GPT-6 Astra上线，AGI时代真到来了吗？字母榜

Astra发布前几个小时，AI圈先乱成了一团。

9月3日晚间，ChatGPT、Claude和Grok几乎同时出现大范围服务异常，大量用户不是打不开模型，就是请求失败。

恰在此时，ChatGPT官方账号在仰望星空：“The stars are almost aligned.”（群星即将就位）

很快有人开起玩笑：Astra是不是在部署的时候，顺手把Anthropic和xAI都骇了一遍，最后连自己也没放过？

当然，这只是网友造的一个梗，目前没有证据表明这场故障与Astra有关。

但这个玩笑出现得恰逢其时——就在两天前，OpenAI刚刚宣布，这款尚未正式发布的新模型已经成为公司第一个跨过Preparedness Framework“Critical”网络安全能力阈值的模型。

然后，群星真的“就位”了。

北京时间9月4日凌晨，OpenAI正式发布GPT-6 Astra。

但并没有全量上线。目前Astra只向少量Trusted Access/Daybreak体系中的机构和经过审核的网络安全用户开放——Plus、Pro、Business、Enterprise和API用户还要再“仰望”几天。

Astra来了，但是如来

9月4日，OpenAI“对内”发布了GPT-6 Astra。

目前，Astra只向Trusted Access / Daybreak体系中的少量机构开放。OpenAI表示，Plus、Pro、Business、Enterprise订阅用户以及API，将在未来几天陆续获得访问权限。

至于这个“几天”究竟是多少天，暂时没有更具体的时间表。

在发布前的闭门媒体简报会上，OpenAI总裁Greg Brockman给了Astra一个相当夸张的注脚：“Welcome to the AGI era.”

欢迎来到AGI时代。

OpenAI研究副总裁Aidan Clark则从另一个角度解释了Astra为什么特殊：“这是第一次在德州Stargate站点用超过10万张GPU做预训练，从数据中心网络到推理内核再到模型本身的形态，全部围绕这个训练规模从零设计”。

Aidan同时表示，Astra也是OpenAI第一款让旧代际模型深度参与训练过程的产品。

简单来说，训练下一代AI的人里，已经开始出现上一代AI。

虽然它还远远算不上“AI自己训练自己”，但模型已经进入了下一代模型的研发流程。

在前天Anthropic称Fable/Mythos 5.1是“目前世界上最先进的编码和知识工作模型”之后，今天，OpenAI也把称Astra是“世界上最强、最对齐的模型”。

基准测试方面，最吓人的数字，来自ARC-AGI-3。

这是一个专门测试模型能否进入从未见过的2D环境，通过不断试错发现规则、完成目标的Agent基准。它不像传统考试那样考记住多少知识，而更接近于把AI丢进一个陌生游戏里，看它能不能自己摸清楚“这个世界怎么运转”。

Astra在OpenAI自己的Provider Adapter配置下，最高拿到了99.9%。

但这个数字需要拆开看。ARC Prize还使用了一套所有厂商都可以统一比较的Standard harness。在这里，Astra最高只有62.7%。

两者最大的区别并不是换了题目。OpenAI之前发现，Sol之所以分低，不是因为模型笨，而是harness在持续格式化它的记忆。所以OpenAI的做法，是把ARC-AGI-3的harness换成自家Responses API的生产配置，然后还特地为ARC-AGI-3准备两个特殊设置，分别为保留推理（retained reasoning）和压缩（compaction）。前者让模型在动作之间记住自己刚才的思路，后者则用摘要代替粗暴截断。

接上这套生产系统之后，Astra从62.7%跳到了99.9%，而且在双方都成功完成的任务中，Provider Adapter整体运行速度约快3.66倍，token消耗还减少了49%。

某种意义上，挺像开外挂的。

在高难度数学方面，FrontierMath Tier 4为97.6%。FrontierMath所处的Epoch AI表示，OpenAI资助了该基准的开发，并对其部分题目拥有独占访问权。

