Astra押注电脑操作与Agent执行，但高分依赖测试环境，安全限制也更严。
冷月清谈：
怜星夜思：
2、ARC-AGI-3 在有状态环境接近满分、无状态调用却大幅下降，这种成绩还值得参考吗？
3、网络安全模型能力越强、限制也越多，怎样才能兼顾防御需求和滥用风险？
4、如果 Astra 价格明显高于普通模型，哪些工作值得交给它，哪些工作没必要？
原文标题：OpenAI 正式发布 GPT-6 Astra：全能 Agent 时代来了？
原文作者：图灵编辑部
原文内容
上周 OpenAI 发布了 GPT-6 Astra，官方给的定位是世界上最聪明、也最对齐的模型。
它落地的这个位置并不空旷。Anthropic 的 Claude Fable 5.1（9 月 1 日发布）和 Claude Opus 5，目前仍然是编程和 Agent 场景里大家默认的参照物。
Astra 这次的口径相当强硬：
-
FrontierMath Tier 4 拿到 97.6%
-
ARC-AGI-3 在自家适配器环境下拿到 99.9%
-
ExploitBench 直接 100%
-
OSWorld 2.0 电脑操作 72.6%，单任务耗时比上一代 GPT-5.6 Sol 少约 47%
前两个基准的特殊性在于，它们当初就是奔着跑在 AI 能力前面去设计的。所以把它们刷到接近天花板，跟在一个普通榜单上刷高分，不是一回事。
这篇文章会把新功能、跑分、以及几个必须提前知道的坑，都过一遍。
一分钟速览
|
项目
|
内容
|
|---|---|
|
定位
|
OpenAI 新旗舰，接替 GPT-5.6 Sol
|
|
价格
|
输入 输 出 50（每百万 token）
|
|
强项
|
电脑操作、数学、网络安全、长上下文
|
|
短板
|
Humanity's Last Exam（带工具）57.2%，落后 Fable 5.1 的 65.0%
|
|
最大的坑
|
ARC-AGI-3 那个 99.9% 依赖有状态的昂贵测试环境，API 直调达不到
|
|
特殊限制
|
网络安全能力越过 Critical 阈值，漏洞利用类能力默认锁死
|
Astra 到底是什么
一句话：OpenAI 在推理、电脑操作、Agent 执行这三块上的新顶配。
官方自己划的三个重点是：业界最强的电脑操作能力、专业工作产出上的台阶式提升、以及在 Preparedness Framework 下首次越过 Critical 阈值的网络安全能力。
对实际干活的人来说，最该看的一行数字是 OSWorld 2.0：Astra 72.6%，单任务约 40 分钟；GPT-5.6 Sol 65.7%，约 75 分钟。
准确率上去、耗时下来，这两件事同时发生，才是需要盯着的 Agent 和可以扔给它的 Agent 之间的分界线。
同期上线的还有更新版 Codex 环境，OpenAI 说在 Mind2Web 上任务完成速度是当前 Sol 体验的 1.9 倍。
模型在 API 里叫 gpt-6-astra，Amazon Bedrock 也能调；Pro、Business、Enterprise 三档额外提供 GPT-6 Astra Pro。
五个真正的变化
1. 它能自己开电脑干活
那种一下午就没了的多步骤杂活，现在可以整包丢过去：批量填报销单；更新 CRM 里的记录；给刚上线的页面跑一遍前端 QA；装软件、看着屏幕排查装不上的原因。
关键还是那个 47% 的时间削减。Agent 的成本是按墙钟时间算的，40 分钟干完和 75 分钟干完，在同样的工作量上差不多是价格减半。
2. 它开始交能直接用的文件
Astra 被专门训练过输出成品级的专业文档：文档、PPT、表格、分析报告，都按你的模板和文风来，而不是甩一坨通用初稿。
OpenAI 的演示里，它拿几页模板做出了一整套风格统一的幻灯片。
对于每次都要花一小时把模型吐出来的 Markdown 往公司模板里搬的人，模板贴合度就是最该第一时间去验的那一项。
配合 ChatGPT 里的 Sites，它还能直接从提示词生成、托管和分享网站、Web 应用和小游戏。
3. 它会挑时候提问
指令有歧义的时候，Astra 会自己判断：常规空白自己填，只在答案会改变结果时才回头问你。
OpenAI 给的对比很有画面感，同一个做个人职业网站的任务，GPT-5.6 Sol 埋头做了 13 分 15 秒交卷，Astra 做了 20 秒就停下来问："你要转的是哪个行业？"
在 Codex 里它还能异步提问：不依赖你回复的部分继续推进，只在关键决策上等你。
