刚刚，OpenAI CEO 山姆·奥特曼在 X 平台宣布，GPT-6 Astra 已向所有 Plus 和 Business 用户开放。
至此，Astra 完成了面向所有付费用户的全量推送。
9 月 3 日 Astra 刚亮相时，OpenAI 选择的是分阶段灰度策略，只有Daybreak 网络安全计划中的少数企业客户能优先体验。
而大量 Pro 付费用户习惯了“发布即用”，反而被挡在门外。
社交媒体上吐槽声不断，奥特曼本人也紧急道歉，承认这次上线“很乱”，“我们搞砸了”。
为了安抚用户，OpenAI 还推出了补偿措施：从 9 月 4 日起，付费用户每缺少一天 Astra 访问权限，就能获得一次额度重置，可用于后续使用。
Codex 工程负责人 Thibault Sottiaux 表示，团队正在“竭尽全力”尽快开放访问。
AI 开始像人一样操作电脑
当地时间 9 月 3 日，OpenAI 正式发布新一代旗舰大模型 GPT-6 Astra，Astra 在拉丁语中意为“星辰”。
发布会收尾时，OpenAI 联合创始人兼总裁 Greg Brockman 留下一句相当罕见的宣言：“欢迎来到 AGI 时代。”
CEO 山姆·奥特曼也随后发文表示，希望 Astra 能够开启“新一代的创业、科学发现与创造”。
值得注意的是，OpenAI 在强化“更强推理、更高分数、更优代码”的这些传统指标的基础上，借GPT-6 Astra正式将竞争焦点推向Agent 应用。
OpenAI 给 Astra 起了一个简洁的 slogan：“Anything you can do on a computer, Astra can do for you.”（你在电脑上能做的任何事，Astra都能替你做。）
过去，AI 操控电脑的主流方式是调用 API：软件开发商先把功能封装成接口，AI 再通过这些接口发出指令。
这种方式效率高，但有一个天然限制：软件必须先提供 API，否则 AI 很难直接操作。
Astra 走的是另一条路：它不再完全依赖软件预先提供的 API，而是可以像人一样“看”和“操作”电脑界面。
识别屏幕上的文字、按钮和图像，再通过鼠标点击、拖拽和键盘输入完成任务。
同时，它也会结合浏览器、终端、文件系统等工具，在“视觉操作”和“程序化调用”之间自由切换。
这就是 Astra 此次最核心的升级之一：Computer Use。
比如，以前你问 AI “Excel 里这组数据怎么处理”，它可能会告诉你具体步骤。
现在，你可以直接把任务交给 Astra，让它自己打开 Excel，读取数据、填写表格、处理信息，再根据操作结果继续往下执行。
此外，OpenAI 还重点强化了软件工程、科学研究、数学推理、网络安全等能力。
全面碾压的跑分成绩Astra 的发布时间卡在 Claude Fable 5.1 发布仅两天后，OpenAI 几乎是踩着对手的发布会，全面“狙击”了 Anthropic。
OpenAI 公布的 Benchmark 数据显示，GPT-6 Astra 在多个测试中拿到了目前顶级模型的成绩。
其中最吸睛的，莫过于在 ARC-AGI-3 测试中，Astra 拿到了99.9%。
此前，GPT-5.6 Sol 在这一测试中的成绩只有7.8%，而 Astra 直接来到99.9%。
与上一代 GPT-5.6 Sol 相比，这次已经很难用简单的“优化了一点”来形容：
OpenAI 还透露，Astra 已经帮助解决数学领域一些长期开放的问题，包括在素数间隔研究中取得两个新的理论结果。
如果这些成果最终能够经受学术界进一步验证，那么它意味着 AI 在高阶数学和科研辅助领域，正在从“辅助计算”进一步走向“参与发现”。
价格翻倍，但性价比反而更高
GPT-6 Astra 在定价上，没有选择用更低的 Token 价格去制造“性价比”，而是把价格实打实地涨了上去。
相比 GPT-5.6 Sol，Astra 的单 Token 价格约为上一代的2.5 倍。
Astra 的定价与 Fable 5.1 基本处于同一水平，而在部分实际任务中，它的单位任务成本反而更低。
在 Terminal‑Bench 科学任务上，Astra 的单任务成本约为 Claude Fable 5.1 的 36%，便宜了约 64%。
在 Coding Agent 场景下，Astra 的单任务成本不到 Claude Fable 5 的一半。
背后的关键，是 Astra 采用了一套名为“循环深度”（Recurrent Depth）的新架构。
它允许模型在内部多次迭代打磨推理过程，而不必把冗长的“思考链”全部展开成 token 再“读”回来，从而大幅减少无效 token 消耗。
在DeepSWE v1.1测试中，Astra 的任务成本比 GPT‑5.6 Sol 的最佳配置低了约57%。
