作者 | 碧山

来源 | 具身投研圈

北京时间 9 月 5 日凌晨，OpenAI 正式发布新一代旗舰模型 GPT-6 Astra ——拉丁语里 " 星辰 " 的意思，发布前官方只留下一句预告：" 星星几乎排列好了 "。总裁格雷格 · 布罗克曼在媒体吹风会上的收尾更直白：" 欢迎来到 AGI 时代。" 两天后，Pro、Enterprise 和 Business Premium 用户已在 ChatGPT Work 和 Codex 里全量用上，API 同步上线。

迟到了一个多月的发布

这款模型其实早就被剧透过了。8 月初，《The Information》就报道奥特曼在华盛顿向政策制定者演示过代号 Astra 的新模型，内部一度考虑直接命名 GPT-6。但此后焦点从 " 有多强 " 转向 " 够不够安全 " —— OpenAI 确认 Astra 触及了准备框架里 " 关键级 " 的网络安全能力门槛，成为公司第一个跨过这条线的模型，为此一度放慢开发、加做安全测试。奥特曼自己承认，发布比预期晚，一个重要原因就是花了更多时间做对齐。

发布的姿态拉得很满。官网视觉一改往日的简洁克制，用上了动态变化的数字 6 和深色界面；奥特曼称这是第一个让他觉得可以放心让用户直接 " 试一试 " 的模型，希望它开启 " 新一代的创业、科学发现与创造 "；布罗克曼则把话说到了 AGI 的高度——他承认 AGI 至今是个灰色模糊的概念，但 " 现在认为我们已经进入 AGI 时代，并不是一种不合理的看法 "，至于算不算正式宣布实现 AGI，他把判断留给了读者。

跑分表上的 " 打穿区 "

先看最夸张的几项。在考察陌生环境学习和抽象推理的 ARC-AGI-3 上，Astra 拿到 99.9%，上一代 GPT-5.6 Sol 只有 7.8%，Claude Opus 5 为 30.2% ——一个数量级的跳跃；在代表高阶数学能力的 FrontierMath Tier 4 上得分 97.6%，接近把这套研究级测试打穿，OpenAI 还顺带公布了它参与解决质数间隔这一长期开放数学问题的新结果。

网络安全维度的跃升更有现实冲击力。测试漏洞利用能力的 ExploitBench 上，Astra 拿到 100%，GPT-5.6 Sol 为 78.5%；在一组专门用 2026 年 6 月至 8 月新披露漏洞构建的测试里，Astra 成功率 39%，Sol 只有 5.5%。OpenAI 还披露，内部测试中 Astra 发现并利用了 2 个此前未知的漏洞，目前正在向相关维护者走披露流程。

比 " 更聪明 " 更重要的是 " 更听话 "。OpenAI 参考近期的 Hugging Face 事件设计了一项新评估：面对极其困难甚至无法完成的任务时，模型会不会为了达成目标擅自突破用户授权边界。没有生产级防护的条件下，GPT-5.6 Sol 有 48% 的情况会越界，Astra 是 0%。代价也不是没有——官方坦言 Astra 的书面推理过程比前代更难监控，简单任务上它用更少步骤解决问题，传统的思维链监控变得更难，OpenAI 表示宁可牺牲一部分能力上限，也要保住监控能力。

从会说到会做

这一代模型的重头戏不在聊天本身，而在操作电脑这件事上。OpenAI 直接把 Astra 称作 " 世界上最好的 computer use 模型 "：填网络表单、更新 CRM 记录、整理日历、做在线研究写摘要、分析科学数据出图表、建网站跑前端测试，甚至自主安装软件、照着屏幕上的报错排查故障。OSWorld 2.0 测试里，Astra 得分从 Sol 的 65.7% 提到 72.6%，完成单个任务的平均时间却从约 75 分钟压到 40 分钟，缩短 47%；配合新版 Codex Harness，Mind2Web 上的任务完成速度是前代体验的 1.9 倍。

专业场景的跑分差距拉得更开。自动化任务评测 AutomationBench 上，Astra 拿到 41.4%，Sol 只有 18.1%；BenchCAD 里根据多角度渲染图写 CAD 代码重建 3D 物体，Astra 几何重合度 95.9%，官方估算其 API 成本还比 Sol 低约 43%；金融建模世界杯挑战，它以约四倍于人类冠军选手的速度完成。企业案例开始接近真实生产流程：法律科技公司 Legora 用它审阅财务报表，一次 Agent 运行几分钟扫完 41 份文件，还揪出了人为埋设的 4 处错误；游戏公司 Playco 用它做原型开发，人工修复工作减少 50%。