另外，任务中途改需求这件事，以前的模型常常理解成换了个新任务，把原来的约束全丢了。Astra 会把新要求并进去，同时接住你顺口问的那句题外话。
4. Codex 里能跨上下文窗口做笔记
以前上下文塞满了就压缩总结，代价是这个修法为什么失败这类细节会被压没。
Astra 换了个思路：跨窗口保留可检索的笔记，早期窗口依然可搜。哪怕当时的笔记没记全，它也能翻回去找到某条需求或某次测试结果。
这个功能目前是实验性的，要在 Codex 的 config.toml 里手动开，OpenAI 说未来几周会变成 Astra 的默认项。
5. 网络安全：最强的能力，也是被捆得最紧的
Astra 在网络安全上越过了 Critical 阈值，这既是它最猛的新能力，也是限制最多的一块。
发布时它只帮你做安全代码审查和打补丁，更进一步的活儿（比如写 PoC 漏洞利用）直接拒。
后续会通过 Daybreak 计划逐步放开：漏洞与 PoC 验证、恶意软件分析、检测工程。
跑分怎么看
下面这些数字来自 OpenAI 官方的发布表格。
电脑操作
-
OSWorld 2.0：Astra 72.6%，Sol 65.7%，Claude Opus 5 70.2%
-
ScreenSpot-Pro（不带工具的界面元素定位）：Astra 92.7%，Sol 76.9%，Claude Fable 5 87.3%
-
Agents' Last Exam：Astra 59.3%，Opus 5 55.5%，Sol 53.6%，而且输出 token 比 Opus 5 少约 65%
数学与知识
-
FrontierMath Tier 4 v2：Astra 97.6%，Fable 5.1 和 Fable 5 都是 87.8%，Opus 5 73.2%
-
GPQA Diamond：Astra 96.0%，Gemini 3.8 Flash 95.3%，Sol 94.6%
-
Humanity's Last Exam（带工具）：Astra 57.2%，输给 Fable 5.1 的 65.0% 和 Opus 5 的 63.6%
最后这条值得单独拎出来：它说明 Astra 不是横扫。
编程
-
Terminal-Bench 4.0：Astra 57.7%，Sol 37.3%，Fable 5.1 55.8%，Gemini 3.8 Flash 19.1%
-
FrontierCode 1.1 Main：Astra 53.3%，Fable 5 53.5%，Opus 5 53.4%——基本打平
-
DeepSWE v1.1：Astra 74.1%，Gemini 3.8 Flash 73.8%，Fable 5 69.9%
对 Gemini Flash 是大幅领先，对 Fable 5.1 只是小胜。
网络安全
-
ExploitBench：Astra 100%，Sol 78.5%，Opus 5 70%
-
ExploitGym：Astra 42.4%，Sol 30.3%
-
污染控制版 ExploitBench（题目取自 2026 年 6–8 月的新漏洞）：Astra 39.0%，Sol 5.5%
-
SRE-Bench（无源码逆向二进制）：Astra 一次通过 88.0%，Sol 55.9%
独立实验室 Irregular 的结果：226 道 FrontierCyber 题目，Astra 解出 86 道，Sol 34 道，其中还包括浏览器和某云数据库的 0day。
ExploitBench 考的就是能不能把已知漏洞变成可用的利用代码。满分是什么概念，这也解释了 OpenAI 为什么一上来就把这块能力锁住。
长上下文
OpenAI MRCR v2 八针测试：256K–512K 区间 100%，512K–1M 区间 96.3%；Sol 分别是 91.5% 和 73.8%。
百万 token 级别的检索可靠性，这是对文档密集型流水线的实打实提升。
对齐
-
内部电脑操作安全基准（越低越好）：Astra 2.4%，Sol 22.0%，Fable 5.1 9.5%，Opus 5 11.5%
-
真实工作环境下、无确认策略时的整体失准率：Astra 3.4%，Sol 18.8%，GPT-5.6 Terra 13.5%
但 OpenAI 自己点名了一处退步：思维链可监控性。
Astra 的推理更短、更简洁，对自己的 CoT 控制力也远强于 Sol——在 750 到 1250 token 区间的 CoT-Control 测试里，它 60.9% 的时候能守住约束，Sol 只有 16.1%。
问题正出在这个控制力上。英国 AISI 发现，在对抗性提示下 Astra 能够规避监控。OpenAI 把它列为了研究优先项。
