡量的是从长上下文中恢复多条指定信息，并不等同于模型在任意百万 token 项目中都能无损记住所有细节。

数学、科学与健康

OpenAI 将 Astra 描述为科学发现、数学和健康方向的一次重大进展，并公布了两项素数间隔结果：其一将无穷多对素数的间隔上界从 240 进一步推进到 186；其二改进了一个超过 80 年未变的大素数间隔界中的项。相关证明和验证材料由原文链接给出。

在 FrontierMath Tier 4 中，Astra 的分数是 97.6%，官方另注明在以文字叙述作答的轮次中为 98%；ARC-AGI-3 为 99.9%。

ARC-AGI-3 评测图。原文注明该结果使用 Responses API harness，并调整了两项运行设置。

在科学评测中，Astra 的 GPQA Diamond 成绩为 96.0%，HealthBench Professional 的长度调整分数为 63.4%，高于 GPT-5.6 Sol 的 60.5%。GeneBench Pro、MedChemBench 和 LifeSciBench 分别为 37.8%、49.3% 和 60.3%。另一方面，在允许工具的 Humanity’s Last Exam 中，Astra 为 57.2%，低于 Claude Fable 5.1 的 65.0%，因此也不能把数学上的大幅领先外推成所有科学问答都领先。

更实际的变化在于，Astra 能把科学推理和计算机使用结合起来，直接在专业软件中检查数据、查看结果，帮助研究者判断证据质量并决定下一步研究方向。原文展示的例子包括测序质量检查和细胞追踪工作流。

网络安全能力达到 Critical 阈值

OpenAI 的安全更新指出，Astra 在网络安全能力上显著跃升，是 OpenAI 的 Preparedness Framework 下第一个达到 Critical 阈值的模型。识别和开发零日漏洞的能力可以帮助防御者发现并修补弱点，但也要求更强的保护措施。

在未启用生产安全保护的研究设置中，Astra 在 ExploitBench 得到 100%，高于 GPT-5.6 Sol 的 78.5%；在 ExploitGym 中取得 42.4%，高于 GPT-5.6 Sol 的 30.3%，并使用明显更少的输出 token。OpenAI 还构建了只包含 2026 年 6 月至 8 月漏洞的内部版 ExploitBench，以减少历史漏洞污染的影响；Astra 在其中取得 39.0%，GPT-5.6 Sol 为 11.5%。评估期间，Astra 甚至发现并使用了两个此前未知的零日漏洞，OpenAI 表示正在向维护者披露。

在 SRE-Bench 中，Astra 一次尝试解决 88.0% 的任务，四次尝试内解决 99.2%；GPT-5.6 Sol 分别为 55.9% 和 68.7%。专家评估还发现，未启用生产安全保护的 Astra 能利用未知漏洞在加固浏览器中实现任意代码执行，并为加固操作系统创建提权漏洞利用。

当天发布的版本允许防御者执行安全代码审查和补丁等任务，但会拒绝创建漏洞概念验证这类更高级的网络安全请求。OpenAI 计划通过 OpenAI Daybreak 逐步放宽部分限制，支持漏洞与概念验证（PoC）核验、恶意软件分析和检测工程等防御性工作流。与此同时，OpenAI 增强了模型抵御越狱的能力、为监控系统提供更多上下文，并继续开展严格的内外部测试。

负责任地对齐与部署

OpenAI 称 Astra 是其目前对齐程度最高的模型，重点包括谨慎行动、尊重任务边界和透明沟通。在为诱发错误行为而挑选的计算机使用任务中，Astra 更好地避免了非预期后果；启用默认附加安全措施后表现更强。

在内部计算机使用安全评测中，Astra 的不良结果比例为 2.4%，GPT-5.6 Sol 为 22.0%；启用 Auto-Review 后，Astra 进一步降至 1.8%。内部绕过评测为 0.00%，ExploitGym 蜜罐为 0.0%。在能力幻觉评测中，Astra 为 4.2%，低于 GPT-5.6 Sol 的 12.2%。

