来源：中信证券研究
文｜杨泽原 丁奇 马庆刘 孙竟耀
GPT-6 Astra推出，端到端任务与自主操作能力显著加强。GPT-6核心技术迭代的核心或为循环Transformer（Recurrent Transformer）架构升级，有望抬升模型的智能上限。架构迭代带来算力与IO需求结构的切换，有望拉升高算力服务器需求。循环Transformer增加思维链获取难度，理性看待对蒸馏的影响。建议关注海外算力、云产业链、国产模型及算力的相关公司。
▍GPT-6 Astra推出，端到端任务与自主操作能力显著加强。
2026年9月3日，OpenAI正式发布GPT-6 Astra。根据OpenAI官网，与前代GPT-5.6 Sol相比，Astra在推理与执行上实现了代际跨越：ARC-AGI-3测试通过率从个位数跃升至99.9%，FrontierMath Tier 4达98%，OSWorld 2.0任务完成率从65.7%提升至72.6%且耗时从75分钟锐减至40分钟。同时，编程任务Token消耗仅为此前三分之一，单任务成本显著下降。面对Claude Fable 5.1等竞品，Astra并非全胜——在通用智能指数上，Astra以61分持平前代，仍落后竞品。但其核心优势在于端到端任务执行，GPT-6 Astra能直接操作电脑界面，将检索、分析、代码执行和交付物制作整合为完整工作流，在Terminal-Bench 4.0（57.9% vs 55.8%）、AutomationBench（41.4% vs 31.4%）等长程Agent测试中已超越Claude Fable 5.1等竞品。
▍或采用循环Transformer的升级架构，有望抬升智能上限。
根据the information等媒体报导，GPT-6核心技术迭代核心为循环Transformer（Recurrent Transformer）架构升级。传统Transformer架构存在天然的“时间浅层性”缺陷，模型有效推理深度完全等同于物理堆叠层数。行业过往提升模型推理、逻辑运算能力，主要依靠堆叠网络层数、扩张参数量或增加外部思维链Token数量实现，直接导致KV缓存爆炸式增长、显存占用过高、推理成本居高不下，成为大模型规模化落地的核心约束。循环Transformer的核心是引入层内循环迭代+持久化KV记忆机制。该架构无需大幅增加物理层数与参数量，可通过单层网络的多次隐空间迭代打磨逻辑能力，大幅提升模型有效推理深度。同时，模型多数复杂推理步骤在隐状态内部完成，无需输出大量中间思维链Token，且持久化KV可跨时间步、跨迭代复用，彻底改变了传统架构逐层单向计算、KV实时重算即用即弃的模式。有效推理深度的突破意味着模型能够处理更具逻辑挑战的复杂任务，循环Transformer或将是通向更高智能层级的关键跃迁。
▍架构迭代带来算力与IO需求结构的切换。
循环 Transformer架构通过同一组网络层多次循环迭代运算，把模型推理深度与参数量解耦，拓展模型智能上界，推理侧算力消耗结构发生变化，对高算力服务器硬件需求进一步抬升。一方面，内部迭代使单Token计算量小幅上升；另一方面，有效压缩任务整体Token输出量，且持久化KV缓存大幅缓解长序列场景下显存与IO带宽压力。整体来看，大模型推理瓶颈从显存IO带宽约束，一定程度上转向芯片算力利用率约束。因此，循环transformer有望拉升高算力服务器需求。
▍循环Transformer增加思维链获取难度，理性看待对蒸馏的影响。
循环Transformer架构将显示思维链转为隐空间计算，在传统Transformer流程中，CoT相当于给推理过程增加了一段工作记忆，生成的思维链token重新进入 Transformer流程继续生成后续推理结果；Looped Transformer的大量计算过程存在于内部隐空间，原本显性推理的过程变得更加不可见，导致通过外部蒸馏手段获取模型思维链的难度增加。这种变化对于需要获取教师模型思维链过程的软蒸馏有影响，对只需要取得答案的硬蒸馏无影响。我们认为，长期看如果要追求AGI目标或反超海外模型能力，则蒸馏的作用不应被过分夸大。此外，随着以GPT-6为代表的模型走向端到端任务与CoWork场景，真实场景下的操作日志、代码执行轨迹、用户交互反馈等过程数据，比静态Benchmark答案更具算法反哺价值。在这一阶段，拥有完整开发者生态与商业用户池的头部厂商，能够通过真实数据闭环与RL迭代持续构筑壁垒，合成数据（RSI）则进一步放大其算法先发优势。我们认为，反蒸馏趋势的实质是加速中国模型向头部收缩。
▍风险因素：
模型技术创新、能力突破不及预期；算力基础设施适配不及预期；AI商业化落地不及预期；行业竞争加剧等。
▍投资策略：
GPT-6 Astra推出，端到端任务与自主操作能力显著加强。GPT-6核心技术迭代核心或为循环Transformer（Recurrent Transformer）架构升级，有望抬升模型的智能上限。架构迭代带来算力与IO需求结构的切换，有望拉升高算力服务器需求。循环Transformer增加思维链获取难度，理性看待对蒸馏的影响。建议关注海外算力、云产业链、国产模型及算力的相关公司。
热门跟贴