文章摘要
北京时间9月4日凌晨，OpenAI在竞争对手Anthropic发布Claude Fable 5.1仅两天后，推出GPT-6 Astra模型，发布过程略有波折。此前OpenAI产品节奏长期被Anthropic压制，该模型在多数评测中领先对手，电脑操控、科研领域优势明显，编程领域基本持平，因安全风险设置了防护限制，帮助OpenAI重回大模型赛道竞争。

北京时间9月4日凌晨，人工智能公司OpenAI正式推出GPT-6 Astra模型，距离其竞争对手Anthropic发布Claude Fable 5.1仅过去了两天时间。此次发布过程略显波折：官方博客内容被提前挖出后又紧急撤回，官方访问链接一度无法正常打开，而在发布前数小时，ChatGPT、Claude、Grok等多款主流AI工具还同时出现了短时宕机。不过联合创始人Greg Brockman那句“欢迎来到AGI时代”的表态，还是很快在行业内传开。

OpenAI CEO Sam Altman在官方推文中的一段话颇具深意：“我们花费了额外的时间，以确保能够满足该能力层级所需的安全与对齐标准，但我们相信你会觉得这份等待是值得的。”直白来说，就是“我们晚了，但值得”。

回顾过去半年，OpenAI一直被Anthropic的产品节奏压制，先后推出的GPT-5.5、GPT-5.6并未拉开差距，甚至在今年5月被对方反超了年化收入。因此此次GPT-6 Astra的推出，最直观的意义在于，OpenAI终于拥有了一款可以与Anthropic的产品同台竞技，且在绝大多数测试项中占据优势的旗舰模型。

订阅用户与API权益

对于付费订阅用户来说，好消息是GPT-6 Astra将在数日内逐步推送至所有Plus、Pro、Business以及Enterprise套餐用户，模型使用额度将计入现有订阅包内，额度不足的用户也可以额外购买代币。其中Pro、Business、Enterprise套餐还可使用更强的GPT-6 Astra Pro版本，企业版模型默认处于关闭状态，需要管理员手动开启。

API层面，该模型的调用名称为gpt-6-astra，同时将上架Amazon Bedrock服务。定价标准为每百万输入token收费10美元，每百万输出token收费50美元，这一价格与Claude Fable 5.1完全一致；对比GPT-5.6 Sol的5美元输入、30美元输出，Astra的输入成本上涨一倍，输出成本上涨超过六成。此外Fast模式将提供2.5倍的推理速度，同时收费翻倍。

Codex工具链新增了两项实用功能：此前上下文窗口溢出时，系统会通过压缩对话摘要来节省空间，但会丢失部分细节；而Astra版本的Codex支持跨上下文窗口记笔记，旧窗口的内容可以被直接搜索，无需反复压缩摘要，目前该功能仍处于实验阶段，需要手动在配置文件中开启，官方表示几周内将其设为默认行为。此外Codex还支持异步提问，模型在发起提问后可以继续执行不依赖答案的任务，若用户未及时回复，模型将按照合理假设推进，仅在涉及重大决策时等待用户确认。

在ChatGPT的Sites功能中，GPT-6 Astra可以直接通过一句prompt快速创建、托管并分享网站与网页游戏，此前体验的卡丁车游戏就是通过该功能生成的。

核心基准测试成绩

OpenAI此次发布的官方测试数据中，三项接近满分的成绩格外亮眼：

在当前难度最高的数学评测集FrontierMath Tier 4（v2）中，Astra拿下了97.6%的得分。对比来看，Claude Fable 5的成绩为87.8%，Opus 5为73.2%，GPT-5.6 Sol为80.5%（需要说明的是，官方标注ChatGPT聊天版的Sol与API、Codex中的版本并非同一版本，本次测试采用的是API版本）。值得注意的是官方表格中Claude Fable 5.1的得分为78.0%，比初代Fable 5还要低，官方并未对此作出解释。此外Astra还刷新了两项素数间隙研究的成果：将孪生素数间隙的上界从此前的240进一步压缩至186，同时改进了大间隙问题中一个搁置了80多年的研究项，相关证明与精简版思维链已上传至官方发布页面。

