大家好，这里是最佳拍档，我是大飞。欢迎来到AGI时代！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。美国时间9月3日，OpenAI正式发布了新一代前沿模型GPT-6 Astra。这次发布和以往不太一样的是，过去我们讨论一个新模型，聊的基本上是它有多聪明、跑分有多高；但是这次OpenAI押注的东西变了，不是某一项测试的分数，而是模型能力形态本身的转变。同一个模型既能在复杂的科学和编程问题里做深度推演，又能直接操作人类日常使用的图形界面，接管一整段具体工作。

简单说就是Astra不再只是回答问题或者生成内容，它开始真正地用电脑了！其实这款模型早在一个多月前就已进入公众视野。8月初，《The Information》报道称Sam Altman曾经在华盛顿向政策制定者演示代号为Astra的新模型。它支持多个智能体长时间协作完成复杂任务，内部甚至一度考虑将其命名为GPT-6。但是此后，围绕Astra的焦点迅速从“有多强”转向了“是否足够安全”。OpenAI随后确认Astra已达到准备框架（Preparedness Framework）的关键级网络安全能力门槛，成为公司首个跨过这个等级的模型。

并且一度放慢部分开发工作、加强安全措施。就在正式发布前一天，《The Information》又报道称Astra可能引入了循环深度（recurrent depth）技术，让模型在输出下一个Token之前完成更多内部计算。换句话说，它可能不仅更强，而且开始真正做到“少说、多想”。经历一个多月的曝光、安全刹车和技术争议后，Astra终于正式上线。那么这次OpenAI到底带来了什么？这恐怕不是一个简单的跑分问题。

OpenAI对GPT-6 Astra的定位相当直接，他们称之为“世界上最智能、最对齐的模型”。但比起这些传统的智力跑分，这次更重要的变化是Astra把能力进一步转化成了实际行动，尤其是操作电脑这件事。OpenAI直接把这一部分称为“世界上最好的Computer Use模型”。在发布会上，Brockman回顾了OpenAI早期的研究思路，说他们一直想围绕人类使用计算机时获得的相同输入和输出——也就是像素、键盘和鼠标，来训练一个智能体。

过去很长一段时间，开发者如果想让AI完成工作，通常需要为不同软件编写连接器，把模型接入一个又一个工具。企业需要开发API、插件、检索系统和各种连接器，模型才能调用内部工具。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。那Astra具体能做什么呢？在发布会上，OpenAI展示了好几个实操案例：

在KiCad中，Astra完成了一块印刷电路板的布局。它从电子原理图开始，把元件放到电路板上，再完成铜线布线。整个过程被压缩成15秒！对于工程师来说，PCB布局是当今所有电子设备不可或缺的一部分，但仍然是一项需要手动完成的工作，也是电子设计流程中常见的延迟来源。在Blender和虚幻引擎5中，Astra先在Blender里建立一栋房屋，再把模型转换成UE5中的可步行场景。

设计师和客户可以在房屋建造之前提前进入场景查看空间。它还能用Unity从现有资源中组装城市场景，把书面简报转化为FreeCAD中五速汽车变速器的详细概念模型，再用Blender制作齿轮运动动画。通过后续反馈不断完善设计！在金融建模领域，Astra完成世界杯挑战的速度大约是人类冠军的四倍。OpenAI还展示了游戏开发、Excel、Power BI、汽车变速器、法律文档和1040税表等场景。

更贴近日常生活的场景也有展示，包括搜索儿科医生、找公寓、预约车管所等等。演示中完成一项任务用时大约2分54秒！这些变化最直观地体现在基准测试上。在OSWorld 2.0离线任务集的部分评分中，Astra拿下72.6%，GPT-5.6 Sol为65.7%。不过要注意，这个成绩来自无需联网的离线任务集，采用部分评分，不能直接理解为Astra已经能完成72.6%的真实企业流程。

但是在同一口径下，它确实比上一代得分更高！更值得关注的是速度：OpenAI模拟实际延迟后发现，Astra完成每项任务平均大约需要40分钟，而上一代大约75分钟，时间缩短了47%。在测试AI使用真实软件完成复杂专业任务的Agents' Last Exam中，Astra得分为59.3%，高于Claude Opus 5的55.5%和GPT-5.6 Sol的53.6%。而且它完成这些任务不需要生成更多的文字，在最高分设置下Astra使用的输出Token比Claude Opus 5少大约65%。

