ai models阅读约 16 分钟

从75分钟到40分钟:GPT-6 Astra 真正擅长的是什么

OpenAI 于2026年9月3日发布 GPT-6 Astra,称其为世界上最聪明的模型。但它自己的基准表讲了一个更尖锐的故事:窄任务上的跃升极为惊人(Terminal-Bench Science 22.4%→64.6%,SRE-Bench 55.9%→88.0%,OSWorld 单任务耗时减少47%),而中立综合指标只动了0.3分。哪些提升是真的,哪些带着脚注,以及一个百万 token 的文本模型至今仍然做不到什么。

K
Ken Jo
#gpt-6#astra#openai#computer-use#long-context#ai-benchmarks#agents#ai-models

2026年9月3日,OpenAI 发布 GPT-6 Astra,称它是"世界上最聪明、对齐最好的模型"。

而在同一篇公告的基准表里往下数四行,就是 Artificial Analysis Intelligence Index v4.1.1:Astra 61.2,GPT-5.6 Sol 60.9,Claude Fable 5.1 65.7。这个新旗舰比自家上一代高0.3分、比竞争对手低4.5分的数字,是 OpenAI 自己印上去的。

两件事都是真的,而它们之间的张力就是这次发布的全部。这不是一个整体上变聪明了的模型。这是一个在特定清单上的事情做得好太多的模型,而这份清单值得精确了解,因为它与营销摘要在两个方向上都对不上。

要点速览:

  • 窄领域的提升极大,且可用一手资料核实。 Terminal-Bench Science 22.4%→64.6%,SRE-Bench 单次尝试 55.9%→88.0%,ScreenSpot-Pro 76.9%→92.7%,512K–1M 区间的 MRCR 8-needle 检索 73.8%→96.3%。全部对比 GPT-5.6 Sol,全部出自 OpenAI 公开的表格。
  • 速度提升可能比任何分数都重要。 在 OSWorld 2.0 上,Astra 以每任务约40分钟拿到 72.6%,Sol 是约75分钟拿到 65.7%,耗时减少约47%。
  • 综合指标几乎没动。 在 OpenAI 自己印出的唯一一项跨厂商指标上,Astra 比 Sol 高 0.3,比 Claude Fable 5.1 低 4.5。而且它自家表格里唯一输掉的学术行也在:带工具的 Humanity's Last Exam,57.2% 对 65.0%。

GPT-6 Astra 的两张成绩单:五项大幅超越 GPT-5.6 Sol 的专项基准,以及 Sol、Astra 与 Claude Fable 5.1 几乎持平的中立 Artificial Analysis Intelligence Index

所有数字均取自 OpenAI 自己的公告表格。来源见文末。

去掉形容词的规格表

在展开论点之前,先看可以自行查证的事实。以下内容来自2026年9月5日 OpenAI 开发者文档中的 gpt-6-astra 模型页。

GPT-6 Astra
API 模型 IDgpt-6-astra
发布日期2026年9月3日
上下文窗口1,050,000 tokens
最大输出128,000 tokens
知识截止2026年4月30日
输入模态文本、图像
输出模态文本
推理强度low、medium、high、xhigh、max
每百万输入 token$10.00
每百万缓存输入 token$1.00
每百万输出 token$50.00
可用渠道ChatGPT Plus、Pro、Business、Enterprise;OpenAI API;Microsoft Azure;AWS Bedrock

这张表里有三处细节被大多数报道略过,而它们不该被略过。

输入超过272,000 token 的请求,整个请求按输入与缓存费率的2倍、输出费率的1.5倍计费。也就是说这个百万 token 窗口中间有一道悬崖,不是统一价。Batch 与 Flex 处理是标准费率的50%;Fast 模式2倍价格换最多2倍速度,且不附带延迟 SLA。

工具调用必须走 Responses API。普通生成仍可用 Chat Completions,但 temperature、top_p 和 top_logprobs 被彻底移除了。如果你在迁移一条会调采样参数的流水线,那套调参本身已经不存在了。

还有,Astra 接收文本和图像,输出文本。它听不见。这一点后面还会回来说。

真正的头条是电脑操作,而真正的数字是时钟

OpenAI 的说法是 Astra"在电脑与浏览器使用上开辟了新前沿"。在这一点上,证据撑得住这个形容词。

OSWorld 2.0 测的是浏览应用、移动文件、填写表单这类桌面任务,Astra 得 72.6%,Sol 得 65.7%,高出6.9分,算体面。真正有意思的数字在旁边:在 OpenAI 的延迟模拟中,Astra 完成平均任务约用40分钟,Sol 约用75分钟,减少了大约 47%。

