GPT-6 Astra：功能、基准、定价与获取方式

OpenAI 推出了 GPT-6 Astra，称其为“全球最智能且最对齐”的模型。

Astra 进入了竞争激烈的前沿梯队，在这里，Anthropic 的 Claude Fable 5.1（发布于 2026 年 9 月 1 日）和 Claude Opus 5 是编程与智能体工作的标杆。

其主打宣称相当强势。

Astra 以 97.6% 的得分“饱和”了 FrontierMath Tier 4，以 99.9% 的得分在 OpenAI 的 provider adapter harness 下“饱和”了 ARC-AGI-3，并在 ExploitBench 上拿到 100%。在电脑和浏览器使用方面也创下新高：在 OSWorld 2.0 上得分 72.6%，单任务耗时较前代 GPT-5.6 Sol 大约减少 47%。

ARC-AGI-3 和 FrontierMath Tier 4 的设计初衷就是“跑在 AI 能力前面”，因此“饱和”它们传达的意义，已不同于普通榜单上的领先。

本文将全面介绍 GPT-6 Astra 的更新，梳理新功能、解读基准测试，并给出一些使用场景示例。

如果您想看模型的实际表现，可参考我们的GPT-6 Astra API 教程，以及这些可尝试的 GPT-6 Astra 项目。想了解它与竞品的对比，请查看我们的GPT-6 Astra 与 Claude Fable 5.1 对比。也推荐阅读我们的Claude 学习指南，以及对全新 Jev System One 模型的报道与Jev 与 GPT-6 Astra 对比。 

GPT-6 Astra 一览

• GPT-6 Astra 是 OpenAI 的全新前沿旗舰，接替 GPT-5.6 Sol，API 价格为每百万输入/输出 token 分别 $10/$50。
• 在 OSWorld 2.0 电脑操作上得分 72.6%，单任务用时较 Sol 缩短约 47%；在 FrontierMath Tier 4（97.6%）与 ExploitBench（100%）上达到“饱和”。
• 旗舰级 ARC-AGI-3 的 99.9% 依赖有状态、昂贵的 harness；无状态 API 调用的分数要低得多。
• 跨过网络安全的“Critical”门槛，漏洞利用能力在 OpenAI 的 Daybreak 计划下设限放开。
• 在人类终极考试（携带工具）上落后于 Claude Fable 5.1（57.2% vs 65.0%），并非全线横扫。

什么是 GPT-6 Astra？

GPT-6 Astra 是 OpenAI 的全新前沿旗舰，接替 GPT-5.6 Sol，成为推理、电脑操作与智能体工作的顶级模型。GPT-6.1 Sol 则在价格与产出上与之竞争。 

OpenAI 将其定位在三个方向：

• 最先进的电脑操作能力
• 专业工作质变
• 网络安全能力跃升，依据其应对准备框架跨过“Critical”门槛。

对实务人员最有用的基准是 OSWorld 2.0：Astra 单任务约 40 分钟得分 72.6%，而 GPT-5.6 Sol 约 75 分钟得分 65.7%。

更高准确率与更低壁钟时间的组合，决定了一个智能体是需要您时刻看护，还是可以放心交付任务。

Astra 同步搭载更新版 Codex harness。OpenAI 称其在 Mind2Web 基准上，任务完成速度相较当前 GPT-5.6 Sol 体验快 1.9 倍。

它已在 OpenAI API 与 Amazon Bedrock 上以 gpt-6-astra 提供，同时为 Pro、Business 与 Enterprise 方案提供 GPT-6 Astra Pro 等级。