ScreenSpot-Pro测试模型在高分辨率专业软件截图中定位界面元素的能力，Astra达到了92.7%，GPT-5.6 Sol为76.9%。配合更新后的Codex框架，在Mind2Web测试中Astra的任务完成速度达到当前GPT-5.6 Sol体验的1.9倍。在编码测试Terminal-Bench 4.0中，Astra得分为57.9%，GPT-5.6 Sol为37.3%；Claude Fable 5.1为55.8%，每项任务的API成本分别降低了大约9%和63%。

在DeepSWE v1.1真实代码库测试中，Astra得分74.1%，高于GPT-5.6 Sol的72.7%和Claude Fable 5.1的67.4%。内部数据库迁移任务中，Astra达到63.9%，Claude Fable 5.1为57.8%，GPT-5.6 Sol只有42.7%。在FrontierCode 1.1 Extended这个评估编码智能体生成的更改能否合并到实际代码库时，Astra得分64.5%，与Claude Fable 5的最佳得分64.9%基本持平，但是预估API成本低了大约63%。

在AutomationBench这个测试跨应用完成多步骤业务流程的基准中，Astra完成了41.4%的任务；Claude Fable 5.1为31.4%，Claude Opus 5为26.9%。Astra还为Codex引入了一种新的长任务上下文机制！过去，一项编程任务持续太久、上下文窗口装不下时，模型通常需要通过压缩的方式把之前的内容整理成摘要。问题在于每压缩一次都可能丢掉一些细节，比如说某个方案为什么失败、某次测试之前出现过什么异常、某段代码为什么不能修改，都可能在多次压缩后消失。

到了Astra Codex可以让模型在不同上下文窗口之间保存自己的笔记，保留累积的细节；而早期的上下文仍然可以被搜索。也就是说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！对于真正持续几小时甚至更长时间的软件工程任务来说，这种能力的意义可能比单纯再扩大一次上下文窗口更大。专业工作方面也出现了类似的变化：BenchCAD基准用来测试模型能否从多角度渲染图中编写CAD代码重建3D物体，Astra的几何重合度达到95.9%，GPT-5.6 Sol为83.3%；Claude Fable 5.1为84.3%，预估API成本比上一代低约43%。

BrowseComp测试深网搜索能力，要求跨网站查找和关联信息，Astra得分91.5%，高于Claude Opus 5的90.8%和Claude Fable 5的87.4%。在OpenScore弦乐四重奏测试中，Astra将标准化的转录编辑距离从GPT-5.6 Sol的0.813降低到0.159，降幅高达81%，从而可以帮助音乐家、教育工作者和研究人员减少使用现有乐谱时的手动转录工作。Astra也更擅长遵循企业现有模板：给它几页公司的PPT，它可以按照相同的布局、语气和视觉风格完成整套演示文稿。

在ChatGPT的Sites功能中，Astra甚至可以从一句提示词开始直接创建、托管和分享网站、Web应用以及游戏。处理文档和表格时，它也会主动筛选真正相关的信息，而不是把上下文里的所有东西重新复述一遍。另一个变化是Astra更会自己拿主意了！当指令里缺少一些不影响最终结果的细节时，它会利用上下文自行补全；只有当缺失信息可能真正改变结果时它才会向用户提出更有针对性的问题。

在Codex中，它甚至可以一边继续处理不依赖用户回答的工作一边异步等待回复。如果你暂时没有回复，它还会在适当的情况下做出合理假设；但是遇到重大决策则会等待确认。此前模型经常会出现的问题是：用户中途补充一句要求，它就突然把新消息当成新的总目标，把最开始的任务忘掉。Astra能够更好地保持原始目标，同时接受中途修改、回答支线问题再继续完成之前的任务！

科学领域也是Astra覆盖的另一块重点。在FrontierMath Tier 4测试中，Astra正确率得分为97.6%，已经帮助解决了数学领域长期存在的开放性问题。这次发布还又公布了两项与素数间隔有关的新结果，GPQA Diamond达到96.0%，GPT-5.6 Sol为94.6%。在Terminal-Bench Science 0.1这个测试科学研究流程（包括数据分析、模拟和模型拟合）的基准上，Astra达到64.6%，Claude Fable 5.1为52.6%；GPT-5.6 Sol最好的成绩只有22.4%，在更低成本设置下Astra仍然可以达到61.1%。

