一周逐街重建曼哈顿——GPT-6 Astra 在 Unreal Engine 中的“城市级”长程代理奇迹

2026 年 9 月 3 日，OpenAI 正式发布 GPT-6 Astra。仅仅数小时后，前 HyperWrite CEO、早期测试者 Matt Shumer 就在 X 上抛出一张令人屏息的截图：一段可自由漫游的曼哈顿街区。他随后发帖称：“GPT-6 Astra 用一周时间在 Unreal Engine 里逐街重建了曼哈顿。它真的能一条街一条街地做到完美。”

这条帖子迅速引爆社区。与以往 AI 生成“一张漂亮城市图”不同，Astra 完成的是一个可持续编辑、可实际行走的 3D 城市模型。Shumer 透露，整个过程并非一次性生成，而是让模型长期自主工作，自己规划、自己调整、自己验证。

实现过程详解
Shumer 的核心方法是“长程目标驱动 + 软件直接操控”。他没有给 Astra 一张完整的曼哈顿地图，而是提供大致范围、真实参考数据源（公开街景、OpenStreetMap 数据、卫星影像），并设置持续运行指令：
“在 Unreal Engine 中重建曼哈顿核心区域。必须逐街区推进，每条街道的建筑高度、宽度、路口转弯半径都要与真实数据一致。完成后自己检查并修正明显错误。”

Astra 直接调用计算机使用能力，打开 Unreal Engine，像人类设计师一样操作界面：创建关卡、导入基础网格、调整材质、放置道具、设置光照。它会阶段性输出进度报告，遇到复杂路口时会暂停并请求补充数据，或自行搜索公开资料。一周时间里，模型累计运行了数十小时，中间几乎无需人工干预。Shumer 提到，为了让它“坚持这么久”，他调整了提示词结构，加入“每完成一个街区就自检并记录差异”的约束，避免模型在后期走捷径。

最终成果是一个可从第五大道走到中央公园边缘的可漫游场景。建筑立面细节、街灯位置、甚至部分店铺招牌都保持了较高一致性。Shumer 表示，完整纽约市规模可能需要数月，但核心曼哈顿已经足够证明“城市级持久生成”的可行性。

技术评价与对比
社区普遍认为，这是 Astra 最强的“空间理解 + 长程代理”展示。前代 GPT-5.6 Sol 在类似任务上通常只能维持数小时，且容易出现尺度崩坏或重复建筑。Astra 的 3D 空间一致性显著提升，能在复杂场景中保持局部与全局的协调。一位游戏引擎工程师评价：“以前 AI 是‘生成一个漂亮的房间’，现在它是‘持续施工的城市总承包商’。”

当然也有局限。部分远景建筑仍显简化，夜间光照偶有穿帮，完整物理碰撞与交通系统尚未实现。但就“从零到可漫游城市”的速度与一致性而言，已远超同期其他模型。

影响与争议
这一 demo 直接引发“AI 是否能替代初级关卡设计师”的讨论。有独立游戏开发者表示，未来小团队可以用 Astra 快速搭建真实城市背景，再人工精修。也有人担心版权与数据来源问题——模型是否过度依赖公开街景数据。OpenAI 官方未直接回应单个用户 demo，但在发布材料中强调了计算机使用与 3D 工作流的突破。

Matt Shumer 的曼哈顿，成为 Astra 发布后最具标志性的“视觉证据”。它不只是好看，而是证明了模型能真正“住进”专业软件里，长时间、有目标地干活。