Related articles
文｜光锥智能，作者 | 魏琳华 ，编辑｜刘俊宏
多年以后，人类或许会想起 AGI 时代的到来，是在一个平平无奇的夜晚。
9 月 3 日，整个 AI 圈可能都没睡好。先是晚间全球 AI 大宕机，就当所有人准备洗洗睡的时候，9 月 4 日凌晨三点半，GPT-6 Astra 亮相了。
虽然发布会上 OpenAI 宣布还只对部分企业用户开放，不过好在它没让我们等太久。9 月 5 日，OpenAI 全量推送了 GPT-6 Astra，让付费用户们及时体验上了新模型。
「欢迎来到 AGI 时代。」 在介绍 GPT-6 Astra 时，OpenAI 总裁 Greg Brockman 说。
和前几代大模型相比，OpenAI 交出的新模型成绩上确实相当耀眼，正如模型的名字 「星辰」，它在多个关键基准上跑出了 「饱和」 的成绩，把编程、长程任务的能力往上拔了一截。
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，它单次任务的 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。
那么，这一代模型到底变了什么？所谓 AGI 时刻到底是真的，还是只是又一次宣言？
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。
昨天，GPT-6 Astra 已经正式全量向所有订阅用户开放使用。早上晒出的一众测评案例中，有人惊叹它干活的交付质量，有人提到它跑任务更省 Token、成本低。
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。人类的考卷已经快 「考不下」 了。
比如，它在研究级数学基准 FrontierMath Tier 4 跑到 98，官方形容为 「饱和」，也就是它的分数已经达到了测试的上限；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%。可以说是直接实现了 「从 0 到 100」 的突破；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，100 分轻轻松松，但 AI 之前一直搞不定，徘徊在不及格的区间。
然后，GPT-6 Astra 就满分了。三个月时间，AI 就进化成人类了？
用 ARC Prize Foundation 的 Greg Kamradt 的话来说：「在 96% 的测试层级上，Astra 超越了我们的人类行为效率基线，实际上达到了人类水平。」
OpenAI 是怎么做到的？还是用了一点 「手段」 的——将模型和 Harness 打配合。
这个 99.9% 的高分的前提是，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 X 上 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。
但这种成绩还是容易令人质疑。自家模型+自家特调测出来的分，这不是忽悠人么？
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。
说完上面这些 「虚的」 测试，我们来看看 GPT-6 Astra 在商业化已经被验证领域的表现。
在 Coding 场景上，GPT-6 Astra 显然是冲着最强目标冲击的。它在 Terminal-Bench 4.0（测评智能体在复杂终端任务上的表现） 为 57.9%，超过了 Fable 5.1 的 55.8%，而 GPT-5.6 Sol 在这个基准上只有 37.3%。
得益于编程能力的提升，现在人们拿 GPT-6 Astra 已经能做出媲美真实游戏的作品。不少网友已经晒出了他们拿新模型做出的射击游戏、开放世界冒险游戏等等。从建模和实际体验来看，已经可以算得上成品级别。
智能体维度，相较于上一代，GPT-6 Astra 在长程任务的处理能力上了一个台阶。
单看智能体维度的跑分，其中，GPT-6 Astra 在 Agents' Last Exam（真实软件中完成金融建模、工程设计、媒体制作等专业任务） 拿到 59.3%，略高于上代 Sol 的 53.6%；OSWorld 2.0（真实桌面环境里看屏幕、点鼠标、敲键盘完成操作）72.6%；在跨系统业务流程的 AutomationBench 一项上，GPT-6 Astra 的得分从 GPT-5.6 Sol 的 18.1% 大幅提升至 41.4%。
那么，强大能力的代价是什么？
训练出这样的模型，OpenAI 靠的是又一次 「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，这是 OpenAI 迄今为止最大的训练规模。不得不感慨，Scaling Law 的强度还是立竿见影。
