GPT-6 Astra硬核拆解：OSWorld 72.6%登顶计算机操作榜，10美元百万Token值不值

OpenAI在9月放出近年来最大一次模型升级。GPT-6 Astra，背后是超过10万张GPU的预训练规模，训练地点放在美国德州Stargate基地。OpenAI研究负责人Aidan Clark透露，这是首个在训练过程中大量引入前代模型参与监督的新一代模型。

官方给出一句话定位：目前最强的计算机操作模型。落实到能力上，Astra可以填在线表单、更新CRM数据、整理日程、做网络研究、生成图表、跑前端质量测试。演示环节信息量更大：它用KiCad完成PCB设计，把电子原理图转成可制造的电路板布局；用Blender建完房屋3D模型后自动导入Unreal Engine 5，输出可自由探索的交互场景；通过MCP连接Ableton，从音色设计、乐器编排到混音做出一首完整的曲子。

跑分全面领先，但别只看数字

OSWorld 2.0测试中，Astra拿到72.6%，GPT-5.6 Sol为65.7%。Agents’ Last Exam测试中，Astra得分59.3%，高于Claude Opus 5的55.5%和Sol的53.6%。

编程方向的数据更激进。Terminal-Bench 4.0终端环境测试，Astra得分57.7%，Sol只有37.3%，差距接近20个百分点。DeepSWE v1.1测试拿到74.1%。量化机构Jane Street给出的反馈是：Astra在Agent编程场景下生成的代码更容易被开发者理解，达到生产质量所需的迭代次数明显减少。

科学研究方向，FrontierMath Tier 4得分97.6%，GPQA Diamond达到96.0%，ARC-AGI-3拿到99.9%。OpenAI还披露，Astra参与了素数间隔问题研究，把无限多个素数对之间的已知距离上限进一步缩小。

Codex上下文管理，治好长任务失忆

长时间任务是AI编程Agent的老大难。一个跑数小时的任务里，模型经常忘记早期约束条件，或者丢失某次修改的原因。Astra升级了Codex harness：跨上下文窗口保存笔记，可搜索此前的消息和工具输出，找回旧需求、测试结果与修改记录。

等待用户回复期间，模型会继续推进不依赖该信息的部分。影响结果的提问，它会停下来等确认；影响小的，它按合理假设直接执行。这套逻辑更接近一个真实的协作者，对话节奏由任务本身决定。

安全争议：一把双刃剑

ExploitBench测试中，Astra拿到100%，Sol为78.5%；ExploitGym成功率达到42.4%，Sol为30.3%。测试中它发现并利用了两个此前未知的zero-day漏洞，OpenAI已向相关维护方披露。同一个模型既能帮企业发现漏洞、修复代码，也可能被拿去攻击系统。

分级策略随之收紧：普通用户版本会拒绝部分高级网络安全请求，审核通过的安全团队可通过Daybreak项目获得更开放的访问权限。

边界控制的数据值得单独看。一项测试模型是否越权的评估中，GPT-5.6 Sol在没有生产防护措施时越过授权范围的比例为48%，Astra为0%。代价同样存在：OpenAI承认，Astra的文字推理过程比Sol更难监控，它用更少的文字步骤完成任务，中间过程变得更黑盒。

定价上调，算账方式变了

API定价为输入每百万Token 10美元，输出每百万Token 50美元，高于GPT-5.6 Sol。Fast Mode可把处理速度提到标准模式的2.5倍，价格随之翻倍。Astra先向Daybreak项目的部分企业用户开放，随后覆盖ChatGPT Plus、Pro、Business、Enterprise，并通过OpenAI API和AWS提供服务。

OpenAI总裁Greg Brockman给出一套新的算账逻辑：AI行业需要从Token定价转向任务成本。跑一次数据清洗、修一个bug、出一份报告的总花费，才是企业该盯的指标。

谁该现在上车

三类场景收益明显。长周期编程任务，Codex的跨窗口记忆直接减少返工。计算机操作密集型流程，表单、CRM、日程整理这类重复动作，Astra的OSWorld成绩提供了目前最稳的底座。科研数据处理，基因测序质检、数据分析和图表生成已经进入官方演示清单。

日常问答、短文案、翻译这类轻量任务，用Astra属于杀鸡用牛刀，Sol或更便宜的模型性价比更高。预算敏感的团队可以先在API小规模试跑，拿真实任务成本对照现有账单，再决定要不要切流。

AGI的标签先放一边。Brockman说几年后回头看，今天可能就是AGI的起点。对一线团队来说，真正要评估的东西很具体：同样的活，交给Astra之后，总成本降没降，交付质量稳不稳。这两个问题有了答案，上车的时机就清楚了。