# GPT-6 Astra 发布解读 - 跑分、官方案例和争议
OpenAI 号称全世界最智能的模型，主打像人一样操作电脑
大家好，我是程序员鱼皮。
时间过得真快啊，距离 GPT-5 发布竟然已经过去一年多了。
2026 年 9 月 3 日，OpenAI 终于把 GPT-6 Astra 放出来了。
官方把它叫做「全世界最智能、也最对齐的模型」。而 OpenAI 总裁 Greg Brockman 在发布前的媒体闭门会上，最后说了这么一句话。
现在觉得我们已经进入 AGI 时代，并不算什么不合理的想法，欢迎来到 AGI 时代。
我本来是想第一时间跑一轮实测的，案例都准备好了。结果打开 ChatGPT 翻了一圈模型列表，没有；去看 API，也没有……
去官方博客看了一下，Astra 刚发布时只开放给一小批安全厂商，普通订阅用户是用不了的，接下来几天才会陆续开给 ChatGPT 的 Plus、Pro、Business 和 Enterprise 用户。
吊大家的胃口嘛这不是？
OpenAI 自己也知道这件事说不过去，于是负责 ChatGPT 的 Tibo 发了一条推特，说会给每一个订阅了付费计划但还没拿到 Astra 权限的用户，按天补偿额度重置，一天没用上就补一次。
行行行，原谅你了（正好周五我可以摸鱼了~
这篇文章我会带你看清 GPT-6 Astra 到底强在哪、官方展示了哪些案例，以及网上为什么会有截然不同的声音。如果你更关心它实际写代码的效果，可以直接阅读本板块中的《GPT-6 Astra 编程能力实测 - 4 个项目案例》。
# GPT-6 Astra 强在哪
这次，OpenAI 官方推文并没有吹 GPT-6 的编程能力，而是操作电脑能力。
他们把 GPT-6 Astra 称为「全世界最强的电脑操作模型」，AI 可以像人一样看屏幕、点按钮、填表单、刷应用，无所不能。
先看看跑分，有个叫 ScreenSpot-Pro 的测试专门考模型能不能看懂屏幕、并且精准点到该点的位置，上一代 GPT-5.6 Sol 是 76.9%，Astra 直接干到了 92.7%。
还有一个更接近真实工作的测试叫 OSWorld，就是把 AI 扔进一台真电脑里让它自己干活。Astra 的完成率是 72.6%，比 Sol 的 65.7% 高了不少。更关键的是完成同样的任务，Sol 平均要 75 分钟，Astra 只要 40 分钟！
我觉得主攻「屏幕理解」是个正确的方向。现实里绝大多数软件根本没有 API，很多公司的内部系统还是二十年前写的，文档都不知道在哪。但所有软件都有界面，那界面本身就是最通用的 API，AI 不用等谁来适配，自己看屏幕操作就完了。
GPT-6 Astra 的编程能力也有大幅提升。Terminal-Bench 4.0 考的是在终端里完成软件开发、系统配置和数据分析这类复杂任务，Astra 拿到 57.9%，Sol 只有 37.3%，Claude Fable 5.1 是 55.8%。
不过这次最让我意外的跑分是 ARC-AGI-3。
这个测试难在不给 AI 说明书、不给规则、甚至都不告诉 AI 目标是什么，模型进去只能自己乱按，慢慢摸清怎么才算赢，再把摸出来的规律用到更难的关卡上。
它考查的不是 AI 的知识，是悟性。
2026 年 3 月这个测试刚发布的时候，最强的 AI 只有 0.51 分，人类平均 48 分，GPT-5.6 Sol 是 7.8 分。
而 Astra 做到了 99.9 分！
把这称作 AI 的开悟时刻，不过分吧？
再看看 GPT-6 的数学能力，FrontierMath Tier 4 这套题 Astra 拿到 97.6%，基本上算是打穿了。
# 规格和价格
最后说说大家关心的价格。API 里的模型 ID 是 gpt-6-astra，上下文窗口 105 万 token，最大输出 12.8 万 token，输入支持文本和图片。
定价是每百万输入 token 10 美元、输出 50 美元，缓存输入 1 美元，跟 Claude Fable 5.1 一模一样，是自家上一代 GPT-5.6 Sol 的 2.5 倍，涨得还是挺狠的。
这里有个容易踩的坑要提醒你：单次请求的输入一旦超过 27.2 万 token，整次请求的输入和缓存费率会翻倍、输出费率涨 1.5 倍，也就是输入 20 美元、输出 75 美元。所以别觉得上下文窗口有 105 万就可以随便塞，塞过 27.2 万这条线，账单是阶梯式往上跳的。
另外 Batch 和 Flex 是标准价的 50%，追求低延迟的 Fast 模式是标准价的 2 倍。Astra 也支持推理力度调节，从 low、medium、high 到 xhigh、max 一共五档，可以按任务难度平衡成本和效果。
不过考虑到大多数用户都是在 Codex（ChatGPT）中使用套餐，再加上官方老是赠送重置额度，实际开销没有那么大。
# 官方展示的实战案例
跑分看着很爽，但我更关心 GPT-6 做出来的东西是什么效果。
官方这次放了不少实际案例，我挑几个有意思的说说。
先看一个最能体现「操作电脑」能力的。官方让 Astra 打开 KiCad 这个电路设计软件，把一张电子原理图变成可以直接拿去生产的电路板布线图，元器件怎么摆、铜线怎么走全都是它自己完成的。
这活儿平时是硬件工程师一点一点手工拖出来的，也是整个电子设计流程里最费时间的环节之一。
然后是 3D 建模能力，官方展示了让 Astra 直接建出一整座城市场景，楼体、道路、绿化带、斑马线、路上的车，一个都不少。
