OpenAI 刚把 GPT-6 Astra 摆上台面，Greg Brockman 在说明会结束时说了一句「Welcome to the AGI era」。
坏消息是：官方随后补了一句，Plus、Pro、Business 和 Enterprise 用户要在未来几天陆续拿到 Astra。
好消息是：只要一天没拿到，tibo 就会不断的重置
这个场面有点像公司群里宣布，新同事下周一入职，HR 已经把他夸成了能改变组织的人，工位上却还没有电脑。
这种时候，最容易看见两种反应。
有人盯着海报和跑分直接开香槟，觉得世界从今天起已经不同了。也有人翻个白眼，觉得又是一轮模型发布会，过几天照样干活干活、改表改表。
两种反应都很正常。
OpenAI 已经把 Astra 介绍成一位等待入职的新同事。那这份简历里，到底哪几项能力会改变普通人的工作？
功能列表也先放一边。发布会上的功能永远很多，真实工作只认四件事。
它能不能看着屏幕把活干下去。进到一个没人写说明书的烂系统，它能不能自己摸出门道。信息不全时，它会不会在该动的时候动、该问的时候问。给它的权限越来越大以后，我们还看不看得住它。
这四个问题，决定这份发布资料里哪些内容值得认真看。
以前说一个模型会用电脑，多少有点勉强。它会点按钮，会填表，会在网页里绕来绕去。任务一拉长，它就可能像刚入职的实习生，十分钟后突然忘了自己为什么打开这个页面。
OSWorld 2.0 这次给 Astra 的成绩是 72.6%。数字当然不能保证它明天就能接管你的电脑，更有意思的是另一行，官方模拟里，它完成一项任务平均约 40 分钟。
作为对照，GPT-5.6 Sol 是 65.7%，平均约 75 分钟。
两个模型都坐在电脑前干活，一个总要拖到下午，另一个午饭前已经把回执发了过来。
这个差距放在 Agent 身上很要命。
我们交给 Agent 的工作，经常长这样，去内部系统找到上个月所有异常订单，按规则补齐字段，碰到拿不准的地方先别乱改。
点击一下，判断一下，再回头修一下。35 分钟的差距会在这种长任务里不断累积。它能不能少走错路，现在还没有公开数据证明；至少从这项模拟看，Astra 把同一类任务做得更快，成功率也更高。
电脑操作算第一轮。
第二轮更麻烦，没人给说明书怎么办？
你肯定见过这种系统。页面是十年前做的，按钮名字叫「流程管理二」，字段口径只有离职同事知道。拿到账号的人先沉默三分钟，然后开始在各个菜单里碰运气。
ARC Prize 公布的 Astra 测试，正好碰到了这个问题。ARC-AGI-3 像是把模型扔进一个陌生小游戏，不解释规则，只给一些反馈，看它能不能摸明白目标，再想办法过关。
在提供商中立的 Standard harness 上，Astra 使用 max 推理档拿到 62.7%。
另一张已经刷屏的图写着 99.9%。
很炸，真的很炸。
这项成绩来自 OpenAI 的 Provider Adapter，使用 high 推理档。它会保留模型不透明的推理状态，也会压缩较长的对话，让 Astra 可以继续利用先前的工作。两套 harness 回答的是两个不同问题，不能把 99.9% 当成换套工具也能原样复现的通行证。
ARC Prize 也明确提醒，这个结果不能证明 AGI 已经实现。
99.9% 仍然很有价值。它至少展示了模型和自家工具链紧密配合以后，能把陌生环境里的能力推到多高。
还有一个数字更有画面感。Astra 在 max 档的 Provider Adapter 测试里，有 96% 的关卡使用了少于人类中位基线的动作数。
一个新同事进来以后，摸会了那套老系统，还比大多数老员工少点几下。
这能不能迁移到真实办公系统，现在只能打个问号。现实里的网页会弹窗，权限会突然失效，老板还会在你做了一半时说，这个先别弄了。
62.7% 和 99.9% 都来自受控测试。工位上的烂系统，会给出另一份答案。
第三道题更接近日常。
信息不全的时候，它怎么办？
人类工作里，很多任务没有完整指令。你让同事整理客户名单，他通常不会为了一个普通客户缺邮编就打断会议。如果名单里出现一笔金额异常的大额续费，他大概率会停下来问一句，这个要不要先确认？
这考的是分寸。