三个必须提前知道的坑
坑一：ARC-AGI-3 的 99.9% 换个环境就不成立。ARC Prize 的独立复测显示，标准的无状态环境下，分数在 17% 到 63% 之间浮动（取决于推理档位）。只有保留推理状态的适配器环境才能跑到接近 99.9%，而且跑一轮完整测试要花掉几万美元。你在 API 里无状态地调它，就别指望发布图表上那个数字。
坑二：安全护栏会打断正常工作。因为风险等级抬高了，额外的安全检查可能中断合法任务：在 ChatGPT 或 Codex 里会弹出来让你确认，在 API 里则是直接终止。工作流沾安全的团队，排期时要把中断算进去，并且提前把 system card 读完。
坑三：跨版本跑分不能直接比。我们之前测 GPT-5.6 Terra 时，它在 Terminal-Bench 2.1 上拿了 87.4%。而 Astra 这次的 57.7% 是 4.0 版本。数字看着一高一低，其实不是同一张卷子。
主要对手横向对比
|
基准
|
GPT-6 Astra
|
GPT-5.6 Sol
|
Claude Fable 5.1
|
Claude Opus 5
|
Gemini 3.8 Flash
|
|---|---|---|---|---|---|
|
OSWorld 2.0
|
72.6%
|
65.7%
|
-
|
70.2%
|
-
|
|
FrontierMath Tier 4 v2
|
97.6%
|
83.0%
|
87.8%
|
73.2%
|
-
|
|
GPQA Diamond
|
96.0%
|
94.6%
|
93.7%
|
93.7%
|
95.3%
|
|
Terminal-Bench 4.0
|
57.7%
|
37.3%
|
55.8%
|
52.3%
|
19.1%
|
|
ExploitBench
|
100.0%
|
78.5%
|
-
|
70.0%
|
-
|
|
ARC-AGI-3（适配器环境）
|
99.9%
|
7.8%
|
-
|
30.2%
|
-
|
价格和开放范围
先给一小批组织，随后几天覆盖 ChatGPT Plus、Pro、Business、Enterprise，以及 OpenAI API 和 AWS。
企业管理员可以按工作区开启，发布时默认是关的。
API 标准定价：
-
输入：每百万 token $10
-
输出：每百万 token $50
-
Fast 模式：最高 2.5 倍速度、2 倍价格（约 100）
-
缓存读写另计
做个对照：GPT-5.6 Terra 是 12，Claude Opus 5 是 25。
Astra 的定价姿态很明确——它是拿来做前沿推理和自动化的，不是用来跑大批量文本的。
符合条件的 API 客户支持零数据保留（ZDR），用量算在现有订阅额度内，可以额外购买。
已经刷屏的几个案例
3D 建模。 X 用户 Tom Krcha 丢给 GPT-6 一张房子的照片，让它在 Blender 里做出完整 3D 场景，玩具、家电、家具全都建出来了，几何体可以手动改，还能在本地以 60fps 当游戏跑。
一次成型的游戏。 来自 OpenAI 发布报道的 Pietro Schirano 那个版本传得最广，画面、玩法、动效都在线。按 OpenAI 的说法，这意味着不懂技术的人也能在几分钟内做出超越简陋 demo 的自定义游戏。
视频转代码。 还是 Pietro Schirano，把一段视频丢进去，右边直接生成了可交互的代码复刻版，还原度高得有点吓人。
写在最后
GPT-6 Astra 传递的信号很清楚：OpenAI 认为下一个竞争前线是 Agent 执行和电脑操作，而不是纯对话质量。
数学和抽象推理刷到饱和确实好看，但真正能拿去做决策的那一行，是 OSWorld 2.0 的 72.6% 加 40 分钟。对绝大多数团队来说，一个把真实桌面任务做得更快更准的 Agent，才是实际差别。
至于AGI 到了这种情绪，有两条得压一压：
-
ARC-AGI-3 那个招牌数字依赖有状态的昂贵环境，无状态调用别指望 99%；
-
Humanity's Last Exam（带工具）上，Astra 是输给 Fable 5.1 和 Opus 5 的。
这是一个专长非常明确的强模型，但不是一次全面碾压。
最值得持续盯的是安全这条线。越过 Critical 阈值意味着 Astra 出厂就被重度限制，在 Daybreak 放开之前，PoC 漏洞利用一律拒绝，而且它的护栏还会误伤正常的防御性工作。
如果你的业务沾安全，排期里留出中断的余量，然后把 system card 从头读一遍。
