OpenAI 深夜王炸：GPT-6 Astra 横空出世，多项跑分逼近满分，高管直言“AGI 时代已至”

北京时间 9 月 4 日凌晨，OpenAI 正式发布新一代旗舰模型 GPT-6 Astra。发布会尾声，联合创始人兼总裁格雷格·布罗克曼（Greg Brockman）留下一句掷地有声的宣言：“欢迎来到 AGI 时代。” 这不仅是一次产品迭代，更像是一场关于“通用人工智能”（AGI）边界的公开宣示。

Astra 的核心突破：从“回答问题”到“操作电脑”

GPT-6 Astra 最引人注目的变化，并非某一项单项跑分的飙升，而是其计算机使用能力的质的飞跃。OpenAI 将其称为“全球最佳的计算机使用模型”，它无需专门适配，便能直接操控浏览器、电子表格、桌面软件和网页，执行填表、更新 CRM 客户记录、排定日历、跑代码、做数据分析，甚至创建网站与演示文稿等多步骤流程。

在 OSWorld 2.0 离线任务集的部分评分中，Astra 拿下72.6%的高分，平均任务耗时从上一代 GPT-5.6 Sol 的约 75 分钟大幅压缩至40 分钟，效率提升近一半。在 Agents' Last Exam 测试中，Astra 得分59.3%，超越 Claude Opus 5 的 55.5% 和 GPT-5.6 Sol 的 53.6%。

OpenAI 研究员米娅·格莱塞（Mia Glaese）在现场表示，用户眼下能做的事，不到一年前还显得不切实际；接下来，人们会把更繁重的执行过程甩给 AI，自己退到宏观指导的位置。

跑分亮眼：多项测试接近满分，但 GDPval 缺席引关注

Astra 的官方成绩单上，出现了几组接近满分的数字，令人咋舌。

• FrontierMath Tier 4 v2：Astra 得分97.6%，远超 GPT-5.6 Sol 的 80.5%。

• GPQA Diamond：Astra 得分96.0%。

• ARC-AGI-3（抽象推理）：Astra 得分高达99.9%，而上一代 GPT-5.6 Sol 仅为 7.8%。不过，OpenAI 明确注明，Astra 使用了 Responses API Harness，这项测试越来越多地转向衡量完整的 Agent 系统，而非单是模型权重。

• 网络安全：在 ExploitBench 上取得100%的成绩，GPT-5.6 Sol 为 78.5%。OpenAI 表示，Astra 是第一个达到其准备框架中“关键”网络安全能力阈值的模型。

然而，在这份几乎覆盖所有能力的成绩单里，OpenAI 没有公布 Astra 在 GDPval 上的表现。GDPval 是 OpenAI 在 2025 年推出的一项基准，用于衡量模型能否完成真实世界里的知识工作。这背后的考量，很可能是现有 GDPval 的设计并不完全适合 Astra 此次重点展示的长时间、多步骤、跨应用工作。

价格争议：API 费用上涨 2.5 倍，但任务成本算法不同

Astra 的 API 输入和输出价格，分别为每百万 Token 10 美元和 50 美元，直接拉到了 GPT-5.6 Sol 当前促销价的2.5 倍。发布之后，这很快成为争议焦点。

科技评论者亚历克斯·卡特（Alex Carter）指出，在 Artificial Analysis 的 Intelligence Index 上，Astra 与上一代得分接近，价格却明显上涨，评价道：“这不是进步，是加价。”开发者奥列格·采格尔尼克（Oleg Tsegelnyk）则对比称，Astra 在 DeepSWE 上得分 74.1%，而 Meta Muse Spark 1.3 得分 75.4%，后者的 API 价格仅为每百万输入 Token 1.25 美元、输出 Token 4.25 美元，总结道：“最贵的模型并不是编码最好的。”

对此，布罗克曼在发布会上回应说，只比较 Token 单价已经“毫无意义”，因为不同模型、不同模型家族生成的 Token 并不等价。企业真正应该看的，是完成一项任务究竟要花多少钱、需要多长时间。OpenAI 用 DeepSWE 证明了这点：Astra 最高分配置超过 GPT-5.6 Sol 的最高分配置，同时单任务预估 API 成本降低约 57%。

行为更“规矩”，但内部推理更难监控

OpenAI 将 Astra 称为“我们最对齐的模型”。在一项内部评估中，GPT-5.6 Sol 有 48% 的测试出现越界，而 Astra 则没有出现。

但测试结果在这里分了岔：在行为层面，Astra 更少越权、更少绕过审批；在内部推理层面，外人却越来越难看懂它到底在想什么。Redwood Research 首席科学家瑞安·格林布拉特（Ryan Greenblatt）指出，Astra 似乎越来越能够在不写出完整推理过程的情况下，解决困难的竞赛数学问题。英国 AI 安全研究所的测试也发现，Astra 的可监控性明显下降。

OpenAI 首席科学家雅库布·帕乔基（Jakub Pachocki）强调：“智能的进步并不能保证对齐的进步。”他表示，如果监控能力下降超过公司能够接受的范围，OpenAI 将暂停继续扩展，直到获得足够信心。

AGI 时代，真的来了吗？

布罗克曼自己也承认，AGI 没有一条所有人都认可的分界线。但在被问到 Astra 是否已经符合条件时，他仍然回答：“就我个人而言，我确实认为我们到了。”

他的依据不是 99.9% 的 ARC-AGI-3 成绩本身，而是同一个系统开始同时解决困难的科学问题，并通过人们日常使用的界面完成普通工作。当企业愿意让 AI 持续推进任务，员工退到设定目标、处理例外和把控关键判断的位置，整个生产协作的骨架便已经开始松动。

这也是 Astra 接下来真正要接受的检验：它能否在多步骤任务中稳定交付，效率提升能否抹平更高的价格，以及在获得真实系统权限后能否守在既定边界内。到那时，Astra 是不是 AGI 依然可以争论；但人们究竟愿意把多少现实工作交给它，会是一个更清晰的度量。