多智能体架构与物理模拟基准测试

为了充分释放GPT-6 Astra的潜力，作者建议通过ChatGPT桌面应用（原Codex）进行操作。该环境支持多项目并行处理，允许智能体在本地计算机上同时工作于多个持久化文件。这种架构使得复杂的任务分解成为可能，例如在测试其物理理解能力时，作者设定了一个极具挑战性的指令：从零开始编写一个子弹穿透水球的射线追踪模拟，且严禁使用Three.js或任何外部Web库。为了提升结果质量，作者采用了一种提示技巧：引入一个独立的“批评者智能体”（Critic Agent），该智能体负责从不同角度截图并评估场景的真实性和物理准确性，评分范围0-10分。只有当得分达到8分以上（即看起来像真实拍摄）时，循环才会停止；否则，“构建者智能体”将获得问题列表并尝试最多三轮修订。

"For each iteration, use a separate critic agent to take screenshots of the scene from different angles and evaluate its realism and physics accuracy. It should provide a score from 0 to 10."

迭代优化过程与最终模拟效果

在启动该任务后，系统运行了约32分钟。第一轮迭代中，批评者智能体给出的评分为4.7分，远低于8分的阈值。随后，系统生成了排名靠前的修复建议列表，并生成第二版应用进行再次评估。第二轮评分提升至6分，仍未达标；第三轮评分进一步小幅提升至6.5分。由于设定了最多三轮的迭代上限，系统最终输出了这一版本。尽管未达到理想中的8分阈值，但生成的应用已具备完整的交互功能：用户可以调整子弹速度、气球直径、冲击高度、重力、表面张力和喷雾密度等参数。通过调整时间轴，可以清晰看到子弹穿透水球、水体变形飞溅并最终落地的过程。此外，用户还可以从任意角度（包括侧面和仰视）冻结帧画面，观察子弹穿透水团的细节，并调节光照强度和方向以增强视觉效果。整个过程完全由代码从零构建，未依赖任何外部库。

复杂角色动画与游戏引擎集成测试

在验证基础物理模拟后，作者进一步挑战了更具难度的角色动画与游戏开发。不同于简单的第一人称射击游戏中刚性物体的移动，这次要求实现具有关节articulation和多种动画状态的第三人称角色控制。作者提供的提示词指定使用Unreal Engine，并链接了Sketchfab上的3D模型角色。关键指令包括：让角色能够冲刺、跳跃并像忍者一样飞跃屋顶，同时要求从Mixamo网站查找相关的行走、跑步、跳舞和战斗动画并映射到角色上。考虑到下载资产可能需要登录，作者还指示智能体使用Playwright Chrome扩展接管已登录的Chrome会话。环境设定为 procedurally generated（程序化生成）的中国古代皇宫风格，灵感来源于一张由Nano Banana生成的图片。所有资产需通过Blender MCP（Model Context Protocol）在本地连接的MCP服务器上生成，并最终渲染为具有AAA级游戏画质和宏伟细节的3D场景。

"You are a world-class game developer. Make a procedural 3D game in Unreal Engine... Look for relevant animations in Mixamo and map them onto the character."

虚幻引擎游戏生成的多轮迭代与批评机制

视频展示了一个基于GPT-6的自动化流程，旨在虚幻引擎（Unreal Engine）中生成可玩游戏。该过程引入了一个独立的“批评代理”（critic agent），它在每次尝试后从多个视角和缩放级别截取屏幕截图，并对游戏设计和美学进行0到10分的评分。超过8.5分且零错误被视为通过，低于此分数则向生成器提供排名靠前的修复问题列表。在初始的一小时二十六分钟运行后，系统成功下载角色并添加了奔跑和空中姿态，将其连接至虚幻引擎。然而，初步生成的场景存在明显缺陷：外观空洞、屋顶过于金属化、布局重复以及远景山脉粗糙。批评代理给出的评分仅为5.8分，远低于目标值。经过最多四轮迭代后，最终得分提升至6.3分，但仍未达到AAA级标准（0.85以上的评分体系）。这一过程揭示了单纯依赖自动生成的局限性，特别是在角色动画和视觉细节上仍需人工干预。

