前天晚上十一点多，OpenAI 发布 GPT-6 的消息。

代号 Astra，拉丁语「星辰」。发布前官方留了一句预告，「The stars are almost aligned」，align 既是星星排列，也是 AI 圈说的对齐，一句话两层意思。

几天前 Anthropic 刚发了 Fable 5.1，OpenAI 这边就跟上了。两家掐上了。

发布会结尾，总裁 Greg Brockman 留了一句话：「欢迎进入 AGI 时代。」

到底做到了什么，才敢这么定调？我把发布材料、系统卡、ARC Prize 的说明和第三方评测都扒了一遍。说说我看到的。

01 它不回答问题了，开始替你干活

这次最该记住的不是跑分，是定位变了。

以前的模型是「你问我答」，Astra 是「你说目标，我来干完」。你让它整理一份财务分析并做成演示文稿，它自己拆任务、调工具、一步步执行，最后把结果交给你。

这不是 PPT 愿景图，是内测者跑出来的。

开发者 Flavio Adamo 让 Astra 单次生成一个完整的 Minecraft demo，环境、UI、音效到跳跃挖掘动作都和原版几乎一样。法律科技公司 Legora 用它审阅 41 份财务文件，几分钟找出了全部 4 处人为埋进来的错误，包括藏在收入附注里的 50 万英镑差额。

翻译一下：以前 AI 给你一篇文章、一段代码，现在它给你一个能跑的东西。

它开始能一次性做出完整的东西了。

02 跑分刷爆了，但 99.9% 这个数字要拆开看

先说几个测试到底考什么，不然分数没意义。

ARC-AGI-3 考的是「到了陌生环境能不能自己摸索出规则」——模型被扔进一个没见过的游戏里，没人告诉它规则和目标，得自己试。OSWorld 考的是操作电脑，十个任务能独立干完几个。FrontierMath 是数学家出的题，研究生级别起步。

成绩单确实吓人。ARC-AGI-3 拿到 99.9%，这项测试今年 3 月才上线，当时前沿模型平均分 0.51%。FrontierMath Tier 4 拿到 97.6%。

同一份测试，三种跑法，三个分数。官方报的 99.9% 用的是自家 harness（套在模型外面的执行环境），保留了模型的思考状态。第三方用标准 harness 重跑，得到 62.7%。

中间差的 37 个百分点，来自模型外面那层脚手架，不是模型本身。

一个现成参照：8 月 NVIDIA 用 AVO 智能体架构驱动 Claude Opus 5，在公开集上拿到过 100%，而那个模型自己的基线只有 30% 左右。长程任务的能力，很大一部分可以从外面搭出来。

即便打个折，进步也是真的。ARC Prize 总裁 Greg Kamradt 说，Astra 在 96% 的关卡里摸索出规则所用的操作步骤，比人类中位数还少。

数学那项有个比分数实在的证据。Astra 协助数学家 Julia Stadlmann 把素数间隔上界从 240 推到 186，改进了一项维持 80 多年没动过的界限，证明过程用 Lean 形式化语言公开了。

这不是做题拿满分，是 AI 头一回在纯数学前沿留下名字。

计算机操作 OSWorld 2.0 从 65.7% 提到 72.6%，单任务平均耗时从 75 分钟压到 40 分钟。

但别急着喊全面碾压。第三方机构 Artificial Analysis 泼了盆冷水。

通用智能指数上 Astra 61 分，跟上一代 Sol 的 60.9 基本持平，低于 Fable 5.1 的 66 分。综合知识测试 Humanity's Last Exam 上 Astra 57.2%，落后 Fable 5.1 的 65.0%。

编码也没拉开代差。DeepSWE 上 Astra 74.1%，Meta Muse Spark 1.3 是 75.4%。

它不是全科变强，是把力气集中在了「连续做事」这一件事上。

还有个数字值得说。幻觉率，就是模型胡说八道的概率。Artificial Analysis 实测 Astra 51%，Sol 92%。OpenAI 自己口径不同，给的是 4.2% 对 12.2%。两套口径测的不是同一批题，别混着引用。但方向一致：更少胡说了，而且没出现「少说少错、准确率跟着掉」的老毛病。

另外 OpenAI 没公布 GDPval 成绩。这是他们自己搞的基准，衡量模型能否干完真实世界的知识工作。这块空白挺显眼。

03 最狠的不是跑分，是它开始用你的电脑

数字说完了，聊点真正不一样的。

以前让 AI 用某个软件，得先开发 API，用 MCP 协议规定工具和数据，每接一个系统都要重新处理权限。大量老旧的政务、医疗、保险和企业软件，根本没有合适的 API。

屏幕、键盘和鼠标，就是它的接口。

这套为人类服务了几十年的图形界面，覆盖几十亿台电脑、兼容无数新旧软件。模型只要能看懂屏幕、理解状态、准确操作，今天还在用的软件就直接成了它的工具。

演示里它用 KiCad 画电路板、用 Blender 建模再导入 UE5 变成可步行的场景、在 Power BI 里处理数据、填美国报税表 1040——全程没有一行适配代码。

配套的 Codex 也改了。Astra 能跨上下文窗口保留工作笔记，不再把前面的进展粗暴压缩成一段摘要。修过什么 bug、跑过哪些测试都记得住。听着像小事，但以前的模型干到一半就忘了前面干啥，这是长程任务能成立的前提。

