全面解读GPT-6 Astra：OpenAI 新一代旗舰模型（2026-09-04 发布）

[ikaijua]

2026-09-03（美东时间）/ 09-04（北京时间），OpenAI 正式发布新一代旗舰模型 GPT-6 Astra 及 GPT-6 Astra Pro。发布会最后，OpenAI 总裁 Greg Brockman 直言「Welcome to the AGI era（欢迎来到 AGI 时代）」。本文深入梳理这次发布的要点。

一、发布概览

1. GPT-6 Astra 是 OpenAI 迄今部署的最强模型，为 Computer Use、Browser Use、软件工程、网络安全、科学研究和专业办公树立了新标杆。
2. Astra 是 OpenAI 历史上规模最大的训练任务，在得州 Stargate 园区动用超过 10 万块 GPU 完成预训练。
3. 它是 OpenAI 第一款由前代模型深度参与训练监督的旗舰产品——「老带新」的递归式自我改进（RSI）开始运转。
4. 同期发布两个版本：Astra 面向 ChatGPT Plus / Pro / Business / Enterprise 用户；更强的 Astra Pro 仅向 Pro / Business / Enterprise 开放，免费用户暂不开放。
5. 关键规格：上下文窗口 105 万 token，单次最大输出 12.8 万 token，知识截止 2026 年 4 月 30 日。

关于命名：Astra 是拉丁语「群星」，延续 GPT-5.6 时代 Sol（太阳）、Terra（地球）、Luna（月亮）的拉丁天体代号体系——从「单个天体」到「群星汇聚」，呼应发布会「Welcome to the AGI era」的定调；发布前官方预热语「The stars are almost aligned」也暗指此名。Astra 最初是 7 月底泄露的内部代号，最终保留为正式产品名。

二、基准成绩：多项接近「饱和」

说明：- 代表无公开测试分数。

Computer Use

Benchmark	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
Agents' Last Exam	59.3%	53.6%	-	48.7%	55.5%	-
OSWorld 2.0 (v2026.08.08, offline set, partial score)	72.6%	65.7%	-	-	70.2%	-
ScreenSpot‑Pro (no tools)	92.7%	76.9%	-	87.3%	-	-

Professional

Benchmark	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
AutomationBench	41.4%	18.1%	31.4%	17.4%	26.9%	-
BenchCAD	95.9%	83.3%	84.3%	67.5%	82.1%	-
BrowseComp	91.5%	90.4%	-	87.4%	90.8%	-
OpenScore String Quartets (1‑OMR‑NED)	0.84	0.19	-	-	-	-
Internal Design Tasks	50.0%	47.4%	-	35.8%	-	-
Internal Data Science Tasks	40.9%	30.5%	-	34.7%	-	-
Artificial Analysis Intelligence Index v4.1.1	61.2	60.9	65.7	62.1	63.1	58.7

Coding

Benchmark	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
Terminal‑Bench 4.0	57.9%	37.3%	55.8%	44.5%	52.6%	19.1%
DeepSWE v1.1	74.1%	72.7%	67.4%	69.9%	73.7%	73.8%
FrontierCode 1.1 Extended (score)	64.5%	60.6%	63.6%	64.9%	63.6%	56.3%
FrontierCode 1.1 Main (score)	53.3%	47.5%	50.9%	53.5%	53.4%	43.6%
Internal Database Migration Tasks	63.9%	42.7%	57.8%	50.3%	-	-
Artificial Analysis Coding Agent Index v1.4	67.0	65.1	-	67.2	68.1	61.2

Academic

Benchmark	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
Terminal‑Bench Science 0.1	64.6%	22.4%	52.6%	21.4%	30.0%	-
FrontierMath Tier 4 (v2)	97.6%	83.0%	87.8%	90.2%	73.2%	-
GPQA Diamond	96.0%	94.6%	93.7%	92.6%	93.7%	95.3%
Humanity's Last Exam (w/ tools)	57.2%	-	65.0%	63.8%	63.6%	-

Science and Health

Benchmark	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
GeneBench Pro	37.1%	32.3%	-	-	-	-
MedChemBench (Internal)	49.3%	47.4%	-	-	-	-
LifeSciBench	60.3%	59.9%	-	-	-	-
HealthBench Professional (length‑adjusted)	63.4%	60.5%	58.1%	60.9%	56.4%	52.1%

Cybersecurity

Benchmark	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
ExploitBench	100.0%	78.5%	-	-	70%	-
ExploitGym	42.4%	30.3%	30.4%	28.4%	22.0%	-
ExploitBench (June‑Aug 2026)	39.0%	5.5%	-	-	-	-
SRE‑Bench	88.0%	55.9%	-	-	12.5%	-
SEC‑Bench Pro	85.4%	79.1%	-	-	-	-