引入具体指令优化视觉效果与游戏机制

为了突破自动生成的瓶颈，操作者介入并提供了极具针对性的修正指令。针对糟糕的角色动画，要求使用Mixamo中更优秀的忍者风格冲刺和跳跃动作，并增加镜头运动效果如震动或动态模糊，以增强视觉冲击力。在游戏机制方面，操作者指出跳跃过高问题，要求允许空中连续跳跃而非单次高跳，并将奔跑和跳跃动画速度加快两倍。此外，还要求增加环境动态元素如风或雾气，并将光照调整为更史诗和写实的风格。经过约四小时的运行，游戏最终呈现出显著改善的效果：角色可以在屋顶间通过连续跳跃移动，场景包含程序生成的无限帝国宫殿和收集图标。尽管仍存在少量建筑地板或灯笼连接错误，但整体视觉效果已相当出色。这一阶段证明了精确的自然语言指令对于提升AI生成质量的关键作用。

GPT-6的计算机使用能力：从绘图到动画生成

视频进一步展示了GPT-6强大的“计算机使用”（Computer Use）能力，即直接在浏览器或应用程序中通过鼠标和键盘进行操作。首先，GPT-6被指令访问Photopea（在线PS工具），通过模拟光标逐笔绘制参考图像，耗时约20分钟完成像素级匹配。随后难度升级，操作者要求GPT-6在另一个网站上基于参考角色生成精灵动画（Sprite Animations），包括跑步、跳跃和挥剑动作，每个动作四帧并保存为GIF。这一过程耗时约40分钟，展示了AI在复杂图形界面中保持动作一致性和忠实于参考图像的能力。这些案例表明，GPT-6不仅能通过代码控制程序，还能像人类一样使用图形界面工具进行精细创作。

实时音乐演奏与时间维度的挑战

最高难度的测试涉及在线虚拟钢琴的实时操作。GPT-6需要创作一首约一分钟长的、类似肖邦风格的快节奏钢琴独奏，并通过实时按键演奏出来。这一挑战不仅要求作曲能力，更要求在时间维度上精确控制每个键的按下时机。GPT-6首先将可见琴键设置为最大数量，随后在虚拟键盘上逐键演奏。这一过程体现了AI在处理具有严格时间同步要求的任务时的潜力，超越了静态图像生成或代码编写，进入了实时交互表演的领域。尽管视频未展示最终音频效果，但该实验确立了GPT-6在复杂多模态任务中的广泛适用性。

钢琴演奏测试：从生疏到专业级独奏

视频创作者首先对 AI 的钢琴演奏能力进行了基准测试。在经历了约 7分钟 的学习与排练后，AI 展示了其最终演奏成果。这段表演被评价为听起来像是一场 真正的古典钢琴独奏，且生成速度极快。这一测试不仅验证了 AI 在音乐演奏上的即时响应能力，也展示了其通过短暂交互即可掌握复杂乐器操作逻辑的潜力。对于内容创作者而言，这种快速生成高质量音频的能力意味着创作流程的大幅简化。

音乐制作与混音：迭代优化后的 EDM 作品

为了测试 AI 在复杂音乐结构上的表现，创作者要求 GPT-6 Astra 使用 Waveform DAW 中的 VST 插件和采样，创作一首 Euro pop EDM 歌曲。初始指令要求包含上升器、史诗级 Drop 效果以及专业的混音母带处理。15分钟后，AI 输出了第一个版本，但创作者反馈其听起来 非常基础且业余，Drop 的冲击力显得虚假。随后，创作者进行了第二轮迭代，要求 AI 使用 SampleFocus.com 上的免费采样增加“耳糖”（ear candy），并优化旋律。经过额外的 20分钟 运行，最终成品在听感上有了显著提升。

"And I must say this sounds very good, much better than what I got from Claude and GLM."

