9月4日凌晨，OpenAI正式发布GPT-6 Astra，官方主打的卖点就一句话：这是全世界最强的"操作电脑"模型——像人一样看屏幕、点鼠标，哪怕软件没提供API，它也能替你操作。知乎知乎专栏
接下来的第一个周末，社区裂成了两半。
一位7小时烧掉Pro周额度70%的知乎用户盛赞。知乎Computer Use是"爆炸性的提升"，“我肉眼都看不到他点了啥，刷的一下闪出一个界面，然后继续下一步”；6个多小时的长程任务，中途基本没偏离目标，“所有软件都可以通过它来控制”。
另一位自称"没收广、没恰饭"的重度用户，把自己每天最不需要动脑子的机械活交给它——从已购授权的新闻网站复制当天文章，粘到自己管理的网站后台发布，人工三分钟搞定。结果30分钟里连败5次：没正确识别网页、把后台"已发布"三个字当成"任务已完成"、漏掉整个栏目、连自动登录都搞不定，最后他手动登录都救不回来。知乎他的评价只有一句：与官方宣传视频严重失实。
都是真实订阅用户，同一周的实测记录，为什么评价能劈叉成这样？
我把知乎、B站、小红书近一周的实测记录和官方数据翻了一遍，结论先放这：分歧不在"模型强不强"，而在三个变量——你交给它什么任务、你用什么设置用它、你在哪一天测它。在把鼠标交出去、烧自己的额度试错之前，这三个变量值得先核对一遍。
官方跑分里，其实已经写好了劈叉
先看两组数字。
在测"单个电脑操作任务"的OSWorld 2.0上，GPT-6 Astra得分72.6%，比上一代GPT-5.6 Sol的65.7%高出一截；完成任务的速度还快了约47%（约40分钟对约75分钟）。知乎专栏屏幕理解准确率ScreenSpot-Pro更是从76.9%直接拉到92.7%。知乎专栏这些数字不掺水——"点得准、点得快"确实大幅进步了。
但在模拟"复杂职业流程"的AutomationBench上，Astra得分41.4%。知乎相比Sol的18.1%是翻倍有余，可反过来读：像真实业务流程那样的任务，它有一多半做不完。知乎专栏
同一个模型，简单操作任务70%+，复杂流程不到50%。官方数字自己就承认了：这是个"会操作、但不一定办得成事"的模型。用户评价的两极，不过是这两条跑分在现实里的投影。
变量一：任务结构，决定它是"神"还是"废物"
把成功案例和失败案例逐个对齐，规律非常清楚。
被盛赞的任务，形态高度一致：
小红书有用户让它做3D视差贴图，初次生成只花10分钟，“给我手搓估计得两天”（代价是烧掉两个Plus的5小时额度）。小红书
技术博主鱼皮让它写3D城市生成器，18分钟交付，7项自动化测试全过。知乎专栏再做一段72秒的特洛伊战争3D动画，前后端全栈，19分钟交卷；
连他那个失败的KiCad电路软件测试，前13分钟也是"打开项目、进PCB编辑器、导入网表、跑DRC规则检查"，每一步界面流程全对。
被痛骂的任务，形态也高度一致：DBinary的新闻转载，卡在自动登录、跨页面记忆（记住哪些文章还没转）、和"什么算完成"的判断（把"已发布"三个字当成任务成功）这三道坎上。知乎另一位用户让它打开一个桌面软件，它反复说找不到，任务直接阻塞。知乎
归纳一下，成功率高有三个共性：目标一句话说得清；屏幕上的东西看得见、点得着；完成信号明确——测试通过、文件生成、图出来了，机器自己能验证。
失败率高也有三个共性：需要你的登录态和账号权限；需要跨页面、跨系统的记忆（“哪些做过了”）；"做完"是个模糊状态，得靠它自己猜。
KiCad这个案例尤其值得多看一眼：官方演示里，Astra把元器件摆放、铜线布线全部自己完成，直接产出可生产的PCB图。知乎专栏而实机测试里，界面流程全对，最后"正确的布局和布线"没完成。知乎专栏
操作界面和专业判断是两回事——前者是它被跑分证明了的强项，后者还远没到。
变量二：设置不对，你可能根本没见到它的真实水平
两条被实测验证过的用法，比任何"要不要升级套餐"的讨论都更省钱：