OpenAI 对 Astra 的描述很具体。缺少的信息处在日常可合理推断的范围内，它会自己补上。缺口会改变结果时，它才提出一个聚焦的问题。在 Codex 里，它甚至可以一边等你的回答，一边继续处理不依赖答案的工作。
这句话看着轻飘飘，放进日常工作里却很实在。
一个模型每两步问你一次，只是会打字的审批流。另一个模型把所有模糊都当成授权，替你改合同、删记录、发半成品，那就是一个权限过大的莽夫。
等 Astra 真正开放以后，判断它值不值得进工作流，可以拿一件低风险、步骤多、信息留着一点缺口的真任务给它。整理资料库、迁移个人项目、在几个网页后台做重复录入，都行。
然后只观察两件事。
它什么时候停，它什么时候继续。
停得太早，你省不下多少心。停得太晚，你得先把权限收回来。
讲到这里，最后一道题已经绕不过去了。
人还看得住它吗？
OpenAI 把 Astra 定为首个达到网络安全 Critical 能力等级、又被广泛部署的模型。
Critical 有一个很具体的边界。在适当工具和权限条件下，模型已经能够自己寻找未知漏洞，并在很多防护很强的系统里开发利用方法，不需要人类黑客一步一步指挥。公开版本会拒绝更高级的攻击任务，防御人员则会通过受控项目逐步取得更多能力。
新同事很能干，你也不会在第一天把总后台、生产环境和银行卡一起塞给他。
System Card 里还有一组材料，很值得慢下来读。
Astra 整体上比 Sol 更愿意守边界，对高风险任务的处理也更稳。与此同时，它的思维链在对抗性测试中变得更难监控。英国 AI 安全研究所测到，Astra 按要求控制思维链内容的比例是 93%，Sol 是 48%。Astra 还能在一次前向推理里解决更难的问题，写出来的推理语言也更压缩。
模型更会守规矩了，也更会控制自己把什么写进思考过程。
这两个变化放在一起，才是这次发布让我停了一下的地方。
人类过去很依赖阅读思维链来监督 Agent。一个系统准备越权，推理里可能会先露出痕迹。Astra 处理简单任务时能少写很多步骤，也更能控制这些文字，原来的监控方法自然会变弱。
现有证据还没走到科幻片那一步。相关结果主要来自对抗性评测，英国 AI 安全研究所也没有直接测试 Astra 能否在现实部署中成功逃避监控。把它写成模型已经会隐藏恶意意图，属于自己吓自己。
风险信号已经摆在桌上了。
能力越大，真实使用中的权限检查越不能省。
所以，Brockman 那句「Welcome to the AGI era」到底该怎么听？
我更愿意把它当成一句很有野心的开场白。
Astra 在纸面上已经能更快地看屏幕做长任务，能在陌生规则里表现出很强的适应能力，也开始处理工作里最难写进提示词的那部分东西，判断什么时候自己做，什么时候找人拍板。
价格也得一起看。
API 给了 105 万 token 上下文，最大输出 12.8 万 token。标准价格是每百万输入 10 美元、输出 50 美元。一旦输入超过 27.2 万 token，整次请求的输入和缓存费按两倍计算，输出费按 1.5 倍计算。
把 105 万上下文真的塞满，账单不会按发布页最醒目的两个数字来。
能力变成工作流，最后总要落到谁付钱、谁开权限、谁为一次错误负责。
很多朋友可能会问，我又不做网络攻防，也没有五十万行代码要迁移，这跟我有什么关系？
普通人最先吃到的，大概是几件很小的变化。少开几个接口，少在人和软件之间来回搬信息，把一件长一点的杂活交出去。Astra 自己看着浏览器走流程，普通缺口自己判断，关键问题再来找你。
这听着没有 AGI 宣言那么响。
它可能更早改变你的下午。
代价也会一起过来。价格不会消失，权限不能随手全开。安全系统为了拦住高风险任务，有时还会把正常工作一并暂停或终止。
这些限制会和模型能力一起进入真实使用。
等真开放以后，我最想看的，是它坐到一台普通电脑前，面对一个权限混乱、表单难看、总有例外的真实系统，能不能把活稳定交出来。
到那时，我们才能写一篇真正的 Astra 测评。
在此之前，今天这篇只是一份官方资料解读。
门牌已经挂上了。
工位还空着。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧。如果想第一时间收到推送，也可以给我个星标～
谢谢你看我的文章，我们下次再见。
> / 作者：科了个喵
热门跟贴