再加上五级推理强度调节（从 low 到 max），用户可以根据任务难度灵活调配思考深度，在性能与成本之间找到更合适的平衡点。
理论跑分再高，终究不如把模型拉出来实际跑一遍。
Astra 这次最有意思的地方在于，它给出的案例几乎都指向同一个变化：AI 不再只是帮你生成内容，而是开始自己把任务做完。
1. 游戏开发：从“写代码”到“做游戏”
OpenAI 分享的案例中，初创游戏公司 Playco 使用 GPT-6 Astra 制作游戏原型。
从一个灰盒基础原型出发，快速生成了3个不同主题的游戏版本，人工修复工作减少了 50%。
单看这件事并不稀奇，毕竟过去的 AI 也能写游戏代码。真正不同的地方在于，Astra开始进入了完整的开发闭环：
写代码 → 运行 → 看结果 → 找问题 → 修改 → 再运行。
以前是 AI 把代码交给你，你负责运行和调试；现在变成 AI 自己运行、自己检查、自己修改。
X 上已经有开发者直接用 GPT-6 Astra 做出了一款卡丁车游戏，生成完成后就能在浏览器中直接运行。
即使完全不懂编程，也可以在几分钟内创建并玩上自己的游戏。
过去，一个不会编程的人想做一款能玩的游戏，至少要跨过代码、引擎、调试、部署等一堆门槛。
现在，这些复杂环节正在被 Agent 一口气接过去。
科技博主 Matthew Berman 在获得Astra早期访问权限后，连续测试了游戏、代码、写作、浏览器控制、PPT制作以及各种知识工作。
他的评价相当直接：这是他用过的最强模型，没有之一。
他只用了2个提示词，就让 Astra 从零生成了一款可以运行且真正好玩的游戏。
2. 浏览器控制：自己搜、自己看、自己整理
在浏览器控制方面，Matthew Berman 认为 GPT-5.6 Sol 已经做得相当不错，但 Astra 是另一个层级，而且明显更快。
他做了一个测试：让 Astra 规划一条京都步行游览路线。
整个过程里，Astra 自己打开浏览器、搜索资料、整理信息，再完成路线规划，基本不需要人工介入。
这时候，AI 和传统搜索工具之间的区别就非常明显了。
以前是：你搜索 → 你筛选 → 你整理 → 你规划。
现在则变成：你提出目标 → AI自己搜索 → 自己判断 → 自己整理 → 直接交付结果。
在持续运行能力上，Astra 同样展现出了惊人的一面。
Berman 跑了一个 SimCity 克隆版，让 Astra 持续进行开发和运行，结果连续运行了 5 天还没结束。
3. 3D建模：进入专业生产力场景
如果说游戏开发展示的是 Astra 的“动手能力”，那么 3D 建模则更加接近专业生产力场景。
X 上有开发者直接将 GPT-6 Astra 与 Claude Fable 5.1 放在 Blender 中进行对比。
Astra 可以根据自然语言提示，在 Blender 中建立完整的 3D 场景，从一栋房子的整体结构，到无边泳池、客厅、厨房、卧室，甚至泳池里的火烈鸟，都可以被直接建模出来。
更夸张的是，另一位博主他翻出一张老旧的蒸汽火车手绘图，把它丢给 Astra，让它在 Blender 里重建。
几分钟后，Astra 生成了3295 个完全可编辑的详细对象，几何结构干净漂亮。
值得一提的是，模型建立完成后可以继续手工编辑，也能够像普通 3D 场景一样实时运行。
除了 3D 建模，Astra 在前端设计上也有不少讨论。
给 Astra 一张电路原理图，它在KiCad里完成了元器件布局和铜线走线，整个过程仅用时2 分 54 秒。
但 Astra 在精确性上仍有短板，不少测试者发现，在需要精确操作界面元素的场景下，模型偶尔会出现误判：比如把按钮当成文本，或者误解某个交互组件的功能。
还有就是幻觉问题，在涉及音乐版权、社媒账号配置等需要准确信息的场景中，Astra 给出的建议可能不够严谨，甚至会捏造不存在的操作路径。
从 Anthropic 的 Fable 5.1，到 Google 的 Gemini 3.8 Flash，再到 OpenAI 的 GPT-6 Astra，短短几天，三家头部 AI 公司轮番出牌。
但看完这一轮更新，会发现大模型真正卷的，已经不只是“谁更聪明”，而是：谁更能干活。
你说 Astra 是 AGI 吗？狐妹觉得还不是。
但它让我们第一次这么直观地看到 AGI 长什么样：一个能自己看屏幕、动鼠标、敲键盘，把一整件事从头干到尾的 AI。
不过先别急着焦虑。因为已经有网友替大家算了一笔账：这些模型的 Token 价格并不便宜。
你想想，是不是这个理？至少现在，人还是挺有性价比的。能处理复杂沟通、能临场应变，算力不用按 Token 计费……AI 暂时还真没这么划算。
但细思极恐的是：AI 的价格只会越来越便宜，能力却还在越来越强。
这一次，Astra 已经把“AI 能替人做什么”的边界，又往前推了一步。
编辑：不吃麦芽糖
热门跟贴