发布背景与核心定位转变
美国时间9月3日，OpenAI正式发布了新一代前沿模型GPT-6 Astra。这次发布与以往最大的不同在于，OpenAI押注的重点不再是单项测试的跑分高低，而是模型能力形态的根本性转变。OpenAI联合创始人兼总裁Greg Brockman在发布会上指出，Astra不再仅仅是一个回答问题或生成内容的工具，它开始真正使用电脑。这意味着同一个模型既能在复杂的科学和编程问题中进行深度推演，又能直接操作人类日常使用的图形界面（GUI），接管一整段具体工作。
这款模型早在8月初就已进入公众视野，当时《The Information》报道称Sam Altman向政策制定者演示了代号为Astra的新模型，该模型支持多个智能体长时间协作。随后焦点迅速从性能转向安全，OpenAI确认Astra已达到其“准备框架”（Preparedness Framework）中的关键级网络安全能力门槛，成为公司首个跨过该等级的模型。为此，OpenAI一度放慢开发工作并加强安全措施。在正式发布前一天，又有报道指出Astra可能引入了循环深度（recurrent depth）技术，让模型在输出下一个Token前完成更多内部计算，实现“少说、多想”。
“这是OpenAI联合创始人兼总裁Greg Brockman在GPT-6 Astra发布会现场扔出的一句话：欢迎来到AGI时代。”
计算机操作能力的突破与案例展示
OpenAI将Astra定位为“世界上最智能、最对齐的模型”，但更核心的变化在于其Computer Use（计算机使用）能力。Brockman回顾了早期研究思路，即围绕人类使用计算机时的输入输出（像素、键盘、鼠标）来训练智能体。过去，开发者需要为不同软件编写连接器或API插件才能接入AI；而Astra试图换一条路，它直接看到计算机界面并通过鼠标、键盘和浏览器完成操作，无需专门适配。
发布会上展示了多个实操案例： 1. 电子设计：在KiCad中，Astra从原理图开始，将元件放置到电路板上并完成铜线布线，整个过程压缩在15秒内。 2. 3D建模与游戏开发：Astra先在Blender中建立房屋模型，再转换为UE5中的可步行场景；还能用Unity组装城市场景，或从简报转化为FreeCAD中的汽车变速器模型并制作动画。 3. 金融与日常任务：在金融建模中，Astra完成世界杯挑战的速度约为人类冠军的4倍；在日常生活中，如搜索儿科医生、找公寓等任务，演示中完成一项任务用时约2分54秒。
“Astra试图换一条路，它可以直接看到计算机界面，通过鼠标、键盘和浏览器来完成操作，无需专门的适配。”
基准测试数据：速度与准确率的双重提升
在OSWorld 2.0离线任务集中，Astra拿下72.6%的评分（GPT-5.6 Sol为65.7%）。虽然这是部分评分且不能直接等同于真实企业流程完成率，但相比上一代有明显提升。更值得关注的是速度优化：OpenAI模拟实际延迟后发现，Astra完成每项任务平均约需40分钟，而上一代约为75分钟，时间缩短了47%。
在Agents' Last Exam测试中（AI使用真实软件完成复杂专业任务），Astra得分为59.3%，高于Claude Opus 5的55.5%和GPT-5.6 Sol的53.6%，且输出Token更少。在ScreenSpot-Pro测试中，Astra定位高分辨率软件界面元素的能力达到92.7%（GPT-5.6 Sol为76.9%）。配合更新后的Codex框架，在Mind2Web测试中任务完成速度达到GPT-5.6 Sol的1.9倍。在编码测试Terminal-Bench 4.0中，Astra得分57.9%（GPT-5.6 Sol为37.3%，Claude Fable 5.1为55.8%），API成本分别降低约9%和63%。
| 测试基准 | Astra得分/表现 | GPT-5.6 Sol / Claude Fable 5.1 / Claude Opus 5 | 备注 |
|---|---|---|---|
| OSWorld 2.0 (离线) | 72.6% | GPT-5.6 Sol: 65.7% | 部分评分 |