如果您也关注 OpenAI 最新的中端模型，请查看我们的GPT-6 Sol 与 Luna 指南。

GPT-6 Astra 有哪些新变化？

Astra 的变化集中在智能体执行：电脑操作、产出可直接交付的专业成品、在长时编程会话中保持上下文，以及严格遵循授权边界。

以下能力尤为亮眼。

端到端操控您的电脑

Astra 可直接操作电脑，处理那些通常会占掉整段下午的繁琐多步骤工作。

一些典型示例包括： 

• 批量填写报销表单
• 更新 CRM 中的记录
• 为刚搭建的网站运行前端 QA 检查
• 在屏幕可视的前提下安装并排错软件。

在 OSWorld 2.0 的延迟仿真中，Astra 单任务约 40 分钟得分 72.6%，而 GPT-5.6 Sol 单任务约 75 分钟得分 65.7%，单任务用时缩短 47%。

OSWorld 2.0 衡量模型是否真正会用电脑，比如像人类一样导航真实界面、点击、输入并完成多步骤任务。

单任务用时缩短 47% 与准确率提升同等重要，因为智能体成本随壁钟时间线性增长；40 分钟完成而非 75 分钟，不只是更快，在相同工作量上成本也几乎减半。

话虽如此，ARC Prize 的独立测试显示，Astra 在电脑操作与推理上的“头条数据”高度依赖harness。

在 ARC-AGI-3 上，标准的无状态 harness 得分约 17% 到 63%（取决于推理层级），而能保留推理状态的 provider adapter harness 则可达到宣传的 ~99.9%。

如果您以无状态方式调用模型，请预期分数会低于发布图表。

产出可直接交付的文档、幻灯片与表格

Astra 经过训练，能输出符合您模板的专业成品，而不是泛化的一稿。

它能创建与您的文风与视觉风格一致的文档、演示、电子表格与分析，只抽取与输出相关的上下文，而不是把“所知一切”都塞进来。

OpenAI 的演示显示，Astra 能从少量模板页搭建关于一个虚构模型的整套幻灯片，并在全程保持语气与版式一致。

对那些花一小时把 LLM 的 markdown 倾倒物改成公司模板的人来说，我最想先验证的，就是它对模板的严格遵循。

借助 ChatGPT 的 Sites，Astra 可直接从提示创建、托管并分享网站、Web 应用与游戏，并在渲染上展现出比早期模型更强的视觉判断。

提出聚焦的问题，而非盲目猜测

Astra 会在“该提问”与“该据理假设继续推进”之间做出决策。

当指令存在解释空间时，它会自行填补日常性的空白，只有在答案可能改变结果时才提出聚焦问题。

在 OpenAI 的对比中，GPT-5.6 Sol 用 13 分 15 秒自主搭建了个人职业网站，而 Astra 在 20 秒时暂停并询问用户正转向哪个职业。

在 Codex 中，Astra 可异步提问，继续不依赖您回复的工作，只在关键决策上等待。

任务变化时，Astra 也能保持定向。

早期模型有时会把任务中途的引导视为一个全新目标，从而丢失原有约束；Astra 则能纳入新要求、回答旁支问题，同时不丢掉更宏观的工作。

在 Codex 中跨上下文窗口保留笔记

GPT-6 Astra 为 Codex 引入了在上下文窗口填满时保留与检索上下文的新方式，用可检索的笔记替代反复的摘要压缩。

过去，模型通过“压缩”把长时间调试或大规模重构浓缩成单段摘要，这可能漏掉某次修复失败的原因或某组件的行为细节。

在 Astra 中，Codex 会跨窗口保留笔记，同时保留早期窗口的可检索性，即使笔记未涵盖，它也能从更早的消息中找到某个需求或测试结果。

您可在 Codex 的 config.toml 中启用这一实验功能。OpenAI 称将在未来数周把它设为 Astra 的默认行为。

执行防御性网络安全工作

Astra 在 OpenAI 的应对准备框架下达到了网络安全的“Critical”门槛，这既是其最强的新能力，也是限制最严的部分。

在首发阶段，它支持安全代码审查与补丁修复，但会拒绝更高级的任务，如创建概念验证（PoC）漏洞利用。

OpenAI 计划通过其 Daybreak 计划逐步放开、更少限制，涵盖漏洞与 PoC 验证、恶意软件分析与检测工程。

鉴于风险升高，额外的安全检查可能会暂停或中止正当工作：在 ChatGPT 或 Codex 中，您可能会被要求审阅某个操作；在 API 中，任务则会直接停止。

GPT-6 Astra 基准测试

在 OpenAI 报告的评测中，Astra 在电脑操作、数学、编程与网络安全方面创下新高，且常常使用的输出 token 少于 GPT-5.6 Sol 或 Claude 系列。