尽管最终结果被评价为 非常好，优于 Claude 和 GLM 的同类产品，但创作者仍指出其混音略显浑浊（muddy），未达到人类专业母带处理的水平。这表明 AI 在创意编排上已具备竞争力，但在精细的音频工程处理上仍有差距。

3D 场景重建：从 Airbnb 列表到 Blender 虚拟漫游

测试进一步延伸至视觉内容生成。创作者选取了一个位于日本的 豪华房间 Airbnb 列表，该房源包含倾斜墙壁、复杂泳池布局及独特木质装饰等难点。通过提供完整的列表页面信息，AI 利用 Blender MCP（模型上下文协议）在 Blender 中重建了整个建筑和室内场景。这一过程耗时 1小时12分钟，消耗了创作者每周使用限额的 5% 到 10%。在重建过程中，AI 生成了数千个不同的 3D 元素。

最终渲染结果展示了浴室、长泳池、圆形水池及客厅等区域。虽然场景并非 100% 忠实于原貌，但整体结构合理，视觉效果 decent（不错）。AI 成功编程了相机路径，实现了类似 虚拟漫游 的动画效果。这一案例证明了 AI 作为“导演”控制其他生成式模型（如 Blender）进行复杂空间重建的能力，尽管在细节保真度上仍有提升空间。

广告视频生成：从产品页到商业短片

最后，测试聚焦于 AI 整合多模态生成模型的能力。创作者以 Amazon 上的 Tenzo Matcha 产品页为参考，要求 AI 使用 Higgs Field MCP（连接多种视频和图像生成器的平台）制作一支 30秒的商业广告。AI 在 20分钟 内完成了内容生成，包括多个片段的剪辑与拼接。最终广告文案为："Make a little room for your ritual. Tenzo Better Boost, organic matcha grown in Japan..."。

"Much better than what I got from Claude Fable 5.1 using the same prompt."

该广告在创意呈现上被认为 优于 Claude Fable 5.1 在同提示词下的表现。这一测试表明，前沿模型（如 GPT）虽不能直接生成图像或视频，但能有效扮演 导演角色，协调多个专用 AI 工具完成从概念到成片的完整工作流。

视频制作流程与埃拉托斯特尼测地球实验

在探讨 GPT-6 Astra 的能力之前，视频作者首先展示了一个利用 AI 生成教育视频的完整工作流。由于 GPT-6 本身无法直接生成语音，作者编写了详细的文档说明如何运行 Gemini TTS（文本转语音）工具。整个流程耗时 14 分钟，初步结果尚可但仍有提升空间。为了优化输出质量，作者引入了一个“批评者代理”（critic agent）的 Hack 技巧：要求评分必须达到八分以上，否则循环修改最多三轮。此外，作者还手动调整了提示词，要求转录文本更具连贯性并面向高中生讲解。最终生成的视频内容精彩地复述了公元前 240 年埃拉托斯特尼测量地球周长的经典案例。该实验利用夏至正午 Syene 地区无影子而 Alexandria 地区有影子的现象，通过计算 7.2° 的夹角（即圆周的 1/50），结合两地约 800 公里的距离，推算出地球周长约为 40,000 公里。这一过程展示了 AI 如何将复杂的数学概念转化为通俗易懂的叙事。

“It could be better, so again, I used my critic agent hack. It needs to score eight or above, otherwise keep looping this for a maximum of three rounds.”