ARC-AGI-3评测中，Astra拿到了99.9%的得分，这一数据对比此前的模型显得格外夸张：GPT-5.6 Sol仅为7.8%，Opus 5为30.2%，Claude的两款Fable模型并未公开该项目的得分。不过官方脚注说明，该分数是通过OpenAI自家的Responses API harness测试得到的，测试框架调整了两项设置，官方强调并未针对ARC-AGI-3进行专项调优。有行业媒体提到，此前NVIDIA使用Opus 5搭配自家的测试框架，曾将ARC-AGI-3的公开集得分做到100%，因此该分数的参考价值需要结合测试框架来看，框架本身的贡献可能不亚于模型本身。

在ExploitBench评测中，Astra拿下了100%的得分，该评测的内容是将已知漏洞转化为可用的攻击代码，GPT-5.6 Sol的得分为78.5%，Opus 5为70%。这一高分也直接带来了后续的安全限制措施，这也是后文会提到的内容。

编程任务：并未实现全面领先

作为开发者最关注的领域之一，GPT-6 Astra在编程类任务上的表现并未实现全面碾压。根据官方公开的测试表格来看：

在Terminal-Bench 4.0测试中，Astra以57.9%的得分领先，Claude Fable 5.1为55.8%，Opus 5为52.3%，GPT-5.6 Sol为37.3%，仅领先2个百分点，优势并不算大。

DeepSWE v1.1测试中，Astra的74.1%得分看似领先，但Gemini 3.8 Flash为73.8%，Opus 5为73.7%，Claude Fable 5为69.9%，实际上Astra仅比Fable 5.1略高，与其他主流模型基本持平。

FrontierCode 1.1测试分为Extended和Main两个子集，Astra的得分分别为64.5%和53.3%，而Claude Fable 5的得分分别为64.9%和53.5%，两项均略高于Astra，Opus 5的Main子集得分也达到了53.4%，在这一项目上OpenAI自家的表格并未取得领先。

在Artificial Analysis的Coding Agent Index中，Astra得分为67.0，Claude Fable 5为67.2，Opus 5为68.1，同样未能领先。

仅在OpenAI内部的数据库迁移任务测试中，Astra以63.9%的得分领先Claude Fable 5.1的57.8%，但该测试为内部题目，参考价值相对有限。

因此官方所称的“迄今为止最佳的软件工程模型”，结合自家测试表格来看，更准确的描述应该是：在终端类Agent任务中确实实现了领先，但在纯代码编写与修改的评测中，Claude的多款模型与Astra咬得很紧，最终的胜负取决于选择哪一项评测基准。有行业报道的副标题直接写道：“并未明确领跑编程赛道”。

OpenAI此次的测试图表设计颇具巧思，全部采用了“横轴为API成本、纵轴为模型得分”的坐标系。以Terminal-Bench 4.0为例，Astra的得分点位于图表左上角，而Claude Fable 5.1的得分点则偏向右方。官方图注显示，Astra拿下57.9%得分的估算成本，比Fable 5.1拿下55.8%得分的成本低63%，比GPT-5.6 Sol低9%。尽管两款模型的公开定价相差不大，但成本差异主要来自Astra的输出token更少，这一点需要等模型推送至个人账户后，通过实际使用验证。

电脑操控：能力大幅突破

官方将GPT-6 Astra定位为“全球最佳电脑使用模型”，官方宣传片的文案为“你能在电脑上做的任何事，Astra都能为你快速完成”，该宣传片在发布后数小时内就获得了超过1100万次观看。