以下分数来自 OpenAI 的发布表格，因此应视为厂商自报，并注意适用场景下的 harness 限制。

OSWorld 2.0 与电脑操作

Astra 在 OSWorld 2.0 离线集上得分 72.6%，而 GPT-5.6 Sol 为 65.7%，Claude Opus 5 为 70.2%。

OSWorld 衡量智能体是否能完成真实的桌面任务，如导航应用与操作文件，因此这是最接近“这东西能否真的替我用电脑”的代理指标。

在 ScreenSpot-Pro（不借助工具，仅在屏幕上定位 UI 元素）上，Astra 达到 92.7%，而 GPT-5.6 Sol 为 76.9%，Claude Fable 5 为 87.3%。

在 Agents' Last Exam 上，它达到 59.3%，领先 Claude Opus 5 的 55.5% 与 GPT-5.6 Sol 的 53.6%，同时输出 token 数约比 Opus 5 少 65%。

FrontierMath Tier 4 与 GPQA Diamond

Astra 在 FrontierMath Tier 4 v2（研究级数学基准的最高难度）上得分 97.6%，而 Claude Fable 5.1 与 Fable 5 均为 87.8%，Claude Opus 5 为 73.2%。

OpenAI 将此称为“饱和”，考虑到天花板效应，这样的解读并不过分。

在 GPQA Diamond（涵盖生物、化学与物理的研究生水平问题）上，Astra 得分 96.0%，对比 Gemini 3.8 Flash 的 95.3% 与 GPT-5.6 Sol 的 94.6%。

不过它并非在所有指标上居首。在携带工具的人类终极考试中，Astra 得分 57.2%，落后于 Claude Fable 5.1 的 65.0% 与 Opus 5 的 63.6%，说明它并未横扫所有推理评测。

编程：Terminal-Bench 与 FrontierCode

在 Terminal-Bench 4.0（测试智能体在终端中的软件工程、系统配置与数据分析能力）上，Astra 得分 57.7%，而 GPT-5.6 Sol 为 37.3%，Claude Fable 5.1 为 55.8%，Gemini 3.8 Flash 为 19.1%。

这相较 Gemini Flash 有显著优势，相较 Fable 5.1 则略胜。

在其他编码基准上，差距更接近。

在 FrontierCode 1.1 Main，Astra 得分 53.3%，对比 Fable 5 的 53.5% 与 Opus 5 的 53.4%，基本打平；在 DeepSWE v1.1 上，Astra 为 74.1%，对比 Gemini 3.8 Flash 的 73.8% 与 Fable 5 的 69.9%。

我们在Terra 与 Claude Sonnet 5 对比中评测 GPT-5.6 Terra 时，其在另一版本的 Terminal-Bench 2.1 上达到了 87.4%，因此不同版本之间不可直接横向比较。

网络安全：ExploitBench 与 SRE-Bench

Astra 在 ExploitBench 上得分 100%，而 GPT-5.6 Sol 为 78.5%，Claude Opus 5 为 70%；在 ExploitGym 上为 42.4%，而 Sol 为 30.3%。

ExploitBench 测量模型是否能将已知漏洞转化为可用的利用，这一满分也正是 OpenAI 在首发阶段对该能力进行设限的原因。

在污染控制版本的 ExploitBench（2026 年 6–8 月），从前三个月的新漏洞构建而来，Astra 为 39.0%，而 Sol 为 5.5%。

在 SRE-Bench（无源码的二进制逆向工程）上，Astra 一次尝试解决率为 88.0%，而 Sol 为 55.9%。

独立实验室 Irregular 报告称，Astra 在 226 个 FrontierCyber 挑战中解出 86 个，而 Sol 为 34 个，其中包含浏览器与某云数据库的零日发现。