值得关注的分数还有：

DeepSWE v1.1 74.1%

BenchCAD 95.9%

Terminal-Bench科学任务 64.6%。

但OpenAI这次显然没有只想靠一排Benchmark介绍Astra。

打开官网，案例几乎是一个接一个往下放。

KiCad、Excel、Blender、Power BI、浏览器填表、网站QA；再到找房、找医生、预约DMV、做税表、做PPT、开发游戏、分析科研数据。

过去几代GPT发布，OpenAI主要在告诉用户这个模型能回答什么；到了Astra，它的重心似乎转了个向，变成了：你到底还有多少事情，可以直接交给AI去做。

OpenAI甚至直接称Astra为“世界上最好的computer use模型”。

模型在“用电脑”这件事上的进步，可能比分数更重要。在Codex里，Astra带来了一套新的上下文机制：上下文窗口填满时不再只靠压缩摘要，而是可以跨窗口保留笔记、回搜更早的消息和工具输出。

Astra还可以在某个问题悬而未决时，先继续做不依赖答案的部分，避免单个未决问题卡死整个任务。

当然，能力也直接写进了价格里。

GPT-6 Astra的API标准价格是：每百万输入token 10美元，缓存输入1美元，输出50美元。

相比GPT-5.6 Sol目前的4美元输入、0.4美元缓存和20美元输出，Astra整档价格直接提高到了2.5倍。OpenAI给它的定位也很明确：如果不知道该选什么旗舰模型，可以选Astra；如果更在意成本，则继续使用GPT-5.6 Terra或者Luna。

它仍然提供105万token上下文和最高12.8万token输出。但长上下文也有额外成本：和GPT-5.6系列一样，当单次输入超过272K token后，整次请求的输入费用会按2倍计算，输出则按1.5倍计算。

所以，OpenAI其实给Astra独划出了一个更昂贵的智能档位。

如果只是问一个问题、改几段文案，花2.5倍价格未必值得。

但如果模型真能自己坐在电脑前，连续工作几十分钟甚至几个小时，把过去需要人来回切软件、查资料、填表格、改文件的一整件事情做完，那么真正该比较的，就不再只是每百万token多少钱了。

几个技术点，值得注意

Astra还有几个技术点，或许比Benchmark本身更值得注意。

第一个是逆向工程。

OpenAI在这次发布中引用了SRE-Bench。这是Columbia DAPLab等团队今年推出的一套逆向工程基准：不给模型源代码，只给编译后的二进制程序，看它能不能重新理解程序逻辑、找到关键行为。

Astra一次尝试的成功率达到88.0%，最多四次尝试可以达到99.2%。

同一套规则下，GPT-5.6 Sol分别只有55.9%和68.7%。

换成人话说，就是AI面对一个已经被编译、几乎看不到人类可读代码的程序，也开始能够从机器指令里一点点把它“拆回来”。

这对恶意软件分析、固件研究、漏洞挖掘和数字取证都有直接意义。

第二个变化，是Astra在超长任务里“不容易找丢东西了”。

在MRCR v2八针检索测试中，Astra面对256K至512K上下文时准确率达到100%；到了512K至1M token，仍然有96.3%。而GPT-5.6 Sol在这两个区间分别只有91.5%和73.8%。

过去很多模型号称支持百万上下文，但如果把一条重要信息埋在几十万token之外，模型到了后半程已经可能忘得差不多了。

Astra则开始把“上下文窗口有多大”，推进到了另一个更实际的问题：一个Agent到底能记住多长时间以前发生的事情。

对于需要连续工作几十分钟甚至几个小时的Agent来说，这可能比再增加几十万token窗口更重要。

除此之外，Astra身上还有一个比较反常的变化。

它变得更对齐了，却也变得更难监控了。

OpenAI公布的一组内部电脑使用安全测试中，Astra的违规率从Sol的22.0%下降到了2.4%；在专门观察模型是否会为了完成任务绕过限制的测试里，Astra为0%。内部幻觉测试也从Sol的9.4%下降到Astra的2.0%。

至少按照OpenAI自己的测试，Astra明显更少“乱来”。但OpenAI首席科学家Jakub Pachocki同时提醒：“智能的进步，并不保证对齐的进步。”

原因之一，在于Astra开始越来越少把自己的完整思考过程写出来。

过去一种很重要的AI安全办法，是监控模型的思维链（Chain of Thought）：如果模型准备越权、攻击某个系统或者偷偷改变目标，可以提前从它的推理里看到蛛丝马迹。

但OpenAI发现，Astra对于自己的书面推理拥有更强的控制能力。一些过去必须写很多步才能解决的问题，它现在可以用更少的显式推理完成；如果模型知道自己的思考过程正在被监控，还会明显改变或者缩短这些内容。