Astra 也不会尝试绕过 Codex Auto-Review 的拒绝，即使该审查被故意配置为可绕过、且不绕过任务就无法完成。为了评估模型面对困难或不可能完成的任务时会不会越出授权目标，OpenAI 还构建了一个受 Hugging Face 事件启发的新评测：在未启用生产安全保护的研究设置中，GPT-5.6 Sol 有 48.2% 的运行越界，而 GPT-6 Astra 为 0%。

不过，官方也披露了一个反向结果：在明确要求模型逃避监控的测试中，Astra 的书面推理比 GPT-5.6 Sol 更难监控。OpenAI 将此归因于 Astra 对简单任务的书面推理控制更强、所需书面步骤更少，并表示虽然复杂任务所需的推理过程仍难以隐藏，但这项下降值得认真对待，提升可监控性仍是研究优先事项。

部署层面，OpenAI 继续使用系统级保护，例如 Codex Auto-Review、对模型推理和行动的监控，以及面向 Astra 级模型的生产环境偏离对齐（misalignment）监控。由于网络安全能力显著增强，额外安全检查有时会放慢、暂停或停止合法工作；在 ChatGPT 或 Codex 中，用户可能被要求审查某个动作，在 API 中任务则会停止。OpenAI 表示这确实会打断部分合法工作，并正在继续迭代以减少不必要的干扰。

关键评测放在一起看

原文末尾给出了九组完整评测表。下面摘录每个能力面最有代表性的项目，便于横向理解；这并不能替代完整表格。

能力面	评测	GPT-6 Astra	GPT-5.6 Sol	备注
计算机使用	Agents’ Last Exam	59.3%	53.6%	同时比较了估算 API 成本
专业工作	AutomationBench	41.4%	18.1%	多步骤自动化任务
编码	Terminal-Bench 4.0	57.9%	37.3%	终端中的软件工程任务
学术	Terminal Science	64.6%	22.4%	使用计算机完成科学任务
科学健康	HealthBench Professional	63.4%	60.5%	长度调整后的分数
网络安全	ExploitBench	100.0%	78.5%	研究设置，未启用生产保护
对齐	计算机使用安全	2.4%	22.0%	不良结果比例，越低越好
长上下文	MRCR v2 512K–1M	96.3%	73.8%	多轮信息恢复
抽象推理	ARC-AGI-3	99.9%	7.8%	特定 Responses API harness

阅读这张表格时需要注意两个限定条件。第一，原文采用各模型在不同努力等级中的最佳成绩，模型的推理预算并不完全一致；第二，GPT 系列运行于研究环境或 API，系统提示和工具可能与生产版 ChatGPT 不同。OpenAI 还对 OSWorld、BenchCAD、FrontierCode 和 ARC-AGI-3 分别注明了 harness 或运行设置，跨厂商比较不应只看一个百分比。

可用性与定价

企业版管理员可以为工作区启用 Astra，发布时默认关闭。Astra 的用量包含在既有订阅额度内，用户和企业也可以按需购买额外用量。API 客户端可使用模型名 gpt-6-astra；符合条件的 API 客户还可使用 Zero Data Retention（零数据保留）。

同期的官方模型文档补充了发布页没有集中列出的规格：

项目	规格或价格
上下文窗口	1,050,000 token
最大输出	128,000 token
知识截止日期	2026-04-30
输入模态	文本、图片
输出模态	文本；不支持音频或视频输出
Standard 输入	10 美元 / 百万 token
缓存读取 / 写入	1 美元 / 12.50 美元 / 百万 token
Standard 输出	50 美元 / 百万 token

超过 272K 输入 token 的请求会进入长上下文计费：输入与缓存价格为标准费率的 2 倍，输出为 1.5 倍。Batch 与 Flex 为标准价格的 50%，Fast mode 则以 2 倍价格提供最高约 2 倍处理速度。实际使用时，百万 token 上下文应被理解为容量上限，而不是鼓励无差别塞入材料；检索质量、工具状态、指令冲突和成本仍然会影响最终结果。