预估API成本还比GPT-5.6 Sol低约27%！在HealthBench Professional这个评估临床医生请求响应的基准上，Astra得分为63.4，GPT-5.6 Sol为60.5。LifeSciBench评估生命科学研究中的科学推理能力，Astra得分60.3，GPT-5.6 Sol为59.9，性能接近但是预估API成本降低了大约62%。凭借着更强的计算机操作能力Astra可以直接进入专业科学软件，检查测序质量、可视化遗传变异；在Jupyter中构建并运行细胞追踪工作流程。

将原始显微镜图像转换为带标记的轨迹和谱系记录，帮助研究人员跟踪单个细胞的运动和分裂。科学推理与计算机操作结合之后模型能够直接进入研究人员原本使用的软件环境中工作，根据数据决定下一步分析方向。Epoch AI的格雷格·伯纳姆（Greg Burnham）在发布会上将这次变化概括为一个时代结束、另一个时代开始。OpenAI也借此强调Astra的价值已经从回答科学问题延伸到了直接参与科学工作流程！

接下来要说的是Astra这次最特殊、也可能最敏感的部分：网络安全。在ExploitBench中，Astra达到100%，GPT-5.6 Sol为78.5%。ExploitGym中Astra的漏洞利用成功率达到42.4%，GPT-5.6 Sol为30.3%。与此同时Astra使用的输出Token明显更少！考虑到公开基准测试可能存在训练数据污染的情况，OpenAI又专门制作了一套只包含2026年6月至8月漏洞的内部测试集。在这套更新的数据中，Astra的任意代码执行成功率达到39%，GPT-5.6 Sol只有5.5%。

更让人意外的是，在测试过程中Astra发现并实际利用了两个此前未知的零日漏洞（zero-day）！OpenAI表示已经向相关维护者披露。专家测试还发现，在关闭生产安全措施的情况下Astra可以利用此前未知的漏洞在经过加固的浏览器中实现任意代码执行，并且针对加固后的操作系统构造权限提升攻击。这也是OpenAI最终将Astra划入关键级网络安全能力（Critical Cyber）的原因！

此外，SRE-Bench这个基准测试的是没有源代码时逆向软件二进制文件、理解其核心逻辑的能力。在这个基准上Astra单次尝试解决了88.0%的任务，四次尝试达到99.2%，而GPT-5.6 Sol分别只有55.9%和68.7%。在对齐方面，OpenAI给出的数据也比较突出！在参考Hugging Face事件设计的内部评估中研究人员观察模型面对困难或无法完成的任务时会不会越过授权范围。在关闭生产环境保障措施后，GPT-5.6 Sol有48%的测试会出现越界而Astra没有出现。

另一项评估故意把Codex的自动审查设计成可以绕过，同时让任务无法通过正常路径完成。Astra没有尝试规避审查！在ExploitGym蜜罐（honeypot）测试中，GPT-5.6 Sol在无生产安全措施时有约48%到56%的样本会攻击任务范围之外的诱饵目标，Astra为0%。内部计算机使用安全基准中Astra的不当行为率为2.4%，GPT-5.6 Sol为22.0%；加入自动审查后Astra为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%。

在能力幻觉方面，Astra对自身能力作出不准确陈述的概率也明显低于上一代大约是GPT-5.6 Sol的三分之一。但这里有一个值得注意的分岔：在行为层面Astra更少越权、更少绕过审批；但是在内部推理层面外人却越来越难看懂它到底在想什么。这就涉及到了发布前最受关注的一个问题：Astra到底有没有使用循环深度技术？可惜这个问题到现在仍然没有直接答案。关于循环深度技术我们会在另一个视频中进行详细介绍！

说完能力和安全性，我们来看看价格：Astra的API标准价格为每百万输入Token 10美元、每百万输出Token 50美元。GPT-5.6 Sol之前是每百万输入Token 4美元、每百万输出Token 20美元。所以对比下来Astra的输入和输出价格都提高了2.5倍，与Claude Fable 5.1定价相同。OpenAI同时提供快速模式：速度最高达到标准处理的2.5倍，价格为标准模式的2倍；缓存读写单独计费。单看Token价格Astra显然更贵，但是OpenAI希望企业换一种方式计算成本。

