GPT-6 Astra 来了：从操作电脑到科学研究，这次升级有多强？

给 AI 一项开发任务修改页面、处理接口异常、跑测试再打开浏览器检查交互。第一版代码通常很快真正影响交付速度的是后面能否定位失败、持续修正并记住最初的需求。9 月 3 日美国时间OpenAI 发布 GPT-6 Astra。这次升级覆盖电脑操作、办公、软件工程、网络安全和科学研究对开发者最有吸引力的是模型处理完整任务的能力继续增强。据 Axios 当日通讯Greg Brockman 表示他个人相信 OpenAI 已达到 AGI并用“欢迎来到 AGI 时代”结束沟通。这是他的判断。对准备使用模型的人更具体的问题是Astra 能承担哪些工作公开结果的条件是什么成本如何计算来源Axios 当日通讯1. 开放安排与 API 价格先明确使用入口开放进度比文章写作时又往前走了一步。9 月 5 日Tibothsottiaux在 X 上表示系统的扩展能力超出预期Astra 现已向所有 Plus 和 Business 用户开放。来源作者提供的 X 帖子截图显示日期为 2026 年 9 月 5 日。我的 Pro 账号也已出现 Astra可以在模型选择器中直接选择。这里要分清产品入口帮助中心目前仍说明Plus 可以在Work 与 Codex使用有限额度的 Astra但不包含Chat 中的 GPT-6 Pro。这条帖子的开放消息不能直接解读为所有计划、所有入口的权限与额度都一样。来源OpenAI 帮助中心Work 与 Codex 说明对 Plus 用户来说现在值得打开 Work 或 Codex 查看 Astra 入口具体可用选项和剩余额度以账号内显示为准。API 调用与订阅额度分开计算通过 ChatGPT 登录使用 Work、Codex消耗对应计划的额度使用自己的 API Key 则按 API 计费。订阅开放消息不等于 API 额度同步赠送。来源Work 与 Codex 说明API 模型标识为gpt-6-astra。主要计费信息如下项目当前说明使用时如何理解Standard 输入10 美元 / 百万 Token基础输入单价Standard 输出50 美元 / 百万 Token基础输出单价缓存读 / 写1 / 12.50 美元 / 百万 TokenStandard 费率需区分读写超长输入超过 272K 输入 Token整次请求的输入及缓存费率为 2 倍、输出为 1.5 倍不是仅对超出部分加价API Fast 模式最高约 2 倍速度2 倍 Standard 价格速度上限描述实际收益随请求变化价格来自模型文档和发布公告的 Fast 说明。Token 是模型处理内容的计量单位中文字符数不能直接当作 Token 数。举个单纯的预算例子若一次请求有 10 万个按基础费率计价的输入 Token、1 万个按基础费率计价的输出 Token不涉及缓存、超长输入及额外工具费用Standard 模型费用就是0.1 × 10 0.01 × 50 1.50美元。这是按单价计算的示例并非本文实测。上表讨论 API 费率不能直接套用到 Work、Codex 的积分倍率。实际开发任务通常不止一次请求。估算项目成本时要累计整个任务的用量再看它减少了多少人工修改和等待时间。2. 电脑操作与办公从文件生成扩展到软件内验证Astra 的电脑操作能力覆盖填表、更新 CRM、整理日历、编辑摘要、分析数据和绘图。对开发者更直接的场景是创建网站后继续检查前端功能以及安装、测试软件和排查屏幕上出现的问题。官方截图还展示了 KiCad 电路板布局、FreeCAD 与 Blender 联合演示变速箱以及用 Unity 的现成素材搭建城市场景等专业软件任务。来源官方电脑操作演示这让“页面代码已生成”之后的工作更值得期待。例如做一个带筛选和表单的管理页面还需要检查按钮、输入校验、空状态和布局。能够进入浏览器观察结果意味着模型有机会根据实际表现继续修改。这里是能力适用场景的说明不是本文执行过的验收记录。官网演示截图非本文项目实测。