OSWorld 2.0:GPT-5.6 Sol 每任务约75分钟得65.7分,GPT-6 Astra 约40分钟得72.6分,耗时减少47%

左边是分数,右边是实际墙钟时间。来源:OpenAI GPT-6 Astra 公告的 Computer Use 部分。

关键在这里:对于一个你把活交出去然后等着的模型,真正出现在你一天的日程和账单上的指标是单任务耗时。准确率提高7分是一个评测结果。等待时间减半是另一个产品。

电脑操作这一块其余部分也保持一致。测试模型能否在密集界面中找到并点中正确像素的 ScreenSpot-Pro,在无工具条件下从 76.9% 升到 92.7%。测试真实软件中复杂专业任务(从财务建模到媒体制作)的 Agents' Last Exam 拿到 59.3%,高于 Claude Opus 5 的 55.5% 和 Sol 的 53.6%,而且 OpenAI 指出 Astra 达成这一成绩所用的输出 token 比 Opus 5 少约 65%。在 Mind2Web 浏览器基准上,配合更新后的 Codex harness,OpenAI 报告任务完成速度比当前 Sol 配置快1.9倍。

仔细读,最后这个数字是系统主张而非模型主张——harness 加模型。但用户体感到的正是这个数字,所以它既值得引用,也值得贴上标签。

那些演示实际展示了什么

OpenAI 这次随公告发布的是屏幕录像而不是静态图,它们是这次发布中最能说明"电脑操作"如今意味着什么的材料。我们没有转存,它们在 OpenAI 的公告页上可以直接播放。OpenAI 自己的脚注4写明所展示的片段是剪辑过的节选,时间是对应演示运行的报告耗时——这是观看时应当一起带上的限定条件。

值得看的四个:

  1. KiCad 中的 PCB 布线 — 一段15秒压缩回放,Astra 把电路原理图变成可制造的电路板,摆放元件并走铜线。布线通常是手工活,也是电子设计中常见的瓶颈。
  2. 从 Blender 到 Unreal Engine 5 — 建好一栋房子的模型,再把它转成可行走的场景,这类交接通常要花设计师一整天。
  3. 按模板生成幻灯片 — 只给 Astra 几页 OpenAI 的演示模板,让它做一份关于虚构模型的演示稿,并保持语气和版式一致。这是与办公工作最相关、也最不炫目的一个演示。
  4. 操作基因组学软件 — 在专业科研工具里检查测序质量并可视化遗传变异。

OpenAI 还发布了一张静态对比图,展示的是行为变化而非分数:Sol 和 Astra 各自帮忙做一个个人职业网站,当指令留有解释空间时,Astra 会提出一个有针对性的问题,而不是猜。

OpenAI 发布的 GPT-5.6 Sol 与 GPT-6 Astra 制作个人职业网站的对比图,Sol 直接假设的地方 Astra 提出了澄清问题

图片来源:OpenAI,"GPT-6 Astra: A new generation of intelligence",2026年9月3日。图中体现的行为——答案会改变结果时就问,不会时就继续——是厂商演示,并非独立基准测得。

上下文窗口的远端不再塌陷

这是本次发布中被讨论最少、但对处理长文档的人来说可能最重要的结果。

长上下文的营销已经不可信了三年,因为宣传的窗口和可用的窗口是两个数字。模型接受一百万 token,然后过了几十万就检索不出来。而 Astra 根本没有加宽窗口——GPT-5.6 Sol 的上下文同样是 1,050,000 token。变的是窗口远端发生的事。

在 OpenAI 的 MRCR v2 8-needle 测试中,Astra 在 256K–512K 区间拿到 100.0%,Sol 是 91.5%;在 512K–1M 区间 Sol 掉到 73.8%,而 Astra 守住 96.3%。窗口顶端22.5分的差距,是规格与功能之间的差距。

OpenAI MRCR v2 8-needle 检索表现:256K–512K 区间 Sol 91.5、Astra 100.0;512K–1M 区间 Sol 73.8、Astra 96.3

厂商自报数据,取自 OpenAI 的 Long Context 表。需要注意的是 MRCR 是 OpenAI 自家的基准。

与之配套,Codex 加入了一项实验性机制:Astra 不再把长会话压缩成一份有损摘要,而是跨上下文窗口保留笔记,并让此前的窗口保持可检索。OpenAI 表示几周内它会成为 Astra 的默认设置。压缩丢失——忘记三小时前那次修复为什么失败——是长时间智能体会话里最常见的失败方式,所以这是针对一个真实问题的定点修复。

