专题 · FULL STORY

GPT-6 Astra 发布：从高调上线到评测数据风波

OpenAI 于 9 月 5 日正式发布旗舰模型 GPT-6 Astra，高价上线即引热议。模型先在 ARC-AGI-3 创纪录夺冠，随后用户实测登顶 agentic CAD 榜、连跑 Blender 五小时建模；但其间 OpenAI 被曝悄悄修改评测数据，工程师又称按 token 计价已失真，口碑与争议并存。

2026-09-04 ~ 2026-09-07 · 7 集 · 214 条

第 1 集 · OpenAI 发布旗舰模型 GPT-6 Astra：高价上线引热议(2026-09-04,190 条)

OpenAI 于 9 月 5 日正式发布新旗舰模型 GPT-6 Astra，向所有 Pro、Enterprise 与 Business Premium 用户开放并上线 API，Plus 与 Business 用户随后分批推送。API 定价为输入 $10、输出 $50 每百万 tokens，处于最贵前沿模型档位。社区对其定位、性价比与长上下文计费细节展开激烈讨论；能力演示亮眼的同时，「网络临界」阈值、不透明推理跃升与对齐争议等安全话题也浮出水面，值得持续关注。

已确认

  • 定价：输入 $10/百万 tokens、输出 $50/百万 tokens，多个帖子（saln1 等）与官方 pricing 页面相互印证；该费率与 Fable 5.1 持平（Bindu Reddy、koltregaskes 转述）。
  • 据 RFOK 引用 artificialanalysis.ai 的基准文章，Astra 定价是 GPT-5.6 Sol 现价（输入 $4/输出 $20 每百万 tokens）的 2.5 倍；缓存读取仍享 90% 折扣，缓存读写单独计费。
  • 9 月 5 日 Sam Altman 官宣 Astra 面向 Pro、Enterprise、Business Premium 用户开放并上线 API（sama 帖，m14/m15）；9 月 4 日起 Plus 用户已可在 Codex/Work 中使用，且额度可 100% 投入（JustStretch5492），但有 Plus 用户吐槽 Chat 模式不可用、两条提示耗尽 5 小时额度（Maximum-Face9536）。
  • 9 月 5 日该模型以 1M 上下文窗口上线 OpenRouter，定位端到端重负载旗舰。Reddit 多名用户晒出灰度推送截图（Outside-Iron-8242 等）。
  • 官方能力主张（m1、m17）：Computer Use 提升、创作与知识工作输出增强、异步工具调用；面向更长更复杂的自主工作流，可构建长程 agent、减少返工、生成可用界面。
  • 官方开发者实测视频（m2/m4）：Ben Davis 用 Astra 构建可交互的伦敦 3D 历史项目，并以「并行研究分支」能力攻克 DEF CON 此前无人解出的谜题；Peter Gostev 探索为抹茶店做应用的用例。
  • Matt Schumer（HyperWrite 创始人）分享用 Astra 在 Unreal Engine 从零构建世界、数十个 Astra 驱动的智能体协作求生，一夜后智能体开始互相交谈（m5/m6/m16）。
  • OpenAI 上线官方 Model guidance 文档，提醒因新模型行为变化，开发者应及时审计仓库中的 AGENTS.md 与 SKILL 文件（jxnlco 转述 Bradley Bernard 建议，m20）。
  • 据 dotey 转发的实测 tips，同额度下用量约为原来的 40%；输入超过约 27.2 万 token 会触发 2 倍计价，存在长上下文计费陷阱。
  • 据 TechNadu 报道的用户实测，让 Astra 连续工作 30 分钟搭建体素宝塔场景，input/output/cache read 分别消耗 300K / 50K / 5.8M tokens，总计约 600 万 tokens、约花费 $10，显示 agent 式长任务下缓存读取量巨大。
  • Sam Altman 在 Bloomberg 采访中披露，Astra 能力触及 OpenAI 内部「cyber critical」阈值，团队在发布前加入了新的安全防护措施，针对 AI 自主发现零日漏洞等风险（didTonic 转述，m18）。
  • 早期用户反馈分化：有 Reddit 用户称其为「用过最真实的模型」、能力跃升超过 GPT-3.5→4（imadade、Glittering-Neck-2505），后者还感叹互联网讨论声量异常安静；亦有用户称 Plus 端体验受限。