长任务编程是另一个被重做的环节。过去上下文窗口装满后，模型只能把前文压缩成摘要，方案为什么失败、测试出过什么异常，压缩几次就丢了；Astra 版的 Codex 引入了跨上下文的笔记机制，此前的需求、测试结果、工具输出都能被检索回来。对动辄跑数小时的软件工程 Agent 来说，这比单纯扩大上下文窗口更解渴。Terminal-Bench 4.0 里 Astra 得分 57.7%，Sol 为 37.3%；内部数据库迁移任务，63.9% 对 42.7%。

内测玩家已经玩疯了

使用资格还在分批放开，但抢先上手的那批内测玩家已经替所有人把它狠狠折腾了一遍，他们显然没打算拿它做普通问答。开发者 Pietro Schirano 让它做一款 Mac 应用——先在 Blender 里建个 3D iPod，再还原经典界面用来查看 Codex 线程，15 分钟就成了；网友丢过去一条 Zillow 房源链接，它照着照片重建整套房屋的 3D 模型，顺手剪出一支房产宣传片；Higgsfield 让它负责一段博物馆戏的空间调度，从摸清场馆布局到安排演员走位、列镜头清单，再交给 Seedance 逐镜渲染，测完给出的评价是 " 空间推理能力世界级 "。

游戏场景里的数字更直白。GPT-5.5 挑战《宝可梦火红》连续奋战 218 小时没打完，GPT-5.6 Sol 花了 96 小时 35 分钟通关，Astra 把时间压到 18 小时 12 分钟，而且只靠游戏截图，没有内存信息、攻略和人工提示。造游戏也行：一个提示词配合游戏引擎做出 10 对 10 的《光环》风格多人 FPS，地图、武器、联机逻辑一套配齐；免疫学家 Derya Unutmaz 只输入 " 做一个 5 分钟的 T 细胞教学视频 "，它自己写解说、做动画、出图，还主动建议配旁白，一次出片——这位研究了 35 年 T 细胞的科学家看完说，自己肯定讲不了这么好。

最会玩的案例来自开发者 Matt Shumer：他让一个 Astra 当 " 经理 " 把任务拆成阶段清单，再开一个 Astra 当执行者，最猛的时候 96 个子智能体同时开工，一周时间在虚幻引擎里一条街一条街搭出了曼哈顿。他还发现一个措辞玄学：要求每个阶段做到 " 极好 "，项目就稳步推进；改成 " 完美 "，模型立刻钻进细枝末节出不来。一个词的差别，决定项目是推进还是停滞。

工程师的第一条建议：删掉你的提示词

发布之后最有意思的建议来自 OpenAI 自己。工程师 Victor Nunez 给用户的第一条建议出人意料：趁 Astra 上线，回去清理你的 AGENTS.md 和 Skills 文件。这几年开发者对付模型的办法是做加法——它听不懂就多解释一步，老犯错就多加一条限制，提示词像给健忘的新员工贴便签，日积月累贴满整张桌子。而 Astra 对指令的敏感度变了：以前当摆设的旧规矩，它现在逐条执行，一条含糊的规则会让它停下来反复确认，两条冲突的规则直接卡住。官方迁移指南里反复强调的词是 " 审计 "：把过时的、冗余的、冲突的指令统统删掉。

顺着这个 " 做减法 " 的逻辑往下看，官方指南甚至附了段现成的提示词，专门禁止模型使用 "delve"" 值得注意的是 " 这类套话，连 " 先否定再翻转 " 的句式都被点名禁掉。写套话的是模型，教人防套话的是模型厂家，这种 " 自己挖坑自己教填 " 的诚实，多少有点黑色幽默。但背后的信号是认真的：模型越强，你写的规矩反而该越少——它已经能从上下文推断意图，指令有歧义时主动提问，还能记住多步任务里的全局目标。

价格、野心和一句上市表态

价格方面有个看似矛盾的组合：Astra 的标准定价为每百万输入 Token 10 美元、输出 50 美元，是目前促销中的 GPT-5.6 Sol 的 2.5 倍，另有速度快至 2.5 倍、价格翻倍的 Fast 模式。OpenAI 的解释是单 Token 更贵但活儿干得省——最高分设置下，Astra 的输出 Token 用量比 Claude Opus 5 少约 65%，一些场景里完成同一任务的总成本反而更低。奥特曼把长期目标描述为 " 极其廉价且丰沛的智能 "，承诺继续大幅降价。

他还罕见地对上市松了口：如果有一天真的上市，会花大量时间提醒想买股票的人—— OpenAI 使命优先、极度面向长期，会在数十年的时间跨度上做决策。一边是 " 欢迎来到 AGI 时代 " 的宣言，一边是 " 使命优先 " 的预防针，GPT-6 Astra 这场发布，OpenAI 想同时讲给两种听众：等模型的用户，和等它的资本。