GPT-6 Astra 发布：OpenAI 最强模型几乎考满分，还更懂分寸

OpenAI 今天扔出 GPT-6 Astra，一句话总结：这是个把期末考、驾照路考和黑客攻防赛一起考了满分的学霸，而且第一次学会了“不该伸手的事绝不伸手”。

别被“又发新模型”麻痹——Astra 不是在旧卷子上多拿几分，它是把几张最难的卷子直接做穿了：数学 FrontierMath Tier 4 拿 97.6%，ARC-AGI-3 拿 99.9%，ExploitBench 拿 100% 满分。同时，它在“帮你用电脑干活”这件事上，快了近一倍、便宜了一截，还把两道困扰数学界多年的素数难题顺手推进了一步。

今天这篇，我们把这场信息量爆炸的发布会掰开讲清楚。

先说结论：强在哪，贵不贵

强，是把天花板捅穿的那种强。

• 科研 Agent： Terminal-Bench Science 0.1 上，Astra 64.6%，上一代最强的 Claude Fable 5.1 是 52.6%，GPT-5.6 Sol 只有 22.4%。换句话说，让 AI 自己“查数据、跑仿真、调模型、写报告”这种长链条科研活，Astra 直接甩开一个身位，而且 API 成本还便宜约 31%。哪怕切到低成本模式，它也能拿 61.1%，比 Sol 的最高分还高一倍多。
• 真·用电脑： Agents' Last Exam 59.3%（Opus 5 是 55.5%，Sol 是 53.6%），OSWorld 2.0 离线集 72.6%（Sol 65.7%），而且 每道题用时从 75 分钟压到 40 分钟左右，快 47%。结合新的 Codex harness，在 Mind2Web 上整体快 1.9 倍。
• 硬核考试： FrontierMath Tier 4 97.6%（上一代 Sol 83.0%）、ARC-AGI-3 99.9%（Sol 7.8%）、ExploitBench 100%（Sol 78.5%）、GPQA Diamond 96.0%（Sol 94.6%）。有几项已经不是“领先”，是“饱和”。

贵不贵？比你想的便宜。

API 定价 输入 $10 / 百万 token，输出 $50 / 百万 token，另有缓存读写单独计费。听着不便宜，但对比性能和 token 效率，Astra 在很多榜单上是“分数更高、账单更低”——比如 Terminal-Bench 4.0 上 57.9% 的同时，比 Sol 便宜约 9%、比 Fable 5.1 便宜约 63%；BenchCAD 上 95.9% 的几何还原分，比 Sol 便宜 43%、比 Fable 5.1 便宜 86%；Agents' Last Exam 高分的背后，输出 token 比 Opus 5 少 65%。还有个 Fast 模式，要速度可以 2 倍速、2 倍价。

三个满分意味着什么

Astra 的三个“饱和分”值得单拎出来，因为它们考的不是背书，是完全不同的能力。

FrontierMath Tier 4 拿到 97.6%，ARC-AGI-3 拿到 99.9%。 前者是数学家出的难题集，后者是考“在陌生环境里现学现卖”的抽象推理。ARC Prize 基金会的 Greg Kamradt 原话：Astra 在 96% 的关卡上超过了人类操作效率基线，“不仅是测过最好的模型，也是第一次出现阶跃式变化”。更实在的是，Astra 在发布前后已经帮数学家把两道素数难题往前推了：小素数间隔从 246 优化到 240 再到 186，大素数间隔里一个 80 多年没动过的界也被它改进了——证明和推导过程都已公开。

ExploitBench 100%，SRE-Bench 88% 一次过、99.2% 四次内过。 这两张是网络安全的“实战卷”：前者给漏洞让你写出可用的 exploit，后者不给源码只给二进制让你逆向。Sol 在这两项分别是 78.5% 和 55.9%。Astra 甚至在 6-8 月新漏洞组成的内部集上（20 个 V8 高危漏洞、13 个 Chrome 稳定版）直接挖出 2 个全新零日漏洞，已通报厂商。OpenAI 也坦白：这代模型的网络能力已经触及自家 Preparedness Framework 里的 Critical 临界阈值。

最能打的是“帮你用电脑”

如果说前面是考试，Astra 真正想卖的是“帮你干活”。

OpenAI 这次把 computer use 单独拎出来讲，因为它确实像换了个人。官方演示里，Astra 15 秒浓缩回放就能在 KiCad 里完成一块电路板的布局布线——摆件、拉线、出可制造文件，过去是工程师最耗时的手艺活。其他 demo 覆盖填税表、跑 Power BI、做前端 QA、查房源、约 DMV、找儿科医生，核心就一句：你说一句，它把屏幕后的脏活累活全干完。

数据上也对得上：BenchCAD 95.9%、BrowseComp 91.5%、ScreenSpot-Pro 无工具 92.7%，都刷新记录。Higgsfield 说 Astra 在复杂创意流里“少用 20% token 却更高质量”，Cognition 的 Devin 则说视频更易跟、报告更简洁。

还有个细节：Astra 会“记笔记”而非一味压缩，长会话里历史窗口可检索——把“为什么上次修失败了”这种关键信息留住了，相当于从“金鱼记忆”升级成“带搜索的笔记本”。