不光是建静态模型。官方还演示了先在 Blender 里把一栋房子建出来，再导进 Unreal Engine 5 变成可以自由走动的场景，让设计师和客户在开工之前就能提前逛一遍。
再看看游戏开发能力，官方直接在发布页面里嵌了两个能玩的网页项目，鼠标点进去就能上手。
第一个是卡丁车竞速游戏，这是完全用 AI 程序化生成的 Three.js 卡丁车赛车，赛道和场景不是靠网上的素材堆出来的，是靠代码算出来的。
我自己上手跑了两圈，速度表、漂移条、小地图、名次和圈数都在，手感也不飘。沙滩的高光、水面的透光、椰子树的剪影、彩旗的排布，这水准我觉得已经超过不少外包团队交的活儿了。
第二个案例更酷炫，是个宇宙飞船船厂。每换一个随机种子就能生成 1000 艘不重复但可复现的飞船，全部由 177 个模块化零件拼出来，每一艘还带尺寸、载货量、推力、装配模块数这些参数。
左边是舰队列表，中间是整页图鉴，右边是选中那艘船的详细规格，还能导出成一张拼版图。
除了官方，一批提前拿到内测权限的人也在 Twitter 上晒了自己的测试，有几个我觉得比官方演示还带劲儿。
Matt Shumer 让 Astra 在 Unreal Engine 里造一个世界，往里面填满由 Astra 驱动的角色，要求他们必须互相合作才能活下去。第二天他在卧室里听见客厅有人说话，以为家里进人了，走出去还有点害怕，结果是那些 AI 角色自己开始互相聊天了。
一位研究 T 细胞三十五年的免疫学教授，只给了 AI 一句「做一个 5 分钟讲 T 细胞的教学视频」，Astra 自己挑了视频框架、调文生图做画面、还主动建议用 AI 配音，最后一次性把讲什么、怎么讲、配什么画面全组装好了。
教授说：凭他三十五年的经验，他自己也讲不了比这更好。
# 从官方提示词里能学到什么
看完案例你可能会想：官方是拿什么样的提示词做出这些东西的？
这个问题其实有答案。OpenAI 有一个 开发者展示馆 (opens new window)，里面收录了五十多个用 Codex 做出来的项目，而且 每个案例的详情页都把当时用的提示词原文一字不改地贴出来了，后面还列了每一轮迭代都改了什么。
虽然这个展示馆不是这次跟 Astra 一起发的，里面的案例大多是用 GPT-5.5 和 5.6 做的，但我觉得值得给大家分享一下，看官方的提示词能收获不少 AI 编程的启发。
随便分享 2 个，第一个启发是 要逼 AI 自己验收。
比如玻璃塔堆叠游戏的提示词，最后一句是这么写的：
Run build and lint, then play several runs in the browser to verify collisions, scoring, failure, and restart with no console errors.
意思是先跑构建和代码检查，然后让 AI 在浏览器里玩几局，把碰撞、计分、失败和重开都验一遍，控制台不许有报错。
这就是我一直在讲的 Loop Engineering，让 AI 写完自己验，验证不通过就自己修复。官方把它写成了提示词里的硬要求。想系统学这套方法，可以阅读本教程经验技巧板块中的《Loop Engineering 保姆级教程》。
第二个启发是 先画图再写代码。
小镇模拟游戏的提示词最后一段，是让模型先用文生图工具画几张玩法概念图，把视觉方向定下来，再开始写代码。
如果你平时让 AI 做前端总觉得出来的东西土，这一招直接助你羽化登仙。
剩下的案例我就不逐个讲了，放一张成品感受一下水平。
# AGI 时代真的来了么
虽然官方把 GPT-6 Astra 吹得狂拽炫酷吊炸天，我看了官方展示的案例也觉得很牛呗，但是网上有很多不同的声音。
第三方评测机构 Artificial Analysis 在发布当天就出了独立评测，结论跟官方不太一样。在他们的综合智能指数里，Astra 是 61 分，跟上一代 GPT-5.6 Sol 一模一样，比 Claude Fable 5.1 还低了 5 分。
图里右边那一栏是单个任务的成本，Astra 1.67 美元，GPT-5.6 Sol 0.94 美元。智能指数一分没涨，成本快翻倍了！
所以「全球最强」这个说法，在 OpenAI 自己挑的那批测试上成立，一换成第三方的综合指数就未必成立了。
这件事其实给了我们一个很实用的判断方法：看到新模型发布，先分清哪些跑分是厂商自己挑的、哪些是第三方跑的。厂商挑的那批一定是自己占优的项目，第三方的综合指数才更接近日常使用的体感。
而且根据历史情况，我们可以大胆假设，GPT-6 Astra 大概会像其他模型一样，第一周用起来像是在跟神说话，一周后厂商为了省算力搞一波降级，再用起来就像是在跟三岁小孩说话，两周后被用户投诉多了，就再把智力调回来一点，几周之后再发布 GPT-6.1，然后循环……
# 写在最后
抛开「AGI 时代」这种宏大的说法，我觉得 GPT-6 Astra 这次真正值得关注的是方向的变化：以前模型比的是谁写代码写得好，现在开始比谁能自己坐在电脑前把活儿干完。
对我们普通开发者来说，这意味着 AI 能接手的工作范围又扩大了一圈，不只是写代码，还包括那些没有 API、只能手动点的软件操作。
当然，跑分再漂亮也不等于你的场景里就好用。想知道 Astra 实际做项目的效果，接着阅读本板块中的《GPT-6 Astra 编程能力实测 - 4 个项目案例》就好；如果你想系统了解怎么根据预算和场景选模型，可以阅读本教程编程工具板块中的《AI 模型选择指南》。