官方 OSWorld 2.0 延迟模拟提供了一个可对照的结果模型得分模拟每项任务用时GPT-6 Astra72.6%约 40 分钟GPT-5.6 Sol65.7%约 75 分钟在这组条件下Astra 得分高 6.9 个百分点用时约少 47%。这是延迟模拟结果不能直接推算某个网页或某套办公软件的执行时间。来源OSWorld 评测与条件办公能力则强调模板遵循、信息取舍以及文档、表格和演示文稿的成品质量。开发者也会遇到这些工作整理数据分析结果、准备产品演示、输出项目说明。沿用已有模板能减少生成之后的格式返工。来源专业工作能力介绍左右均为第 1/9 页展示文案与视觉风格的共同调整。左侧参考文件第 3/3 页右侧输出第 7/12 页并非同一页的改造前后。3. 编程与长任务关注迭代质量和上下文连续性编程成绩要放回各自任务中看官方当前公布的两组编程评测如下评测GPT-6 AstraGPT-5.6 SolClaude Fable 5.1Claude Opus 5Terminal-Bench 4.057.9%37.3%55.8%52.3%DeepSWE v1.174.1%72.7%67.4%73.7%来源为OpenAI 编程评测表均为其公布结果本文未独立复现。Terminal-Bench 4.0 包含软件工程、系统配置、数据分析等复杂终端任务。Astra 相比 Sol 提高 20.6 个百分点这是一项明显进步DeepSWE v1.1 中两者差距则为 1.4 个百分点。不同任务上的增益并不均匀选择模型时应把评测任务、工具环境、推理设置和预算一起看不能把单项分数当作项目成功率。Playco 案例人工修补减少约 50%OpenAI 发布的 Playco 案例展示了较具体的开发过程团队在连接游戏引擎的 Playbot 环境中使用 Astra让它参与场景调整、试玩和验证并报告与此前使用的模型相比原型开发所需的人工修补减少约 50%。来源Playco 客户案例值得关注的是这个案例衡量的结果人工还要补多少工作。对于原型开发代码生成速度固然重要能否观察运行效果、沿着反馈继续修改同样决定最终效率。50% 是这支团队的案例收益具体项目仍需要自己的验证。长任务上下文把失败原因和历史要求找回来长时间调试或重构常遇到上下文压缩对话太长后系统把历史整理成摘要为后续腾出空间。摘要会取舍信息遗漏的可能恰好是“为什么上一个修复不成立”或“某个接口不能改”的理由。随 Astra 推出的 Codex 实验性上下文管理使用笔记和可搜索的历史保存、检索累积细节。配置文档中的键为features.context_management.experimental_mode目前默认关闭要求通过 ChatGPT 登录订阅条件列为 Plus、Pro 或 Pro Lite。来源Codex 配置参考实验性上下文机制的概念示意非内部架构图。它改善的是跨上下文的连续性并不代表模型拥有无限上下文也不保证历史细节都能正确找回。对开发工作而言价值在于让之前的测试结果、约束和排错记录更容易继续发挥作用。4. 网络安全能力上限与发布权限一起看Astra 达到 OpenAI Preparedness Framework 中的网络安全 Critical 阈值。官方在移除生产安全措施后进行 ExploitBench 测试Astra 得分为 100%Sol 为 78.5%该评测考察把已知漏洞转化为可用利用程序的能力。来源官方网络安全评估对开发者和安全团队实际应用可以从安全代码审查、漏洞理解和修复着手。发布版本支持代码审查与打补丁但限制生成漏洞利用概念验证代码等高级任务OpenAI 计划通过 Daybreak 逐步开放限制较少的能力支持更多经过审核的防御性工作。来源安全能力开放说明这里有两个必要条件100% 是特定测试成绩测试使用了移除生产安全措施的设置。它既不等于能够攻破任意系统也不意味着普通 API 调用能获得评测中的全部能力。5. 对齐与可靠协作理解目标也尊重操作边界开发任务不断变化时模型需要接住新增要求同时保留原目标。OpenAI 介绍Astra 改善了这种任务连续性并能在 Codex 中异步提问继续完成不依赖用户答复的部分。