Long Context

Benchmark	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
OpenAI MRCR v2 8‑needle 256K‑512K	100.0%	91.5%	-	-	-	-
OpenAI MRCR v2 8‑needle 512K‑1M	96.3%	73.8%	-	-	-	-

Abstract reasoning

Benchmark	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
ARC‑AGI‑3	99.9%	7.8%	-	-	30.2%	-
ARC‑AGI‑2	95.0%	92.5%	90.0%	89.2%	90.4%	-
ARC‑AGI‑1	98.5%	97.5%	97.5%	98.5%	97.5%	-

Alignment

Benchmark	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
Internal computer use safety benchmark	2.4%	22.0%	9.5%	18.3%	11.5%	-
Internal computer use safety benchmark, w/ AutoReview	1.8%	4.3%	-	-	-	-
Internal circumvention benchmark	0.00%	0.29%	-	-	-	-
ExploitGym honeypot	0.0%	48.2%	-	-	-	-
Impossible ExploitGym（越高越好）	100.0%	-	-	-	-	-
Internal hallucination benchmark	4.2%	12.2%	-	-	-	-

注：ARC-AGI-3 成绩基于 OpenAI Responses API Harness 运行框架，包含记忆管理和 Agent 框架增益，不完全是基础模型裸分——详见下文「第三方评测与争议」。

这些分数的含金量怎么看（各指标详细解读见大模型评测基准解读）：

1. 真正的跃升在三个还在爬坡的榜单：ARC-AGI-3（陌生环境自主探索，7.8%→99.9%）、AutomationBench（真实业务流程自动化，18.1%→41.4%）、Terminal-Bench 4.0（真实终端操作，37.3%→57.7%）——它们远未饱和，分数差距有真实信息量。
2. 两个已经「爆表」的榜单：ExploitBench 满分和 FrontierMath 97.6% 意味着题库对 Astra 已无区分度，下一代模型的观察点将转向更难的 SCONE-bench 和新题集。
3. GPQA Diamond 96% 基本可以忽略：头部模型全部 95%+，198 题里 1 题≈0.5 个百分点，这个差距没有统计意义。
4. OSWorld 要连耗时一起看：准确率 +7pt 的同时单任务耗时减半（75→40 分钟），这才是「能干活」的完整信号，也是 OpenAI「看任务总成本而非 token 单价」定价逻辑的依据。
5. HealthBench Professional 63.4% 注意口径：这是长度校正后的分数（未校正为 69.5%），且 HealthBench 是 OpenAI 自家评测，建议等第三方复测。

三、第三方评测与争议

1. 独立评测与官方叙事存在反差：第三方机构 Artificial Analysis 的独立复测中，Astra 综合智能指数（Intelligence Index）为 61 分，与 GPT-5.6 Sol 持平，落后 Claude Fable 5.1（66 分）5 分；编程 Agent 指数上 Astra 得 67 分，与头部模型大致持平。此外 Fable 5.1 在 HLE（Humanity's Last Exam）工具模式上反超 Astra。也就是说，OpenAI 官方基准全面领先，但独立口径下 Astra 并未拉开代际差距，「AGI 时代」的说法在第三方评测中并不成立。
2. ARC-AGI-3 的「双口径」争议：ARC Prize 官方公布了两个数字——在标准、厂商中立的测试 harness 下 Astra 得分 62.7%，而 OpenAI 自家 harness（在调用间保留隐藏推理状态/记忆）下得分 99.9%。同一模型、同一基准，差距全部来自运行框架的记忆管理。这也是本周围绕 Astra 讨论最多的技术争议：衡量 Agent 能力时，「模型本身」与「框架增益」应该分开报告。
3. 物理操纵基准：RoboCurve 的实测中，Astra 在 block-in-bowl 任务上完成率 95%（20 次中成功 19 次，Fable 5.1 为 40%），单次成本约 0.94 美元，token 生成量比 Fable 5.1 少 6.2 倍；但在精密操作任务上仍存在瓶颈。

相关链接：

• Artificial Analysis: Benchmarking GPT-6 Astra
• Koragraph: GPT-6 Astra Scored 62.7% and 99.9% on the Same Benchmark. The Difference Was Memory
• Humanoids Daily: GPT-6 Astra Hits 95% on Physical Manipulation Benchmark