模型开始主动适应人类的软件世界，企业不用等所有软件先完成一遍「AI化改造」。

这才是 Astra 真正不一样的地方。它不需要最高的智能分数，只要能理解目标、接管现成工具、处理途中的意外，就能干掉不少人类工作。

04 贵了 2.5 倍，账单不一定更贵

Astra 的 API 定价是每百万 Token 输入 10 美元、输出 50 美元，是 GPT-5.6 Sol 促销价的 2.5 倍，跟 Fable 5.1 一个价。还有条容易漏看的规则：单次请求输入超过 27.2 万 Token，输入翻倍到 20 美元，输出涨到 75 美元。

但 OpenAI 给了另一个算法。同一个编程智能体任务，Astra 的 Token 消耗只有 Sol 的三分之一，因为它少走弯路、少返工。官方估算，完成一项 DeepSWE 任务的成本比 Sol 低约 57%。

换到通用场景反过来：Artificial Analysis 测得每任务成本比上一代高 75%。Token 省了，单价涨太多，没抵消掉。

说白了：多步智能体任务，换 Astra 大概率不涨账单；短问答，Sol 更划算。

Brockman 的原话是，每 Token 价格正在变成一种糟糕的比较方式，该看的是每任务价格。

05 真正吓人的不是跑分，是越界率 0%

安全这块，大部分报道一笔带过。我觉得这是全文最重要的数据。

先说一个很多人没注意的测试。OpenAI 给模型一个干不了的任务，看它会不会越出授权范围自己想办法——叫越界率。

GPT-5.6 Sol：48% 会越界。GPT-6 Astra：

从一半概率出事到零事故。这不是渐进改善，是断崖。

再说网安能力。Astra 是 OpenAI 第一个达到网络安全「Critical」阈值的公开模型。拿到适当工具和权限后，它能在没人手把手指导的情况下，发现未知漏洞并开发攻击路径。评测期间它自己发现并利用了两个此前未知的零日漏洞。

漏洞利用测试 ExploitBench 满分，上一代 78.5%。用 2026 年 6 至 8 月最新高危漏洞构建的内部测试中，任意代码执行成功率 39%，Sol 只有 5.5%。

行为更规矩了，但内部推理更难看懂了。OpenAI 自己承认，在明确要求逃避监控的测试中，Astra 更能控制自己写出哪些思考过程，留下的可检测信息更少。用「评估意识」衡量——就是模型有多大概率意识到自己正被测试——max 档达到 50.6%。

Redwood Research 首席科学家 Ryan Greenblatt 担心，如果这种变化持续几个模型世代，思维链可能不再是一种有效的监督工具。

更听话了，但更难盯了。这两件事同时成立。

首席科学家 Jakub Pachocki 说了句挺重的话：「智能的进步并不能保证对齐的进步。」普通版本会直接拒绝生成漏洞利用代码，最厉害的部分只通过 Daybreak 计划开放给筛选过的防御机构。

Astra 真正狠的不是把跑分刷到 99.9%，是把「模型会不会用电脑」从演示变成了可计费的 API 能力。

通用智能指数跟前代持平、编码挤在平台线上，都说明它不是给所有场景造的。它是给「干活」造的。

Brockman 自己也留了后路，说 AGI 没有所有人都认可的分界线，「可以留给外界判断」。ARC Prize 更直接：「不宣称这是 AGI」。

人类花了几十年建起一整套以图形界面为底的数字世界。Astra 能直接操纵这套东西，让人跳过操作的部分，从意图直达结果。

当操作的门槛被大幅压低，专业技术也许就不再稀缺了。

它目前在分阶段开放：先给少量受邀企业，未来几天推给 ChatGPT Plus、Pro、Business 和 Enterprise 用户，同时上线 OpenAI API 和 AWS Bedrock。

至于它是不是 AGI，可以接着吵。但人们愿意把多少现实工作交给它，会是一个比跑分更清晰的度量。

GPT-6 来了：OpenAI 喊出 AGI，但它真正狠的是会用电脑

OpenAI发布GPT-6 Astra，定位从“问答”转向“替你干活”，能直接操作屏幕完成复杂任务。跑分亮眼但99.9%含脚手架水分，第三方复测仅62.7%。安全越界率从48%降至0%，但思维链更难监督。定价虽高，多步任务成本反降。它并非全面超越，而是聚焦连续做事，AGI与否仍存争议。

人工智能

新闻资讯

编程语言

OpenAI发布GPT-6 Astra，从“回答问题”转向“替你干活”，单次生成完整Minecraft、审阅41份财务文件并找出全部错误。ARC-AGI-3达99.9%（第三方重测62.7%），FrontierMath帮数学家改进80年未动的素数界。核心突破是直接操控电脑屏幕、键盘和鼠标，无需API适配。越界率从48%降至0%，但思维链可检测信息更少。API定价为输入$10/输出$50每百万Token，多步任务成本低57%。

网络安全

零日漏洞

智能体

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

OpenAI发布GPT-6 Astra，从“回答问题”转向“替你干活”，单次生成完整Minecraft、审阅41份财务文件并找出全部错误。ARC-AGI-3达99.9%（第三方重测62.7%），FrontierMath帮数学家改进80年未动的素数界。核心突破是直接操控电脑屏幕、键盘和鼠标，无需API适配。越界率从48%...

GPT-6 来了：OpenAI 喊出 AGI，但它真正狠的是会用电脑

GPT-6 来了：OpenAI 喊出 AGI，但它真正狠的是会用电脑

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