刚刚，GPT-6 Astra降世！AGI测试干到几乎满分

OpenAI 发布 GPT-6 Astra，全面对标 Claude Fable 5.1。

作者 |  李水青

编辑 |  心缘

智东西 9 月 4 日报道，OpenAI 正式推出GPT-6 Astra，将其定义为当今全球“最智能、最均衡”的模型。OpenAI 联合创始人兼 CEO 萨姆·奥尔特曼（Sam Altman）表示，该模型在计算机应用、专业工作、科学研究、编程及网络安全等领域均达到最佳水平。

测试数据显示，GPT-6 Astra 在 FrontierMath Tier 4（数学推理）中获 97.6% 高分，ARC-AGI-3（通用智能）中获 99.9% 高分，ExploitBench（安全测试）中获 100% 满分。其在计算机操作、浏览器使用及复杂任务处理的速度、准确性与判断力上全面刷新纪录，整体表现超越 Anthropic 最新发布的 Claude Fable 5.1。

OpenAI 总裁格雷格・布罗克曼（Greg Brockman）透露，Astra 可能标志着"AGI 时代”的起点。市场反应热烈，舆论认为 OpenAI 借此重夺技术领先地位。

安全性方面，Astra 成为 OpenAI 首个达到 Preparedness Framework“关键级”网络安全阈值的模型。目前，该模型已向部分组织开放，并将陆续向 ChatGPT Plus、Pro、Business 及 Enterprise 用户推送，同时通过 OpenAI API 和 AWS 提供服务。

定价策略上，GPT-6 Astra 标准版价格为前代旗舰 GPT-5.6 Sol 的 2.5 倍：输入 token 为 10 美元/百万，输出 token 为 50 美元/百万，与 Claude Fable 5.1 持平。此外，API 提供“快速模式”，处理速度提升至标准版的 2.5 倍，价格为标准版的 2 倍。

01. 全面对标 Fable 5.1：任务完成能力显著跃升

在 Terminal-Bench Science 0.1 测试中，GPT-6 Astra 以 64.6% 的得分领先 Claude Fable 5.1（52.6%），且预估 API 成本低约 31%。在低成本环境下，Astra 得分 61.1%，远超 GPT-5.6 Sol 的 22.4%。

ARC-AGI-3 测试显示，Astra 得分高达 99.9%，而人类平均得分仅为 48%。OpenAI 采用更贴近实际场景的响应 API 工具评估，估算 Sol 在此项测试中得分仅约 30%。

在 FrontiersMath 4 级高难度数学推理、Terminal-Bench 4.0 复杂终端任务（得分 57.9% 创历史新高）以及 AutomationBench 多步骤业务流程测试中，Astra 均取得优于竞品及前代模型的成绩，同时大幅降低 API 成本。

针对模型行为可控性，OpenAI 构建了新的评估体系。结果显示，在无生产环境安全措施下，GPT-5.6 Sol 有 48% 的概率超出授权范围，而 GPT-6 Astra 的发生率为 0%，显著提升了用户委托任务的信心。

02. 重塑“计算机使用”体验：速度与精度双重突破

OpenAI 宣称 Astra 是“世界上最好的计算机使用模型”，能够自主完成填写表单、更新 CRM、日程管理、在线研究、数据分析及网站 QA 检查等繁琐任务。

在 Agents' Last Exam 真实软件任务测试中，Astra 得分 59.3%，优于 Claude Opus 5 和 GPT-5.6 Sol，且输出 token 数量减少约 65%。ScreenSpot-Pro 高分辨率界面元素定位准确率达 92.7%，OSWorld 2.0 任务得分及效率均创历史新高。

实际应用案例显示，Astra 在 KiCad 中进行 PCB 布局仅需 15 秒；在金融建模世界杯挑战中速度是人类冠军的四倍；能利用 Unity 组装 3D 城市场景，或将书面简报转化为 FreeCAD 机械模型并制作动画。

结合更新的 Codex 框架，Astra 在 Mind2Web 基准测试中的任务完成速度比 GPT-5.6 Sol 快 1.9 倍，可在数分钟内完成儿科医生搜索、找房或车管所预约等生活任务。

03. 六大场景刷新纪录：部分任务成本最高降 86%

GPT-6 Astra 融合计算机使用技术与专业环境训练，在多项垂直领域表现卓越。BenchCAD 测试中，其几何重叠率达 95.9%，API 成本比 Sol 低 43%，比 Fable 5.1 低 86%。BrowseComp 深网搜索测试得分为 91.5%，同样具备成本优势。

在乐谱数字化任务中，Astra 将转录编辑距离误差从 0.813 降至 0.159，降幅达 81%。此外，它在生成结构化幻灯片、Blender 房屋建模转 Unreal Engine 5 场景等方面表现出色，并能更精准地理解用户意图，在信息缺失时做出合理假设或提出针对性问题。

04. 最佳软件工程模型：API 成本可降低六成

OpenAI 称 GPT-6 Astra 为迄今最佳的软件工程模型。在 Terminal-Bench 4.0 中得分 57.9%，API 成本较竞品降低 9%-63%。FrontierCode 1.1 Extended 测试中，其表现与 Claude Fable 5 持平，但成本低约 63%。

DeepSWE v1.1 真实代码库测试中，Astra 得分 74.1%，成本降低 32%。在数据库迁移等内部评估中，得分达 63.9%，远超竞品。Codex 中新引入的上下文保存机制，允许模型跨窗口保留注释细节，无需反复压缩，显著提升了长周期开发任务的效率。

05. 数学与科学评测全面领先

GPT-6 Astra 在科学发现与数学领域取得重大突破。GPQA Diamond（研究生水平科学推理）测试中得分 96.0%，成本降低 37%。HealthBench Professional（医疗临床响应）得分 63.4，成本降低 53%。

LifeSciBench 生命科学研究测试中，Astra 得分 60.3，性能与前代相当但成本降低 62%。由于安全限制，Claude 系列模型未参与此项评估。Astra 还能直接在专用软件中运行分析，如引导测序质量检查、构建细胞追踪工作流程等，辅助科研决策。

06. 结语：OpenAI 向 Anthropic 发起猛烈反击

GPT-6 Astra 的发布标志着 OpenAI 在大模型竞赛中重新确立领先身位。其在数十项权威评测中全面碾压前代模型，并在多项关键指标上超越 Claude Fable 5.1，同时大幅降低 API 成本，迫使竞争对手重新审视技术路线。

从应用价值看，Astra 推动 AI 从“对话工具”向“数字员工”实质跨越。其显著提升的安全性有望进一步打开企业级市场，这是 OpenAI 对 Anthropic 发起的强力反击。