本次发布最大的提升出现在终端与科研工作上

如果把所有对比 GPT-5.6 Sol 的公开结果按提升幅度排序,排在最前面的既不是数学也不是一般意义上的编程,而是操作终端的智能体。

基准GPT-5.6 SolGPT-6 AstraClaude Fable 5.1
Terminal-Bench Science 0.122.4%64.6%52.6%
SRE-Bench(单次尝试)55.9%88.0%–
Terminal-Bench 4.037.3%57.9%55.8%
AutomationBench18.1%41.4%31.4%
内部数据库迁移任务42.7%63.9%57.8%
FrontierMath Tier 4 (v2)83.0%97.6%87.8%
GPQA Diamond94.6%96.0%93.7%
Humanity's Last Exam(带工具)–57.2%65.0%

Terminal-Bench Science 几乎翻了三倍。在没有源码的情况下逆向编译后二进制的 SRE-Bench,单次尝试从 55.9% 升到 88.0%,四次以内达到 99.2%。AutomationBench 翻了一倍多。这些不是舍入误差级别的改进,而且它们紧密地归到同一个描述上:一个能在多个步骤中操作工具而不丢线索的智能体。

在数学上,OpenAI 公布了两项关于素数间隔的新结果,并附上了证明 PDF。Astra 参与确立了无穷多对素数彼此间距不超过186这一结论,改进了 Julia Stadlmann 最近确立的240,而240本身又改进了保持了十多年的246。第二项结果改进了一个关于大素数间隔的界式中的一项,该项已经80多年未变。它们是可核验的产物而非基准表格里的一行,这使它们成为整篇公告中最经得起时间的主张。

营销跑到证据前面的地方

现在从测量转向判断。我们的看法是:这是一次重要的发布,但被用错了词汇来描述,而反驳这套框架的证据是 OpenAI 自己提供的。

中立综合指标是平的。 印在 OpenAI 自家 Professional 表里的 Artificial Analysis Intelligence Index v4.1.1:Astra 61.2,Sol 60.9,Fable 5.1 65.7,Opus 5 63.1。同样在 OpenAI 表格里的 Coding Agent Index v1.4,Astra 是 67.0,低于 Opus 5 的 68.1 和 Fable 5 的 67.2。一个在综合分上与自家上一代打平的模型,无论公告怎么写,都不是通用能力上的代际跃迁。按 Artificial Analysis 当前的 v4.2 方法(2026年9月5日取得),排序形状也没变:Fable 5.1 56.8,Astra 54.7,Opus 5 54.1。

"饱和"这个词承担了太多。 ARC-AGI-3 的 99.9% 是真实数字,而 OpenAI 的脚注1说明它是用一套"改动了两项设置以更贴近真实性能"的 Responses API harness 跑出来的。普通的无状态 API 调用不是那套 harness。请把 99.9% 当作调优配置下的天花板,而不是你的集成会有的表现。

FrontierMath 不是中立裁判。 运营该基准的 Epoch AI 已披露,OpenAI 资助了它的开发,并对其中一部分拥有独家访问权。97.6% 很惊人,但它不是独立的。

ExploitBench 的100%同样有脚注。 OpenAI 对2026年6至8月漏洞更新版的说明写道,其中部分漏洞在该评测的约束条件下可能无法实现任意代码执行——这句话悄悄地让原版满分的含义变复杂了。

每个头条分数都是最佳设置下的成绩。 OpenAI 明确说明评测分数取任意强度下的最大值。在 max 强度下,Artificial Analysis 测得的首 token 时间为463.7秒,也就是第一个词出来前要等将近八分钟,而同价位推理模型的中位数是3.86秒。之后的输出速度是每秒87.5 token,这一项高于该中位数。头条数字和一个响应迅速的应用,不是同一套配置。

价格是2.5倍。 GPT-5.6 Sol 的模型页写明每百万输入 token $4.00、输出 $20.00,Astra 是 $10.00 和 $50.00,两边恰好都是2.5倍;而且 Sol 那个价本身是促销价,公布的有效期至少到2026年11月21日。诚实的反向砝码是 token 效率:Artificial Analysis 跑完整套 Intelligence Index 的成本,Astra 是 $2.57,Fable 5.1 是 $6.12,Opus 5 是 $4.21。Astra 单 token 更贵,单个完成任务更便宜——在有人把标价当结论引用之前,这个区别值得说清楚。