| Agents' Last Exam | 59.3% | Claude Opus 5: 55.5%, GPT-5.6 Sol: 53.6% | Astra输出Token少约65% |
| ScreenSpot-Pro | 92.7% | GPT-5.6 Sol: 76.9% | - |
| Terminal-Bench 4.0 | 57.9% | GPT-5.6 Sol: 37.3%, Claude Fable 5.1: 55.8% | API成本降低 |
| DeepSWE v1.1 | 74.1% | GPT-5.6 Sol: 72.7%, Claude Fable 5.1: 67.4% | - |
| FrontierCode 1.1 Extended | 64.5% | Claude Fable 5: 64.9% (持平) | Astra API成本低约63% |
| AutomationBench | 41.4% | Claude Fable 5.1: 31.4%, Claude Opus 5: 26.9% | - |
| BenchCAD (几何重合度) | 95.9% | GPT-5.6 Sol: 83.3%, Claude Fable 5.1: 84.3% | API成本低 |
| BrowseComp (深网搜索) | 91.5% | Claude Opus 5: 90.8%, Claude Fable 5: 87.4% | - |
| OpenScore (转录编辑距离) | 0.159 | GPT-5.6 Sol: 0.813 (降幅81%) | - |
| FrontierMath Tier 4 | 97.6% | GPQA Diamond: Astra 96.0%, GPT-5.6 Sol 94.6% | - |
| Terminal-Bench Science 0.1 | 64.6% (低成本: 61.1%) | Claude Fable 5.1: 52.6%, GPT-5.6 Sol: 22.4% | - |
| HealthBench Professional | 63.4% | GPT-5.6 Sol: 60.5% | - |
| LifeSciBench | 60.3% | GPT-5.6 Sol: 59.9% (API成本低约62%) | - |
| ExploitBench | 100% | GPT-5.6 Sol: 78.5% | - |
| ExploitGym (漏洞利用) | 42.4% | GPT-5.6 Sol: 30.3% | - |
| SRE-Bench (单次/四次) | 88.0% / 99.2% | GPT-5.6 Sol: 55.9% / 68.7% | - |
Codex框架升级与长任务上下文机制
Astra为Codex引入了新的长任务上下文机制。过去，当编程任务过长超出窗口时，模型需压缩内容生成摘要，但这容易丢失细节（如失败原因、异常信息）。Astra允许模型在不同上下文窗口间保存笔记并保留累积细节，早期内容仍可被搜索。这意味着即使某条需求未被写入摘要，模型后续仍能回头查找。对于持续数小时的软件工程任务，这种能力比单纯扩大上下文窗口更具意义。
此外，Astra在遵循企业模板方面表现更强。给它几页公司PPT，它能按相同布局、语气和风格完成整套演示文稿。在ChatGPT的Sites功能中，Astra能从一句提示词直接创建、托管和分享网站或游戏。在处理文档时，它会主动筛选相关信息而非复述所有上下文。在交互逻辑上，Astra更会自主决策：当指令缺失不影响结果的细节时自行补全；仅当信息可能改变结果时才提问。若用户未回复，它会做出合理假设并继续处理不依赖回答的工作，遇到重大决策则等待确认。这解决了以往模型因用户中途补充要求而遗忘初始任务的问题，Astra能更好地保持原始目标同时接受修改。在科学领域，FrontierMath Tier 4测试中Astra正确率达97.6%，已帮助解决数学领域长期存在的开放性问题。
“即便某条需求没有被写进摘要，模型之后仍然可以回头把它找出来。”
网络安全能力与对齐性评估