这有望减少开发者重复解释背景的负担。来源协作行为说明这是生活场景中的需求澄清示例。对开发工作的启发是先确认会影响结果的条件不代表所有任务都应增加提问。另一个具体进步来自 Auto-review 测试。Auto-review 是 Codex 中审查某些操作的机制测试观察拒绝发生后模型是否重试实质相同的操作或利用配置缺口绕过限制。系统卡报告 Astra 在该项测试中没有尝试绕过监控。来源系统卡 Respecting Auto-Review这对交付很有意义完成任务的压力不应成为扩大权限的理由。与此同时系统卡其他评估仍发现越界行为OpenAI 也披露在主动要求模型规避监控的测试中Astra 的书面推理更难被监控。因此更好的对齐表现仍需要配合应用自身的权限控制。来源系统卡对齐与监控说明API 用户还需要区分监控覆盖范围。当前文档说明接入方式Misalignment monitoring 行为Responses API使用持久化推理、WebSockets 或 OpenAI compaction受到监控可识别会话延续并阻止后续执行Responses API均未使用上述机制受到监控可通过已配置的 webhook 接收告警但不会自动停止会话Chat Completions API不在该监控系统覆盖范围内其他安全检查仍适用配置告警 webhook 本身不会开启自动停止。监控是异步的停止后续请求也不会撤销此前已完成的操作告警可能漏报或误报仍需结合操作记录判断。来源API 监控文档6. 数学与科学研究从解题成绩走向可检查的新结果Astra 在官方公布的 FrontierMath Tier 4v2上达到 97.6%GPQA Diamond 达到 96.0%。前者关注高难度数学问题后者测试生物、化学和物理等领域的研究生级科学推理。这些成绩体现特定评测表现不能直接当成现实科研问题的解决概率。来源数学与科学评测更有意思的是质数间隙的新结果。OpenAI 表示Astra 帮助把“存在无穷多对质数其间距不超过某个常数”的上界推进到 186。此前长期保持的上界为 246Julia Stadlmann 最近将其改进到 240。来源短质数间隙结果与证明入口图解依据公告所述结果不是所有相邻质数的间距都不超过 186也不是孪生素数猜想的证明。这里的量词决定了结论的含义是“存在无穷多对”而不是“所有相邻质数”。186 也不等于孪生素数猜想中的间距 2不能把这项进展写成已经解决了孪生素数猜想。OpenAI 还公布了大质数间隙相关结果称 Astra 改进了一个超过 80 年未获改进的界中项并给出了证明、研究过程与验证材料入口。本文介绍的是官方报告的结果没有独立审查这些数学证明。来源大质数间隙成果与材料模型参与科学工作的路径也包括数据处理和软件操作。官方展示了检查测序质量、分析数据等场景科学推理与电脑操作结合让研究者有机会把资料检查、结果探索和候选思路放在同一工作过程中。来源科学工作演示对技术读者而言可检查的新结果比一句笼统的“擅长科研”更有意义。它提供了进一步验证的对象也让模型如何帮助研究变得具体。7. 获得使用权限后怎样判断升级是否有价值Astra 这次的吸引力是电脑操作、编码、长任务连续性和科学推理同时增强。把这些能力用到自己的工作中可以从一个有明确验收标准的小任务开始例如修复带复现步骤的缺陷或者按现有模板完成一次数据分析报告。对开发任务建议记录四件事结果质量已有测试和实际交互检查是否通过。人工修改哪些问题仍需要自己定位、修补。任务连续性追加要求后是否仍然遵循此前约束。完整成本整个任务累计花费的时间和模型费用。这些记录能把公开能力转换成自己的使用判断。对于办公、开发和研究工作最值得期待的收益都来自模型能够承担更完整的一段过程并交出更容易验证和继续使用的结果。发布资料核对于 2026 年 9 月 4 日开放进展与配图更新于 9 月 5 日。本文基于公开公告、产品文档和客户案例整理非模型实测报告。案例截图来自 OpenAI 官网账号入口截图与 Tibo 帖子截图由作者提供帖子原始链接尚未独立核实产品开放范围、配置与价格以官方最新说明为准。