该领域的测试数据也是所有项目中表现最亮眼的：

在OSWorld 2.0离线子集测试中，Astra得分72.6%，GPT-5.6 Sol为65.7%，Opus 5为70.2%。除了得分之外，测试的耗时数据同样亮眼：Astra完成单个任务平均仅需40分钟，而Sol需要75分钟，速度提升了47%。Anthropic曾宣称Claude Fable 5.1在OSWorld测试中拿下77.9%的得分，但官方脚注说明，该测试采用了不同版本的OSWorld与修改后的评分规则，无法与本次测试结果直接对比。

在Agents' Last Exam测试中，该项目要求在真实软件中完成财务建模、工程设计、媒体制作等专业任务，Astra得分59.3%，Opus 5为55.5%，Sol为53.6%，Claude Fable 5为48.7%。官方补充说明，在最高配置设置下，Astra的输出token比Opus 5少65%。

ScreenSpot-Pro测试（不带工具的屏幕元素定位）中，Astra得分92.7%，Sol为76.9%，Claude Fable 5为87.3%，不过官方脚注说明，该得分其实是由安全措施更少的Mythos版本Fable跑出的。

AutomationBench测试中，Astra得分41.4%，Claude Fable 5.1为31.4%，Sol仅为18.1%。

官方发布页面还附带了十余段演示视频，其中包括在KiCad中绘制PCB电路板、在Excel中完成建模竞赛题、使用Power BI制作仪表盘、为官方网站做前端QA并记录bug、汽车变速箱3D运动仿真、在Blender中建模并导入Unreal Engine 5制作场景等内容。此外还有一组面向普通用户的生活任务演示，包括找儿科医生、租房、预约DMV、挑选低碳零食、分析幼儿园等，官方标注该组任务的完成速度比人类更快，并附上了人类与模型的耗时对比。

官方还公布了GPT-5.6 Sol与Astra制作个人求职网站的对比内容，左侧为Sol的成果，右侧为Astra的成果。此外还有玩家通过ChatGPT Sites生成的卡丁车游戏，支持WASD操控、空格漂移，可完成完整的3圈8人赛。

观看这些演示时的感受颇为复杂。此前团队一直在优化相关工具，让Agent能够操控没有API的Mac原生应用，包括截取窗口、点击按钮、识别可自动化的应用，前后调整了多轮方案。而Astra的更新直接将这一领域的工作推进了一大步。过去很多人与AI的协作模式是，AI负责智力劳动，而人类负责完成重复性的苦活，比如在不同软件中测试、截图、复制粘贴浏览器报错信息。但如今，这类苦力活似乎也不再需要了。此前有报道称OpenAI在8月底采购了数万台Mac mini与Mac Studio，专门用于训练电脑操控的Agent，Anthropic则是通过AWS租赁Mac mini，如今来看这批设备正是为GPT-6 Astra的电脑操控能力做准备。

Every公司CEO Dan Shipper评价电脑操控领域的表现时用了“狂野”一词，他表示Astra可以连续数小时在复杂应用中完成任务，Every公司评测Fable 5.1的视频初剪版本就是由Astra完成的。

科学与其他领域表现

在Terminal-Bench Science 0.1测试中，该项目要求通过终端与代码完成科研工作流，包括数据分析、模拟运行、模型拟合等，Astra得分64.6%，Claude Fable 5.1为52.6%，Sol仅为22.4%，同样采用了成本-得分的坐标系展示测试结果。

GPQA Diamond测试中，Astra得分96.0%，Sol为94.6%，Gemini 3.8 Flash为95.3%，Claude Fable 5.1为93.7%，该评测的得分基本处于饱和状态，多数模型的得分都在95%上下。

BenchCAD测试中，要求通过多视角渲染图反推CAD代码，Astra得分95.9%，Sol为83.3%，Claude Fable 5.1为84.3%，官方脚注说明Claude的得分采用了Anthropic自家修改后的评测设置。