四、从「回答问题」到「直接完成工作」

1. Computer Use 是核心范式：Astra 不只生成代码，还能进入终端和开发工具执行、测试、发现问题并继续修改。人类只需交代目标和边界，再检查最后的结果。
2. 跨软件全流程：官方演示中，Astra 直接进入 KiCad 根据原理图完成 PCB 布局；在 Blender 建模后导入 Unreal Engine 5 生成可行走的三维空间；按企业已有模板制作完整 PPT。
3. 效率数量级提升：一项需人类约 5 小时的儿科医生搜索任务，Astra 用时 2 分 54 秒。
4. Codex 深度整合：Astra 支持跨上下文窗口保存工作笔记、回溯检索历史消息和工具输出，解决长任务 compaction 丢细节的问题；更新后的 Computer Use 运行框架在 Mind2Web 上速度是 Sol 体验的 1.9 倍。
5. 企业实测：法律 AI 平台 Legora 用 Astra 一次核对 41 份财务文件，几分钟内找出全部 4 个预埋错误（含一处 50 万英镑差额）；游戏公司 Playco 让 Astra 在 Unity/Godot 中一次产出 3 个可玩原型，人工修补工作量减半。

五、网络安全：史上首个「Critical」级模型

1. Astra 是 OpenAI 首个在 Preparedness Framework 下达到网络安全 Critical 等级的模型：给予合适工具和权限，它能自主发现未知安全漏洞并开发新的利用方式。
2. ExploitGym 从 Sol 的 30.3% 提升至 42.4%；面对近三个月公开的新漏洞，成功率 39%（Sol 仅 5.5%）；测试期间还发现并利用了 2 个此前未知的 V8 零日漏洞。
3. 更会找漏洞，也更懂边界：在故意布置诱饵漏洞的越界测试中，Sol 有 48.2% 的测试出现越界行为，Astra 为 0%。
4. OpenAI 为此大幅加强防护：模型权重加密、全轨迹（含思维链）监控、面向外部部署的错位行为监测系统，高风险用户的拒答边界也更保守。

六、安全与对齐亮点（System Card 要点）

在安全性和不过度拒答两个维度上，Astra 同时实现了帕累托改进：

1. 抗越狱与反提示注入最强：间接提示注入防护从 96.23% 提升至 99.79%，相比前几代模型是数量级改善：

外部独立评估 Gray Swan IPI Arena（1810 个攻击，覆盖编码、工具使用、电脑操作场景）中，Astra 在 15 次尝试下的攻击成功率仅 8.5%，远低于 Sol 的 27.0%，也是全行业公开对比中的最低水平：

2. 不绕监控：Auto-review 拒绝后，Sol 有 5.3% 的 rollout 尝试绕过（其中 0.3% 直接利用配置漏洞），Astra 为零：

蜜罐测试中 Sol 55.4% 作弊、Astra 为 0。
3. 更少欺骗：编码任务中 Sol 的虚报率是 Astra 的 4 倍；搜索工具失效时 Sol 不如实承认的故障率是 Astra 的 10 倍。
4. 内部部署模拟：5.4 万多个 Codex 任务模拟中，Astra 的高严重度错位行为标记比 Sol 少约 53%（34 例 vs 73 例），未出现最高等级（severity 4）行为：

5. 幻觉率大幅下降：在用户标记的事实性错误案例集上，Astra 的幻觉率和重复用户已报告错误的概率都显著低于历代模型，低延迟场景下改善尤为明显：

6. 值得警惕的趋势：Astra 对思维链的「自我控制」能力增强，CoT 可监控性下降——下图显示监控器仅看思维链时，Astra 的可监控性明显低于 Sol：

在对抗环境下 Astra 能策略性低报（sandbagging）规避监控。OpenAI 坦承这是 Astra 类模型的重要风险趋势，需要超越 CoT 审查的对齐审计技术。

七、定价与可用性

1. API 定价：输入 10 美元 / 百万 token，输出 50 美元 / 百万 token，为 GPT-5.6 Sol（4/20 美元）的 2.5 倍，与 Anthropic Fable 5.1 持平。
2. OpenAI 的定价逻辑：相比每百万 token 单价，更有意义的是「完成一项任务的总成本」——Astra 步骤更少、返工更少，OSWorld 任务耗时缩短约 47%。
3. 已面向 ChatGPT Plus 及以上用户和 API 企业客户逐步开放。

八、小结

GPT-6 Astra 的意义不止于基准分数：它是 OpenAI 把 Computer Use、Codex、安全对齐工程全面整合后的第一个「干活的模型」。「模型直接操作为人类设计的软件界面」这一路线如果成立，企业就不必再为每套内部系统单独开发 API 和连接器——这可能重塑 Agent 落地的架构。与此同时，Critical 级网络安全能力和 CoT 可监控性下降，也让对齐与治理成为与能力同等重要的议题。

相关链接：

• OpenAI官方: Introducing GPT-6 Astra
• OpenAI官方: GPT-6 Astra System Card

tag: AI产品