还有,它在一些方面更透明,在另一些方面更不透明。 系统卡报告 Astra 的事实性错误显著少于 Sol,在内部测试中从未试图绕过 Codex Auto-Review 的拒绝,在越界评测中超出授权目标的比例为0%,而同一评测里没有防护的 Sol 是48%。但同一份文档也报告,Astra 写下的推理比 Sol 更难监控。OpenAI 将其归因于思维链变短,并表示严肃对待。这两点应当写在同一段里。

四件我们无法核实的事,如实标注

围绕这次发布的报道在某些具体位置跑到了证据前面。

有二手报道称 Astra 在 GDPval、银行业工具使用、长文档推理以及长周期智能体测试的演示稿质量上出现退步。我们查证过:GDPval 在 OpenAI 的公告里根本没有出现,而且我们没能找到 OpenAI 公布的 Astra GDPval 数字,也没有找到已完成的独立复现来对照这一说法。这个缺席本身值得注意——GDPval 正是围绕跨职业的经济价值工作构建的基准。但"缺失"和"退步"是两个不同的结论,目前只有前者成立。

关于 Astra 在内部评测中发现两个此前未知的零日漏洞这一说法,写在 OpenAI 的公告里,并承诺向维护者披露。它未经独立确认,漏洞也未被指明。

"GPT-6 Astra Pro"被提到面向 Pro、Business 和 Enterprise 计划,但截至2026年9月5日没有公布单独的定价、基准或模型卡。OpenAI 之外没人知道它是什么。

显示 Astra 4.2%、Sol 12.2% 的内部幻觉基准,就是字面意义上的内部基准。OpenAI 说明了它的构造方式(用户标记为含事实错误的去标识化 ChatGPT 对话),并明确指出其绝对数值按设计就偏高,不应当作生产环境的幻觉率来读。方向可信,数字不可搬运。

前沿模型依然听不见

对于工作以语音形式到达的人来说,下面这个细节重新框定了这次发布的意义。

GPT-6 Astra 的输入模态是文本和图像,输出模态是文本。OpenAI 出过的最强模型——百万 token 窗口、操作桌面快47%、在上下文远端做到 96.3% 检索——没有耳朵。

这不是疏漏,而是架构。前沿推理模型和语音模型是两条产品线,音频工作依然要先经过一道转写,推理模型才看得到东西。也就是说,Astra 对一段对话所能做的一切,其质量上限都由上游、由那个把对话变成 token 的东西决定。如果转写把两位说话人并成了一个,或者在双语会议里漏掉了泰语段落,或者在网络抖动的90秒里丢了内容,那么一个百万 token 的上下文窗口不过是一个装着有缺陷输入的超大容器。

这是模型发布从来不会修的那一层,也是每出一款新旗舰就更少被关注的那一层。推理层持续以可以画成曲线的速度变好。采集层——不掉帧地录完一小时、把说话人分开、处理一场句子中途就切换语言的会议——是在另一条完全不同、慢得多的曲线上改进的。下游再强的前沿智能,也补不回上游一份糟糕的转写。

结论:前沿长的是手臂,不是脑袋

GPT-6 Astra 是一次长手臂发布。它在特定种类的工作上伸得远得多——操作终端、驱动桌面、从百万 token 的远端检索、逆向一个二进制文件——而我们通常称为智能的那部分,在所有可获得的中立指标上几乎没动,包括 OpenAI 自己印出来的那一项。

这不是件令人失望的事。它其实是比另一种情况更有用的形状,因为窄能力比通用能力更快落到生产里。但这意味着采购时该问的问题变了。"它更聪明了吗"现在几乎得不到有意义的答案;"它在我一天要跑四十遍的那个循环上更好了吗,那个循环现在要多久"则能得到非常好的答案。

去看那个和你的工作长得像的基准。忽略综合分。看时钟,不只是看分数。

Telli.sh 的位置: 这次发布让人看清的那道缝隙——出色的推理架在采集层递上来的东西之上——正是我们在做的地方。Telli.sh 录下会议、分开说话人、跨15种语言实时翻译,并留下你下个季度还能搜到的笔记。它把转写、翻译和摘要都路由到一层可替换的引擎上,所以像 Astra 这样的发布抵达时是更好的笔记,而不是一个迁移项目。没有哪次前沿模型发布,能改掉总得有人先把那一小时录下来这件事。

开始一份实时翻译笔记

来源

← 返回博客