第一，别用低推理档位指望它操作电脑。那位被桌面软件阻塞的用户后来发现原因：用astra low时，控制电脑彻底失败；新开会话换astra high，computer use立刻能用了。知乎而烧掉70%周额度的那位重度用户，分工更细：xhigh制定方案，high执行，长程任务6小时不跑偏。知乎
第二，你的老"防御性prompt"可能在拖后腿。B站连续48小时实测的Topbook给了个反直觉结论：正因为旧模型不够聪明，大家习惯了在提示词里加大量限制和说明；到了GPT-6这一代，这些约束反而限制它的发挥——减少限制、给足空间，它反而能做得更好。哔哩哔哩这和DBinary在记录末尾主动贴出自己"开骂前的前缀prompt"的失败案例形成了互证：翻车的原因，可能不在模型，而在你还用给上一代模型写的说明书在指挥它。
变量三：在哪一天测，决定你得到哪个结论
这是发布周最容易踩的坑。
9月5日盛赞"爆炸性提升"的那位20x用户，在9月6日、7日连写两条更新：“我宣布AGI持续了一天”——任务一长又开始过度思考、不推进项目；7日更糟，“Astra high和之前的降智版sol差不多了”，连Computer Use都"又开始慢慢点，半天找不到位置"。他的原话是"发布才几天啊"。知乎
这不是个例。同期知乎上就有多人讨论"大规模路由降智"：高并发时Astra经常被路由到GPT-4o——问它知识库截止日期，它答2024年6月。知乎发布周末流量挤爆，模型被悄悄换成小的，体验自然断崖。
所以这几天所有的实测帖，都该先问一句：你哪天测的？被路由了吗？Day 1的结论和Day 3的结论，可能说的是两个完全不同的模型。你现在上手遇到的，也未必是下周稳定后的那个Astra。
就算它成功了，你也别当那个不验收就签字的人
最后一个变量，其实在用户自己身上。
知乎一篇高赞长文说得透：Astra在OSWorld拿72.6%、在AutomationBench只有41.4%，说明它已经能干很多活了，同时又远没到可以不验收的程度。知乎作者打了个比方——用它干活像当塔台：你不必亲自驾驶每一架飞机，但得知道哪架缺油、哪架偏航、哪两架正在抢同一条跑道。
最危险的不是它明显报错，而是"看起来八十分、能交差"的产出。它40分钟交回来，后面还有九个任务排队，你很容易扫一眼就点"继续"——坑就是这么埋下的。KiCad那份"流程全对、布线没完成"的答卷，就是标准的八十分产出。知乎
还有一种清醒的声音值得听：点赞最高的批判性回答（851赞）认为，GPT-6这一代"只有图形界面操作电脑的能力提高了"，而这个方向本身存疑——在AI能直接写代码的时代，未来越来越多的软件会主动提供API，模拟人手点击更像一个过渡性的商业方向，“和AGI没有关系”。知乎这话未必全对，但至少提醒：别把整套工作流押注在"GUI操作"这一条腿上。
核对清单：到底能不能把活交给它
综合这一周跨平台的实测记录，给想现在就上手的人一份可执行的核对单：
现在就能交的活：目标明确、完成信号清晰、不需要你登录态的单次生成任务——贴图、网页、动画、数据可视化，以及软件内部的界面流程操作。
先别交的活：任何涉及账号登录、支付、发布权限的流程；需要跨系统记忆"哪些做过了"的任务；以及你没时间逐项验收的东西。
用法四条：
电脑操作类任务，推理档位从high起步，方案规划用xhigh；
删掉那些为旧模型写的限制型prompt，给目标、少给步骤；
避开高并发时段，遇到疑似降智（反应变慢、答非所问、自称旧模型），换个时段重测再下结论；
长任务设人工检查点，对"看起来八十分"的产出默认存疑，验收标准在开工前写清楚。
接下来值得盯的信号：路由降智是否随推送扩大而收敛；Google那边同样在做Computer Use的Gemini 3.5 Flash预览版何时开放对比；以及软件厂商会不会像批判者预言的那样，加速给AI开API——那才是"操作电脑"这条路线的真正考题。
GPT-6 Astra此刻最公允的评价大概是：它把"AI操作电脑"从宣传片推进到了"能用、但必须验收"的阶段。跑分里那个72.6%，是它被盛赞"点击快得看不见"的部分；那个41.4%，是它30分钟办砸一件3分钟小事的部分。把鼠标交出去之前，先看看你的任务站在哪一边。
