9月3日晚间，全球AI服务经历了一场大宕机。就在众人准备休息时，9月4日凌晨三点半，OpenAI发布了GPT-6 Astra。9月5日，该模型已全量推送，付费用户可及时体验。

“欢迎来到AGI时代。”OpenAI总裁Greg Brockman在介绍GPT-6 Astra时如此表示。与前几代大模型相比，新模型在多个关键基准上跑出了“饱和”成绩，将编程、长程任务的能力向上提升了一截。

打开网易新闻 查看精彩图片

但“会刷题”算不得什么，能干活才真有用。实际干活时，GPT-6 Astra能做到“又快又省”——交付质量更高的同时，单次任务的Token消耗和任务耗时都明显低于上一代。Perplexity在自家AI研究智能体评估框架中甚至测出，Astra的单次任务花销低于Fable 5.1。

发布不到一周，Anthropic的新模型Fable 5.1就被GPT-6 Astra抢去了风头。现场演示和网友实测里，各种复杂的活儿都被丢给了它：操作电脑、填表单、建网站，甚至把电子原理图排成可投产的PCB、在Blender里建好房间模型，再转进虚幻引擎，让用户可以在建模场景中走动查看房屋细节。

支撑这一跃迁的，是又一次“大力出奇迹”：据外媒报道，GPT-6 Astra的训练动用了10万GPU的集群，是OpenAI迄今最大规模的一次训练。

性能“饱和”的GPT-6 Astra，成色几何？

这次GPT-6 Astra没有“见光死”，实际体验和演示效果差距不大。具体到能力表现层面，GPT-6 Astra在一些特定领域跑出了接近满分的极限分数。

比如，它在研究级数学基准FrontierMath Tier 4跑到98，官方形容为“饱和”；在强调陌生环境中学习与抽象推理的ARC-AGI-3上，GPT-6 Astra从上一代GPT-5.6 Sol的7.8%直接跳到99.9%；漏洞利用测试ExploitBench则直接满分100%，GPT-5.6 Sol为78.5%。

最夸张的是ARC-AGI-3，它相当于把大模型扔进一个陌生环境，不给规则说明，看它能不能自己摸索规则并做出正确决策。这个测试对人类来说并不难，但AI之前一直徘徊在不及格的区间。

不过，这个99.9%的高分有个前提：它跑在OpenAI为自家模型适配的Harness上，所以效果会更突出。但这并不意味着去掉Harness就立刻“拉胯”。根据ARC Prize发布的测评结果是62.7%，这已经是第二名Claude Opus 5的两倍。

厂商自报分数用自家框架，确实是常规操作：DeepSeek上月底发布的DeepSeek V4 Flash，官方在注释里写明基于自家DeepSeek Harness测得，它还同步把Harness作为独立产品推向市场。所以这并不是问题。

不过，GPT-6 Astra的提升也有些许“偏科”。从OpenAI给出的成绩来看，它在部分任务上出现了“倒退”的情况。以测评模型Agent能力的指标之一——人类终极测试（Humanity’s Last Exam）上，GPT-6 Astra的成绩为57.2%，反而低于GPT-5.6 Sol与Fable 5.1。

这样的偏科成绩，也让测评机构给出了不一样的评估分数。比如按照Artificial Analysis的通用智能指数，Astra为61.2，与Sol的60.9基本持平，导致新模型也被不少网友戏称是“更贵版本的Sol”。但实际上，AA测评的指标更多集中在知识、推理等能力上，GPT-6 Astra的强项多数不在它的测评范围内。