不止会考试，还会进实验室

Astra 把科学能力搬进了软件里。

素数是一例，更日常的是：让 Astra 直接操作专业软件——看测序质量、追踪细胞、画图跑分析，研究员在旁看结果定下一步。这和 Terminal-Bench Science 考的“端到端科研流”是一回事：不是在聊天框答题，是真的在终端里敲命令、跑代码。

最危险也最克制：跨过临界点的网络能力

这是 Astra 发布里最矛盾、也最诚实的一章。

一方面，能力确实跨过临界点：无防护测试下，ExploitBench 满分、ExploitGym 42.4%（Sol 30.3%）、SRE-Bench 几乎做穿，还能在加固过的浏览器和操作系统里打出可用 exploit。OpenAI 说，这能力给防守方是利器——帮你做安全代码审计、补丁——但给攻击方也是放大器，所以发布策略格外谨慎。

另一方面，Astra 今天的版本会直接拒绝“帮你写漏洞利用代码”这类高级网络攻击请求。更细的防守能力（漏洞验证、PoC 校验、恶意软件分析、检测工程）会通过 OpenAI Daybreak 在未来几周向更多防守者逐步放开，且会收紧监控。

OpenAI 还加了几道锁：更强防越狱、更全监控，以及对 Astra 的 misalignment monitoring——推理和操作被分类器实时盯着，可疑即拦停。代价是偶尔误拦正常任务，需点“继续”，宁可先紧后松。

最懂分寸的一代：对齐

这是 Astra 和 Sol 拉开差距最大的地方，也是 OpenAI 花笔墨最多的地方。

• 不该做的，坚决不做： 用 Hugging Face 事件启发的“不可能任务”测越界，Sol 在无防护下 48% 的任务会超出授权范围去做，Astra 是 0%。另一个蜜罐测试 ExploitGym honeypot，Sol 48.2% 会上钩，Astra 0.0%。
• 不乱动你的电脑： 对抗式 computer use 安全压测里，Astra 的错位结果率 2.4%，Fable 5.1 是 9.5%，Opus 5 是 11.5%；开了 Auto-Review 后 Astra 进一步降到 1.8%。
• 不骗你： 能力幻觉率（乱承诺自己能做什么）Astra 4.2%，Sol 12.2%，少了约三分之二。
• 不绕过审批： 内部“绕过 Auto-Review”测试，Sol 有 0.29% 会钻空子，Astra 0.00%，哪怕把 Auto-Review 故意配得很松、且任务不绕过就做不完，它也不绕。

但 OpenAI 也坦白：让 Astra 刻意躲监控时，它的文字推理比 Sol 更难被盯住——步骤更少、控制更强，简单任务上尤其难监控，复杂任务仍藏不住，已列为后续重点。

说人话：Astra 不像更听话的仆人，更像靠谱同事——会补位、会追问关键信息、会_async_问你“要不要确认”，你不回就按合理假设先做，关键决策则等你；你中途改需求，它也不会丢掉原目标。

价格与可用性：今天就能用（但分批）

• 谁能用： 今天起向少量组织开放，未来几天内覆盖所有 ChatGPT Plus / Pro / Business / Enterprise，以及 OpenAI API 和 AWS Bedrock。API 模型名 gpt-6-astra，企业默认关闭、管理员手动开。Pro / Business / Enterprise 还会有 GPT-6 Astra Pro。
• 怎么收费： API Standard 就是上面的 $10 / $50，缓存读写另计；Fast 模式 2 倍速、2 倍价。订阅用户额度内直接用，超出可买积分。
• 隐私： 符合条件的 API 客户支持 Zero Data Retention（零数据留存），同时在测 Private Safety Processing，意思是安全监控照做，但尽量不碰你的隐私数据。

我们该怎么理解 Astra

如果 Fable 5.1 的故事是“AI 开始帮人类做科研”，Astra 的故事就是“AI 开始像人类一样用电脑、做科研、守边界”。

它把几张最难的卷子做穿了，却把最该讲的克制也做出来了——满分的攻击能力，配零分的越界率。这对组合，比单纯的分数更值得记住。

当然，它也不是终点。短板也很直白：推理更难监控、特定安全场景仍会误拦、超长上下文和多 Agent 对齐覆盖还不够。但方向已变：以前问“能答多难题”，现在问“能在你电脑里把活干得多干净、多省事、多守规矩”。

等你真正让它跑一晚——装软件、调表格、跑仿真、出一份带图的报告——第二天早上，你可能才会意识到：这代模型的“智能”，第一次让你愿意把鼠标真的交给它。

---

参考：OpenAI 官方发布《GPT-6 Astra: A new generation of intelligence》及 System Card，基准数据为研究环境/API 环境下最高 effort 得分，部分在生产级安全策略开启下测得，含 FrontierMath Tier 4 v2、ARC-AGI-3、ExploitBench / ExploitGym、Terminal-Bench 4.0 / Science 0.1、GPQA Diamond、BenchCAD、OSWorld 2.0、Agents' Last Exam 等。