但 AI 圈还有一个共识：高分不一定就 「高能」，模型到底好不好用，还得干活层面见真章。
响应更快、Token 消耗更少，GPT-6 更擅长 「干活」
比起跑分，本次大家讨论的一个共识是，GPT-6 Astra 充分展示了它 「干活能力」 的跃升——操作电脑、长任务、端到端交付等能力，它的演示效果都让打工人心动不已。
X 上展示的测评也高度一致地落在干活测评上。多数测评图中，GPT-6 Astra 在 「干的快、干的好」 这两项上遥遥领先：Perplexity 在自家面向 AI 研究智能体的评估框架中测试，GPT-6 Astra 不仅分数最高，它花的钱也比 Fable 5.1 更便宜。
是什么让用户纷纷 「爽歪歪」？主要是两个关键体验：一是降低成本，二是压缩任务的处理时长。GPT-6 Astra 讨人喜欢就在于这两点。
通过有效降低任务输出 Token，GPT-6 Astra 实现了降低成本的效果。不仅输出冗余大幅精简，比如在考察复杂专业任务的 Agents' Last Exam 最高分设置下，相比 Claude Opus 5 少用了约 65% 的输出 Token；面向终端任务的 Terminal-Bench 4.0 中，Astra 的预估 API 成本比自家上一代 Sol 缩减约 9%，对比 Fable 5.1 的降幅更是高达 63%。
作为 OpenAI 的客户，Higgsfield AI CEO Alex Mashrabov 表示，Astra 比他们测过的其他模型少用了高达 20% 的 Token。
时间消耗上，和上一代模型相比，GPT-6 Astra 将部分任务的时间压缩掉近一半。OSWorld 2.0 上，Astra 完成一个计算机使用任务的平均耗时约 40 分钟，比上一代 Sol 的 75 分钟少了 47%；Mind2Web 基准上，Codex 任务完成速度做到上一代的 1.9 倍。
这些改变，不仅和模型各项能力提升相关，可能和 OpenAI 采用的模型新架构有关。
据 The Information 报道，OpenAI 在 GPT-6 Astra 采用了一种叫 「循环深度」（recurrent depth） 的架构技术，它通过复用同一组网络层进行多次内部循环计算，中间推理在隐藏状态中完成，不会全部转化为输出文本。
简单来说，就是原来 OpenAI o 系列的思考模型基本上会把中间推理步骤以自然语言写出来，变成一条人类可读的思维链。这种 「想什么都写出来」 的方式，好处是透明，坏处是啰嗦：一个复杂任务可能输出几千个 Token 的推理过程。
新的架构，让模型内部思考更多，但它输出的 Token 却减少了，这让它能在办事时做到 「又快又省」。
从 OpenAI 的分享中，另一个可以确认的事实是通过对 Harness 能力优化，是它办事能力提升的关键。
先从 Computer Use（计算机使用） 说起，也就是让大模型自主操作电脑浏览、干活的种种能力。对此，OpenAI 直接称它 「世界上最好的 Computer Use 模型」：GPT-6 Astra 把软件当作 「人的工具」 来用——让 AI 填网页表单、更新 CRM 记录、整理日程，分析数据出图、搭好网站再自己跑一遍前端 QA。
OpenAI 现场还展示了在 KiCad 里把电子原理图排成可投产的 PCB、在 Blender 建模后转进虚幻引擎 5，让设计师和客户在 3D 场景中 「看」 到实际效果。根据平面图，GPT-6 Astra 能从零搭建出完整的房屋 3D 模型，包括墙体、门窗、楼层结构等建筑元素。X 上有用户分享的实测效果对比中，也能看到 GPT-6 Astra 的细节做得已经相当完善。
第二处升级在 Codex 的 「记忆」 机制，新增的跨上下文管理机制起到了作用。
Astra 可以跨上下文窗口保存 「工作笔记」，同时让更早的完整上下文保持可搜索，之前的消息和工具输出都能找回。重点内容主动记下来，漏记的细节还能回头翻，避免因上下文压缩导致细节丢失。
此外，Codex 同步推出的 「异步提问」 机制做了一个产品细节上的优化：有开发者在 X 上贴出自己让 Codex 连跑数小时的记录：模型在中途遇到歧义时不再卡死等人工确认，而是先把能独立推进的部分做完，同时攒好问题等用户回答。
这层优化简直救了程序员的命。之前还得守在电脑前一步步确认需求，现在 AI 终于能清净一会，可以多 「摸会鱼」 了。
总而言之，GPT-6 Astra 确实是一次重磅升级，无论是能力还是实际应用层面。但 AGI 时代有没有到来？很显然，现在还不该回答这个问题。参考电力时代的经验，AI 迟早会走到那一天——
当大模型解决复杂工作变得更快速、更便宜时，AI 本身的讨论会逐渐退居幕后，取而代之的是各种 AI 原生的产品。到那时候，「用不用 AI」 的讨论就该翻篇了，就像现在早已没人会讨论 「要不要用电」。
