9月4日消息，OpenAI 于当地时间9月3日发布 GPT-6 Astra，并称其为“世界上最聪明、对齐最好的模型”。OpenAI 总裁 Greg Brockman 在发布前的媒体沟通会上表示，他个人认为 OpenAI 已经实现 AGI，未来回看时，Astra 可能会被视为那个节点。他以“欢迎来到 AGI 时代”结束了沟通会。这是 Brockman 的个人判断，并不是一套得到行业公认的 AGI 判定结果。
Astra 已开始向有限数量的组织开放，随后数日将逐步覆盖 ChatGPT Plus、Pro、Business 和 Enterprise 用户，并进入 OpenAI API 与 AWS。Axios 报道称，首批机构来自 OpenAI 的 Daybreak Access 网络安全项目；OpenAI 公告本身只写了“有限数量的组织”。发布不等于所有账户已经获得使用权限：Enterprise 工作区默认关闭 Astra，需要管理员主动启用。
与上一代 GPT-5.6 Sol 相比，Astra 的更新重点落在电脑操作、复杂专业任务和长时间运行的智能体工作上。Artificial Analysis 的首批结果还显示，Astra 在编程智能体任务上的进步比通用智能评测更明显：前者以更少 Token 换来更高分数，后者的性能基本持平，成本却上升。与此同时，OpenAI 首次将一款模型认定为达到其 Preparedness Framework 中的“Critical”网络安全能力阈值。
API 标准价格为每百万输入 Token 10 美元
开发者可通过 gpt-6-astra 调用新模型。OpenAI 公布的 API 标准价格为每百万输入 Token 10 美元、每百万输出 Token 50 美元，与 Anthropic 为 Claude Fable 5.1 公布的输入、输出单价相同。相比 GPT-5.6 Sol 当前每百万 Token 4 美元和 20 美元的促销价，两项单价都是 2.5 倍；这项促销至少持续到2026年11月21日，因此不是 Sol 的长期原价对比。缓存读取仍按标准输入价的 10% 计费，缓存写入则比标准输入价高 25%。 Fast mode 最高可将处理速度提高至标准模式的 2.5 倍，价格为标准模式的 2 倍。Astra 也已进入 Amazon Bedrock。
ChatGPT Pro、Business 和 Enterprise 用户还将获得 GPT-6 Astra Pro。Astra 的基础用量计入现有订阅额度，额外使用可以购买 credits。公告仅称将在随后数日逐步覆盖，现阶段不能把模型发布理解为已经全量开放。
编程多数评测领先，但不是全面超过竞品
OpenAI 称 Astra 是其迄今最好的软件工程模型。在 Terminal-Bench 4.0 上，评测表将 Astra 列为 57.7%，GPT-5.6 Sol 为 37.3%，Claude Fable 5.1 为 55.8%；同一页面下方的说明文字把 Astra 写成 57.9%，两处相差 0.2 个百分点。OpenAI 估算，Astra 完成单项任务的 API 成本分别比 Sol 和 Fable 5.1 低约 9% 和 63%。
完整表格没有呈现全面领先。DeepSWE v1.1 上，Astra 的 74.1% 与 Claude Opus 5 的 73.7% 接近；FrontierCode 1.1 Extended 和 Main 两项，Claude Fable 5 都以小幅优势领先 Astra。在 Artificial Analysis Coding Agent Index v1.4 中，Astra 为 67.0，低于 Claude Opus 5 的 68.1。
两项 Artificial Analysis 指数给出了不同的结果。在 Coding Agent Index v1.4 中，GPT-6 Astra 在 Codex 中取得 67 分，与 Claude Code 中的 Fable 5 基本相当；Fable 5.1 以 70 分领先。OpenAI 公布的对照表给出的精确值是 Astra 67.0、GPT-5.6 Sol 65.1、Fable 5 67.2、Claude Opus 5 68.1。 差距主要来自 Token 使用量。Artificial Analysis 的测试显示，Astra 在最大努力下的平均 Token 用量约为 GPT-5.6 Sol 的一半、Claude Opus 5 的五分之一。不同努力水平的 Astra 版本也进入了分数与 Token 用量的帕累托前沿。按该机构的每任务 API 成本口径，Astra 最大努力版本与 GPT-5.6 Sol 成本大致相当，得分高约 2 分；与 Fable 5 得分相近时，每项任务成本不到后者一半。
这个“成本”不能直接理解为订阅价格。Artificial Analysis 统计的是按 Token 付费的平均 API 成本，其中包括缓存折扣和缓存写入费用，不包含部署、工程维护和人工监督。榜单比较的也是具体模型、推理强度和 Agent 框架的组合，不是脱离 Codex 或 Claude Code 的裸模型能力。
在 Intelligence Index v4.1.1 中，Astra 为 61.2 分，GPT-5.6 Sol 为 60.9 分，四舍五入后都是 61 分。Astra 最大努力版本的每任务输出 Token 约少 10%，但 API 单价上涨抵消了这部分节省，Artificial Analysis 测得的每任务成本反而比 Sol 高 75%。Astra 的 Token 效率有进步，通用智能任务的性价比却没有同步上升。