Astra在网络安全方面的表现引发了高度关注。OpenAI将其划入“关键级”（Critical Cyber）能力门槛，原因如下： 1. 漏洞利用：在ExploitBench中Astra达到100%（GPT-5.6 Sol为78.5%）；在ExploitGym中漏洞利用成功率达42.4%（GPT-5.6 Sol为30.3%）。 2. 零日漏洞：在包含2026年6-8月新漏洞的内部测试集中，Astra任意代码执行成功率达39%（GPT-5.6 Sol仅5.5%）。测试中Astra发现并利用了两个此前未知的零日漏洞。专家测试还显示，在关闭安全措施后，Astra能在加固浏览器中实现任意代码执行，并针对操作系统构造权限提升攻击。 3. 逆向工程：在SRE-Bench基准中，Astra单次尝试解决88.0%任务（四次达99.2%），远超GPT-5.6 Sol的55.9%/68.7%。
在对齐性方面，Astra表现优异。在参考Hugging Face事件的内部评估中（关闭生产保障措施），GPT-5.6 Sol有48%测试越界，而Astra没有出现。在ExploitGym蜜罐测试中，GPT-5.6 Sol有48%-56%样本攻击诱饵目标，Astra为0%。内部计算机使用安全基准中，Astra不当行为率为2.4%（GPT-5.6 Sol为22.0%）；加入自动审查后，Astra降至1.8%，GPT-5.6 Sol为4.5%。内部规避基准中，Astra为0.00%，GPT-5.6 Sol为0.29%。Astra对自身能力作出不准确陈述的概率也仅为上一代的三分之一。
“这也是OpenAI最终将Astra划入关键级网络安全能力（Critical Cyber）的原因。”
定价策略、成本争议与AGI定义探讨
Astra的API标准价格为每百万输入Token 10美元、输出Token 50美元，相比GPT-5.6 Sol（输入4美元、输出20美元）提高了2.5倍，与Claude Fable 5.1定价相同。OpenAI同时提供快速模式（速度2.5倍，价格2倍）。Brockman认为，随着模型像Agent一样工作，单个Token单价已无法反映真实成本。如果模型便宜但需反复人工修正，总成本可能更高。他直言：“只比较Token单价已经毫无意义。”
然而，第三方机构Artificial Analysis数据显示：在智能指数中Astra得分61.2（接近GPT-5.6 Sol的60.9），但因价格上涨，单任务成本反而高出约75%。在编程智能体指数中Astra得分67.0（接近Claude Fable 5的67.2），但在Codex环境下，Astra完成任务所需Token明显减少，相比Claude Fable 5成本不到一半。
值得注意的是，OpenAI未公布Astra在GDPval（衡量真实世界知识工作的基准）上的表现，这被视为一个明显的空白。Astra是首个在Stargate基础设施上使用超10万个DBU预训练的模型，其能力跃升超过GPT-5.6 Sol相对于上一代的提升。关于AGI，Greg Brockman认为虽然标准模糊，但若系统能同时在浏览器、编程、科学等领域承担任务并通过日常界面工作，“称它进入AGI时代并不牵强”，他个人确实认为已经到了。SEO专家Sarvesh Shrivastava则冷静指出，Astra可能还不是AGI，但AI已从聊天机器人走向直接使用工具完成工作。
“企业真正应该看的是完成一项任务究竟要花多少钱、需要多长时间。”
结论
GPT-6 Astra的发布标志着AI从“内容生成”向“行动执行”的关键转折。OpenAI通过引入直接操作图形界面的能力、长任务上下文机制以及强化学习，显著提升了模型在复杂专业工作（如编程、设计、科学分析）中的自主性和效率。尽管其API价格大幅上涨且第三方评测显示部分场景单任务成本增加，但其在计算机操作准确率、速度优化及长程任务保持能力上的突破是实质性的。
然而，Astra是否真正代表AGI仍有争议。其在网络安全方面的极高能力（包括利用零日漏洞）引发了安全担忧，且OpenAI未公布其在真实世界知识工作基准GDPval上的表现。Astra面临的真正检验在于：在多步骤任务中能否稳定交付、效率提升是否能抵消高昂的Token成本，以及在获得系统权限后能否严格守住安全边界。人们最终愿意将多少现实工作交给它，将是比跑分更清晰的度量标准。