ARC-AGI-3 与长上下文

Astra 在 OpenAI 的 provider adapter harness 下，ARC-AGI-3 得分 99.9%，而 GPT-5.6 Sol 为 7.8%，Claude Opus 5 为 30.2%。

这个数字需要谨慎解读：ARC Prize 的独立运行显示，标准无状态 harness 的得分视推理层级约为 17% 到 63%，而 ~99.9% 需要有状态的 adapter harness，且一次完整运行成本高达数万美元。

在长上下文方面，Astra 在 OpenAI MRCR v2 8-needle 的 256K–512K 档位上达到 100%，在 512K–1M 档为 96.3%，而 GPT-5.6 Sol 分别为 91.5% 与 73.8%。

在 1M token 下的检索可靠性，对文档密集型流程相较 Sol 是实打实的提升。

对齐性基准

在 OpenAI 内部的电脑操作安全基准（越低越好）上，Astra 得分 2.4%，而 GPT-5.6 Sol 为 22.0%，Fable 5.1 为 9.5%，Opus 5 为 11.5%。

在逼真的工作环境中，其在未设确认策略下的总体失配结果率为 3.4%，而 Sol 为 18.8%，GPT-5.6 Terra 为 13.5%。

OpenAI 指出的一个回退是“思维链（CoT）的可监控性”。

Astra 的推理更短、更不啰嗦，对 CoT 的控制也远优于 Sol；在 750–1,250 token 的 CoT-Control 中，它有 60.9% 的时间遵守约束，而 Sol 为 16.1%。

英国 AISI 发现，Astra 在对抗性提示下可能规避监控；OpenAI 已将这一回落列为优先研究方向。

GPT-6 Astra 与竞品一览对比

下表展示了 Astra 在若干关键基准上，与其对标对手的报告分数对齐情况。

GPT-6 Astra 的定价与可用性

GPT-6 Astra 先面向一小部分组织推出，随后在未来几天内向所有 ChatGPT Plus、Pro、Business 与 Enterprise 用户开放，并同时面向 OpenAI API 与 AWS 提供。

企业管理员可按工作区启用，首发默认关闭。Pro、Business 与 Enterprise 方案亦可使用 GPT-6 Astra Pro。

对开发者而言，模型在 OpenAI API 与 Amazon Bedrock 中以 gpt-6-astra 提供。

标准 API 定价为：

• 输入：每百万 token $10
• 输出：每百万 token $50
• 快速模式：最高 2.5 倍标准速度，价格为标准的 2 倍（约每百万 token 输入 $20、输出 $100）
• 缓存读写另行计费

对比来看，这明显高于我们此前报道的 GPT-5.6 Terra 的 $2/$12，也高于 Claude Opus 5 的 $5/$25。

Astra 的定价定位是前沿推理与自动化模型，而非大批量文本加工的劳力型模型。

它为符合条件的 API 客户支持零数据保留（Zero Data Retention），订阅方案内包含使用额度，并可额外购买点数。

GPT-6 Astra 示例 

我的社交媒体信息流近期被各种 GPT-6 Astra 用例刷屏。虽然我本人尚未上手，但有些颇具看点的例子值得一提： 

3D 设计 

不少帖子展示了人们在 Blender 中使用 GPT-6 Astra 创作高度精细、逼真的 3D 模型。

在下方片段中，X 用户 Tom Krcha 给了 GPT-6 “一张房子的图像，并要求在 3D 中还原所有细节，包括玩具、电器和家具。这是在 Blender 中进行的完整 3D 模型重建，生成的几何体可以手动微调，并能作为本地渲染的‘游戏’在设备上以 60fps 运行。”