“找青蛙”基准测试：视觉识别的局限

随后，作者转向 GPT-6 Astra 在在线工作区（Work Tab）的视觉识别能力测试，重点使用了著名的“找青蛙”基准测试。作者上传了一张隐藏有青蛙的图片，并设定最高难度（Max），提示模型识别并圈出动物。该任务耗时 6 分钟 50 秒，但结果令人失望：模型未能找到青蛙。相反，它错误地怀疑图片中有一条“ timber rattlesnake ”（木纹响尾蛇）。尽管有用户报告称模型能成功找到青蛙，但作者多次尝试均无法复现这一结果。在另一张包含隐藏青蛙的图片测试中，模型再次失败，甚至错误地指出图片中存在一只“ small toad ”（小蟾蜍）。作者总结道，即使是最前沿的 GPT-6 Astra 也无法通过这项视觉基准测试。这表明尽管模型在文本生成上表现强劲，但在细微的视觉定位和物体识别方面仍存在显著短板。

医学影像诊断与深度研究能力对比

在医疗领域，作者测试了 GPT-6 Astra 对六种不同类型脑肿瘤 MRI 扫描图的识别能力。模型在 2.5 分钟内完成分析，但准确率极低：仅有一项（左上角的脑膜瘤）识别正确，其余五项均出现误判或漏诊。这一 1/6 的正确率与 Kimi 和 GLM 模型持平，并未展现出压倒性的优势。相比之下，在“深度研究”任务中，GPT-6 Astra 的表现则令人印象深刻。面对关于阿尔茨海默病中淀粉样蛋白和 Tau 蛋白传播机制及三期临床试验分析的复杂提示词，模型生成了结构清晰、引用规范的内容。它提供了总结机制的表格、流程图以及详细的三期试验数据表，甚至通过代码生成了可视化图表。作者评价其回答非常简洁且信息密度极高。在创意生成方面，针对“利用现有 AI 技术改善工厂化养殖动物福利”的命题，模型在 8 分钟 35 秒后提出了三个具体方案：AI 保护的鸡休息区、自适应的猪 enrichment（丰富化）软件以及保持群体兼容性的移动管理软件。这些想法被认为具有实际落地潜力。

官方基准测试数据汇总

最后，视频展示了 GPT-6 Astra 的官方自报基准测试结果。在前沿数学测试（Frontier Math）中，该模型得分高达 98%，几乎饱和了该项基准。在终端代理编码测试（Terminal Bench 4）中，GPT-6 Astra 得分最高，甚至超越了 Claude Opus 5。这些数据显示了模型在逻辑推理和代码执行方面的顶尖水平，与其在前面的视觉识别任务中的表现形成鲜明对比。总体而言，GPT-6 Astra 是一个能力极强的模型，尤其在文本生成、深度研究和编码方面表现卓越，但在视觉定位等特定任务上仍存在明显不足。

“What I like about GPT-6 is that it's very concise, but it's packed with information.”

多模态与工作流能力的基准测试霸榜

GPT-6 Astra被宣称是全球最佳的计算机使用模型。它不仅能完成多步骤业务流程，还能在不同应用界面中操作、绘图、弹奏钢琴以及编辑文档和表格。在多项基准测试中，其表现均位居榜首：Agent Last Exam（复杂专业任务）、OS World（操作系统应用操作）以及3D对象重建测试中，GPT-6均为最佳表现者。此外，其在音乐理解方面也有显著提升，在弦乐四重奏基准测试（将音频转录为五线谱）中得分远高于前代GPT模型。这些量化数据证明了其在通用智能与多模态处理上的全面领先优势。

结论

GPT-6 Astra展现出极强的多智能体编排与计算机操作能力，在代码生成、复杂工作流整合及逻辑推理领域确立领先地位。其通过引入“批评者智能体”的迭代机制，能显著优化物理模拟、游戏场景构建及音乐制作质量。官方基准测试证实其在数学与终端代理任务中表现卓越，且优于竞品。

然而，模型存在明显的感知短板。在视觉识别方面，它无法通过基础的“找青蛙”测试，且在医学影像诊断中准确率极低。这表明尽管GPT-6在抽象逻辑与工具调用上具备“导演级”能力，但在细微视觉定位和精细专业判断（如医疗诊断、音频母带处理）上仍依赖人工干预或存在局限，并非全能型专家。