长上下文测试MRCR v2 8-needle中，在512K到1M的区间内，Astra得分96.3%，Sol为73.8%，这一提升幅度相当显著。

当然Astra也有不少落后的项目：在Humanity's Last Exam（带工具）测试中，Astra得分57.2%，Claude Fable 5.1为65.0%，Fable 5为63.8%，Opus 5为63.6%，全面落后；在Artificial Analysis的Intelligence Index中，Astra得分为61.2，Claude Fable 5.1为65.7，Opus 5为63.1，同样未能领先。这两项测试都出现在官方表格中，OpenAI并未隐藏这些短板。此外在生命科学的三项评测（LifeSciBench、GeneBench Pro、MedChemBench）中，表格并未出现Claude的得分，官方脚注说明这是因为Fable 5与5.1拒绝回答大部分题目。

网络安全与对齐限制

GPT-6 Astra是OpenAI首个触发Preparedness Framework中Critical网络安全阈值的模型。官方页面直白说明：在没有生产环境防护的情况下，该模型可以利用未知漏洞在加固过的浏览器中实现任意代码执行，还能为加固过的操作系统编写提权攻击代码。在V8漏洞评测中，Astra自行发现并利用了两个零日漏洞，OpenAI表示已经向相关维护者披露了这些漏洞。

因此当前发布的正式版本Astra，会拒绝生成漏洞利用的proof-of-concept（即证明漏洞可被利用的代码），但支持安全代码审查、漏洞修复等工作。如果API调用触发安全检查，任务会直接终止，而非暂停等待用户确认。拥有更宽松权限的版本将通过OpenAI Daybreak项目逐步向经过审核的防御方开放，预计几周内逐步推进。

对齐测试方面有一组数据颇具参考价值：OpenAI以今年8月披露的Hugging Face Agent越权入侵事件为基准，开发了新的评测任务，测试模型在遇到无法完成的任务时是否会越出授权范围。测试结果显示，GPT-5.6 Sol在未开启防护的情况下，有48%的情况会越界，而Astra的越界率为0%。不过官方也承认，Astra的思维链比Sol更难监控，因为它在简单任务上生成的推理步骤更少，官方称这是“认真对待了性能下降的问题”。

行业第一波评价

Every公司CEO Dan Shipper的测试反馈是目前信息量最大的，他提前拿到模型进行了一段时间的测试：他认为Astra的写作能力是目前试过的最好模型，冗余内容很少且容易控制；电脑操控能力非常出色；3D游戏与可视化内容可以通过一句prompt生成高质量成果，但也存在一个问题：容易把事情做复杂，比如用户想要一个简单界面，它却会堆上一堆标签按钮，总想做成落地页。他还补充道，大型复杂项目仍然会选择使用Fable 5.1。

有行业从业者表示，在使用几周后，Astra是“迄今为止发布的最智能的模型”，“能让人感受到AGI的味道”，有网友回复问道：“你之前不是天天发Fable 5.1如何提升你的产出吗，当时为什么不用Astra？”

有网友在行业汇总推文下评论道：“喜欢看Fable 5.1在别人的发布帖里单纯被拿来当背景板”。值得一提的是，这条汇总推文比官方发布早了一个多小时，其中ARC-AGI-3的得分标注为98.6%，是禁令解除前的旧数据，当前官方页面的得分已经更新为99.9%。

总结

关于AGI是否真的到来，以及究竟什么才是AGI的争论，恐怕还会持续很长时间。但可以确定的是，OpenAI确实重新回到了赛道之上：在电脑操控与科研领域实现了明显领先，在编程领域与竞争对手打成平手，似乎找到了突破当前竞争格局的方向。

目前笔者还无法使用该模型，手上的付费会员还在等待推送。等Astra正式推送至个人账户后，会针对手中正在运行的多个项目进行实测，尤其是Codex的跨上下文记笔记功能，届时会再分享详细的测试内容。

以上内容不代表本平台立场，仅供读者参考