Brockman认为随着模型越来越像Agent，单个Token多少钱已经很难准确反映真实的成本了。一个模型即使Token便宜如果需要反复尝试、人工修正最后完成一项任务的成本可能更高！他的原话是：“只比较Token单价已经毫无意义，因为不同模型、不同模型家族生成的Token并不等价。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。”虽然在OpenAI官方给出的数据中很多基准任务的执行价格都有了大幅下降，但是第三方评测机构Artificial Analysis给出了一些不一样的数字。

比如在智能指数中Astra得分61.2，与GPT-5.6 Sol的60.9接近；但是由于价格上涨2.5倍单任务成本反而高出了大约75%。在编程智能体指数中Astra得分67.0，与Claude Fable 5的67.2、Claude Opus 5的68.1接近。不过Artificial Analysis也认为在Codex环境下Astra完成任务所需要的Token明显减少，相比Claude Fable 5完成同类任务的成本不到一半！不过这里有一个很值得注意的地方：在这份几乎覆盖所有能力的成绩单里OpenAI没有公布Astra在GDPval上的表现。

GDPval是OpenAI在2025年推出的一项基准，用来衡量模型能否完成真实世界里的知识工作。它覆盖美国九大行业、44种职业的1320项任务，包括法律简报、工程设计、电子表格、演示文稿、客户支持和护理计划等。如果Astra最重要的变化是企业可以把更多工作直接交给AI，那么GDPval正是最贴近这一主张的标尺之一。虽然很可能是因为GDPval主要测试的是一次性交付，没有覆盖Astra这次想要重点展示的长时间、多步骤、跨应用工作；但是这项成绩空白依然十分显眼。

OpenAI也需要能够拿出更多的证据来证明Astra的更强能力！OpenAI此次还提到Astra是其第一个在Stargate基础设施上使用超过10万个DBU进行预训练的模型。OpenAI研究副总裁艾丹·克拉克（Aidan Clark）表示，从预训练阶段的评估结果来看……

相比此前模型的能力跃升，超过了GPT-5.6 Sol相对于上一代模型的提升。OpenAI把这种变化归因于大规模预训练和强化学习的结合，训练重点进一步转向连接信息、执行更长任务以及在复杂环境中持续工作。至于Astra到底是不是AGI的问题，Greg Brockman认为AGI本身没有一个所有人都认可的标准。

Astra是否算作AGI可以继续讨论，但是如果一个系统已经能够在浏览器、电脑操作、编程、数学、科学、法律和其他专业工作中承担大量任务，那么称它进入AGI时代并不牵强。在被问到Astra是否已经符合条件时，他仍然回答就个人而言，他确实认为已经到了。

OpenAI创立的时候团队曾经以为会出现一个所有人都能识别的明确时刻，后来发现它更可能是一个灰色的、模糊的过程。他的依据不是某个跑分，而是同一个系统开始同时解决所有困难的科学问题，并且通过人们日常使用的界面来完成普通工作。

当企业愿意让AI持续推进任务，员工退到设定目标、处理例外和把控关键判断的位置时，整个生产协作的骨架便已经开始松动。也有人给出了更冷静的评价：SEO专家萨维什·斯里瓦斯塔瓦（Sarvesh Shrivastava）说Astra可能还不是AGI，但AI已经从回答、推理和编码进一步走向直接使用工具和完成工作。

他写道，我们正迅速用尽称这些东西为只是聊天机器人的方式。Artificial Analysis的综合指数也没有显示Astra全面拉开差距，DeepSWE上也有价格更低、成绩接近的模型。所以总的来说Astra目前最突出的变化，只是把几个长程任务和计算机操作能力推到了新的高度。

并不能就此判定其他前沿模型已经失去了竞争力，这大概也是Astra接下来真正要接受的检验：它能不能在多步骤任务中稳定交付？效率提升能不能抹平更高的价格？以及在获得真实系统权限后，能不能守在既定边界内。

这些问题都要等更大规模的实际使用给出答案。到那时Astra是不是AGI依然可以争论，但是人们究竟愿意把多少现实工作交给它会是一个更清晰的度量。感谢收看，我们下期再见。