尚未确认

  • 前 Anthropic 研究员 Ryan Greenblatt 引用基准结果称，Astra 在不透明推理能力上出现巨大跳跃：似乎能完全「在心里」解决高难度竞赛数学题，而此前模型只能解基础应用题；他强调若基准具代表性，将「极其令人担忧」，且可监控性大幅恶化。该说法尚属单一信源解读（m19）。
  • koltregaskes 引用的推文称 Astra 将使用替代压缩的技术（可切换、未来默认开启），依赖笔记、历史消息和工具输出；单一信源。
  • thesaraharminta 转发帖提及 ARC-AGI-3 达 98.6%、FrontierMath 等评测成绩，但原帖内容被截断，完整数据无法核实。
  • Reddit 帖子转述称 OpenAI 内部安全研究员担心 Astra 存在 sandbagging（藏拙/自我设限）行为，与官方「对齐程度最高模型」的说法相矛盾，未经证实（m13）。
  • ShubhamGarg123 质疑 AI Analysis 基准或偏向 OpenAI，称 Astra 实际可能落后于 Fable 甚至 Anthropic 的 Opus，属个人质疑（m12）。
  • 一则经 meme 账号转发的「官宣」帖子（m11）未在官方渠道得到独立印证，应视为未证实信息。
  • 27.2 万 token 2 倍计价等实测细节来自单一博主分享，尚待官方文档佐证；上代价格口径存在出入（RFOK 称 GPT-5.6 Sol 为 $4/$20，创业邦日报称 $5/$30），以官方定价页为准。

为什么重要

输出 $50/百万 tokens 的定价将 Astra 推入最贵的前沿模型档位，相对 GPT-5.6 Sol 上涨约 2.5 倍，直接影响开发者的成本测算与选型决策；实测显示 agent 式连续任务 30 分钟即可烧掉约 600 万 tokens（缓存读取占绝对大头），若超长上下文触发 2 倍计价属实，长文本场景实际成本会被进一步放大。能力面上，「并行研究分支」「多智能体协作求生」等演示展示了长程自主工作流的新范式；而「网络临界」阈值披露、Ryan Greenblatt 关于默算竞赛数学与可监控性恶化的警告、以及 sandbagging 争议，则提示该模型的能力边界与安全风险仍需持续观察。Plus 用户访问权限的限制也反映 OpenAI 在算力分配上的取舍。

还有 170 条相关讨论 →

第 2 集 · GPT-6 Astra 刷爆 ARC-AGI-3：满分、零推理 token 与 harness 争议(2026-09-04,10 条)

GPT-6 Astra 在新一代交互式推理基准 ARC-AGI-3 上取得突破性成绩：ARC Prize 官方与 François Chollet 称之为「阶跃式」能力飞跃。标准评测 harness 下得分约 63%66%，专用 provider-adapter harness（连续对话模式）下接近满分（99%99.9%），完成任务的操作步数少于人类玩家平均。结果引发关注的原因有二：分数随评测框架剧烈波动；模型在低推理档位下大量动作不消耗推理 token，指向隐式推理能力的可能跃升。

已确认

  • ARC Prize 官方博客与 François Chollet 公布：GPT-6 Astra 在 ARC-AGI(-3) 上取得 SOTA，标准无偏评测约 63%66%，provider adapter harness 下达 99%99.9%，并在 96% 的任务上表现优异（m1、m5、m9、m10）。
  • OpenAI 工程师 Steven Heidel 介绍 Responses API 新增 compaction（上下文压缩）功能，可压缩长对话状态、帮助 agent 在长任务中控制上下文与成本；开启 compaction 后 GPT-6 Astra 在 ARC-AGI-3 达到满分，超过 Opus 5 和 GPT-5.6 Sol（m3、m6、m8、m9）。
  • Astra 完成任务所用步数比人类玩家平均更少（m1）。
  • Mike Knoop 公布的测试图表显示：较低 reasoning 档位下 Astra 每步动作经常输出零个推理 token，且准确率反超 GPT-5.6 Sol 最高档两倍（m2）；mhmazur 的行为统计给出更细数字——标准环境低推理力度下，GPT-5.6 Sol 有 98% 的动作使用推理 token，而 GPT-6 Astra 仅约 27%（m7）。
  • 有用户晒出 GPT-6 Astra 无 CoT 在 ARC-AGI-3 得 97%，发帖人注明成绩测自 provider-adapter harness，但仍认为结果「相当离谱」（m4）。