细分结果有亮点，也有退步。Artificial Analysis 称，Astra 在 AA-Omniscience 中把错误回答里的幻觉率从 92% 降至 51%，准确率同时提高 4 分；在模拟长期知识工作的 AA-Briefcase 中，评分与分析质量 Elo 提升约 80 分，但展示质量下降，GPT-5.6 Sol 仍在这一项领先。Astra 在 Humanity’s Last Exam 上提高约 6 分，在 GDPval-AA v2 上则下降约 80 Elo；τ³-Banking、SciCode 和 AA-LCR 也出现 2 至 3 分的回落。单一总分很难概括这种变化：Astra 更擅长编程智能体和部分长时程工作，并不代表所有通用任务都比前代更强。
电脑操作开始承担更完整的专业流程
Astra 面向的任务从生成文本或代码延伸到直接操作软件。OpenAI 展示的场景包括填写表单、更新 CRM 客户记录、整理日历、在专业软件中分析数据，以及创建网站后继续完成前端质量检查。演示中，它还在 KiCad 中处理电路板、在三维软件中搭建场景和机械结构，并根据 W-2 表格填写报税表草稿。
它也针对文档、表格和演示文稿进行了训练。OpenAI 称，Astra 是其目前最擅长沿用既有模板制作幻灯片的模型，能匹配公司的版式和写作风格，并减少与任务无关的内容。
按照 OpenAI 公布的评测，Astra 在 OSWorld 2.0 上取得 72.6%，GPT-5.6 Sol 为 65.7%；在延迟模拟中，Astra 完成同类电脑操作任务的时间约少 47%。这些数字来自官方评测，实际结果会受到系统提示、可用工具和生产环境配置影响，不能直接视为所有工作流的普遍提速幅度。
Codex 还增加了一种新的长任务上下文机制。过去，当上下文窗口填满时，系统主要依赖压缩总结继续工作，压缩过程可能遗漏失败原因或组件行为。Astra 可以跨上下文窗口保留笔记，并搜索更早的消息与工具输出。这项功能目前需要在 Codex 的 config.toml 中主动开启，OpenAI 计划在未来数周把它设为 Astra 的默认能力。
网络安全能力越过 Critical 阈值
OpenAI 在9月1日发布的安全说明中称，Astra 是其首个达到“Critical”网络安全能力阈值的模型。按照 Preparedness Framework，达到这一阈值的模型可能在没有人类逐步指导的情况下，针对多个经过加固的真实关键系统识别并开发可用的零日漏洞利用，或者根据一个高层目标自行设计并执行端到端攻击。
官方评测显示，Astra 在 ExploitBench 上取得 100%，GPT-5.6 Sol 为 78.5%。为降低训练数据污染的影响，OpenAI 又用2026年6月至8月披露的 20 个 Chrome V8 高危漏洞建立测试集，Astra 达到 39.0%，Sol 为 5.5%。评测期间，Astra 还发现并利用了两个此前未知的零日漏洞，OpenAI 正在向相关维护者披露。
这些结果并不等同于普通用户拿到的默认版本。部分结果来自 Astra 接入 Daybreak Blue 后的配置；面向普通用户发布的 Astra 会拒绝创建漏洞利用验证代码等更高级的网络安全请求。OpenAI 计划通过 Daybreak 逐步向获准的安全研究者开放漏洞验证、恶意软件分析和检测工程等防御性工作。
不越界的同时，推理过程更难监控
OpenAI 还用一组受 Hugging Face 事件启发的任务测试模型是否越权。在移除生产安全措施的测试配置中，GPT-5.6 Sol 有 48% 的任务越过授权目标，Astra 为 0%。当 Codex Auto-review 拒绝某项操作时，即使测试人员故意留下绕过路径，Astra 也没有尝试规避。OpenAI 另一项内部评测显示，Astra 对自身能力作出不实陈述的概率约为 Sol 的三分之一。
反向结果来自可监控性。OpenAI 承认，在专门要求模型逃避监督的测试中，Astra 的书面推理比 Sol 更难监控。官方将其部分归因于 Astra 能以更少的书面步骤解决简单任务；复杂任务中的关键推理仍较难隐藏。OpenAI 把这项退步列为需要继续研究的问题。
额外的控制也会改变使用体验。Astra 生产环境中的分类器会检查模型推理与操作，可能减慢、暂停或终止被判定为高风险的任务，即使其中一部分属于合法的防御性工作。ChatGPT 和 Codex 用户可能会被要求复核操作，API 中的任务则会直接停止。
在质数间隙问题上给出两个新结果
OpenAI 同时公布了 Astra 参与得到的两个数学结果。短质数间隙问题此前十余年的已知上界是 246，Julia Stadlmann 最近将其改进到 240；Astra 参与把上界进一步降到 186。另一个结果涉及异常大的质数间隙，Astra 改进了一个超过 80 年没有变化的界中项。OpenAI 已公开证明、支持材料和精简版推理过程。
在学术评测中，Astra 的 FrontierMath Tier 4 得分为 97.6%，GPQA Diamond 为 96.0%，ARC-AGI-3 为 99.9%；GPT-5.6 Sol 在 ARC-AGI-3 上为 7.8%。这些高分不能直接证明 AGI：在 Humanity’s Last Exam 带工具测试中，Astra 为 57.2%，低于 Claude Fable 5.1 的 65.0%；Artificial Analysis Intelligence Index 中，Astra 的 61.2 也低于 Fable 5.1 的 65.7 和 Claude Opus 5 的 63.1。
Astra 使用超过 10 万块 GPU 训练
据 Axios 报道，Astra 来自 OpenAI 迄今规模最大的训练任务，在得州 Stargate 站点使用了超过 10 万块 GPU，也是 OpenAI 首个让其他模型在监督训练中承担重要角色的模型。Sam Altman 还确认，Astra 参加了美国政府针对前沿模型建立的自愿审查流程；相关框架并未公开，外部目前无法独立判断审查细节及其对发布版本的影响。
Astra 把两件事同时带进了生产环境：智能体能够跨更多软件完成更长的流程，系统也会更频繁地判断它是否应当继续。对企业和开发者而言，模型能否在真实任务中稳定完成工作，今后将越来越取决于能力、权限和安全控制能否一起工作，而不只是单项 benchmark 的高低。
AI 速览