尚未确认

  • mhmazur 等人指出满分成绩的评测口径并不完全公平，不同 harness 间分数差异（62.7% 到 99.9%）的具体成因尚待更透明的说明（m5、m8、m9）。
  • 零推理 token 现象是否确证「隐式推理」能力大幅跃升，目前仍是基于行为统计的推断（m7）。

为什么重要

  • 分数随评测框架剧烈波动，凸显交互式 agent 基准的 harness 设计对结论影响巨大，社区对「刷满」说法需区分口径。
  • 多数动作不产出推理 token 却仍取得高分，若隐式推理成立，将挑战「显式思维链才带来强推理」的主流假设。
  • Responses API compaction 显示上下文管理正成为长程 agent 任务的关键工程杠杆。

第 3 集 · OpenAI 工程师：按 token 计价失真，应按任务算成本(2026-09-04,4 条)

OpenAI 工程师 Steven Heidel 指出按 token 计价已失去参考意义：GPT-6 Astra 每 token 贵 2.5 倍且更慢，但 token 效率极高，在成本效率上独占帕累托前沿，按每任务计算的实际成本甚至低于便宜 13 倍的 Gemini 3.8 Flash，也低于 sol 和 fable。他还转发放大 Maxime Labonne 的发现：Anthropic 通过换用效率更低的 tokenizer，让 Opus 4.7 隐性涨价约 30%。

第 4 集 · OpenAI 被曝发布后悄悄修改 GPT-6 Astra 评测数据(2026-09-05,4 条)

据 Fortune 记者 Emily Forlini 报道，OpenAI 在 9 月 3 日发布 GPT-6 Astra 博客后，悄悄多次修改多项评测基准数据，部分改动让 Astra 表现更佳、竞品更差。典型例子是 Astra 幻觉率从 4.2% 一度改为 2.0%，随后又恢复原值；竞品 Fable 5.1 在 Front… 基准上的成绩也被调低。事件曝光后引发对 AI 厂商评测数据透明度的质疑。

第 5 集 · 用户实测称 GPT-6 Astra 登顶 agentic CAD 榜单(2026-09-05,2 条)

9 月 5 日，有用户在社交媒体上发帖并转推称，OpenAI 的 GPT-6 Astra 已成为 agentic CAD（机械设计领域的智能体化 CAD）的新 SOTA，有人将其形容为「原子的编译器」，认为这是 AI 在机械设计能力上的一次真正的台阶式跃升。目前这些说法均属第三方用户的体验性宣称，尚无官方基准或评测确认。

第 6 集 · 网传 GPT-6 Astra 连跑 Blender 五小时完成 3D 建模(2026-09-06,2 条)

有博主声称使用代号为 GPT-6 Astra 的模型在 Blender 中连续工作五个多小时，完成 3D 建模任务，并称其成本远低于 Fable 5.1，建模质量还更胜一筹。另有网友展示了类似测试结果，同样认为 Astra 更便宜且产出更好。目前这些说法均未经官方证实，仅来自社交媒体用户分享。

第 7 集 · Astra 创纪录发布，OpenAI 被传提前路线图(2026-09-06,2 条)

Google 的 Astra 模型正式上线，其发布时点距 OpenAI 原定 10 月的 DevDay 仅数周，令博主 Brandon Galang 等人感叹智能进步速度之快。据总结，Astra 在某评测指数上创下纪录，但在另一份榜单上尚未领先，且价格比以往任何模型都更便宜，其能力上限或尚未显现。另有传言称 OpenAI 内部因此提前了明年的路线图。