Astra 正式发布，大哥要做银河系第一了

点击上方蓝字关注我，加个🌟标不迷路。

各位小伙伴们大家好，我是 cxuan。

就在几个小时前，OpenAI 、Claude 、Grok 等全都崩了，我就预感大的要来了。

这不果然，没过一会儿，OpenAI 发布了最强模型 Astra。

这几天退订 OpenAI 的兄弟们，现在考虑重新订阅吗？

image-20260904060254525

OpenAI 首先给大家展示了一条片子，然后配上了一行字

这是 GPT-6 Astra，任何你在电脑上能做的事情，Astra 都能为你完成。快速。

image-20260904060148474

图源：OpenAI

我又读了一遍，不是，咱这么快 AGI 就来了？？？？？？

（我梁子哥呢？）

GPT-6 Astra 是世界上最智能的模型，它为计算机使用、浏览、软件工程、网络安全以及科学和专业领域工作设定了新的技术巅峰。

等等，OpenAI 你发个银河系是什么意思，是不是想表达你是银河系第一？

真的，建议各位小伙伴们自己登一下 Astra 的发布 blog 自己实际看一下，才知道 OpenAI 有多么重视这次 Astra 的发布。

交互性做的太强了，Benchmark 竟然都做成了可交互性的效果。

现在，我觉得是时候说一句：大的来了。

和国内很多模型做后训练不一样，GPT-6 Astra 融合了多年的研究成果，在预训练、强化学习和对齐方面投入了巨资。

Astra 在 FrontierMath Tier 4 中获得了 98% 的高分，并且已经解决了数学领域长期存在的问题。更离谱的是，Astra 在 ARC-AGI-3 测试中获得了 99% 的高分，在 ExploitBench 测试中直接拿💯了。。。。。。

先把公开测评里比较关键的数据给大家拎出来。

Computer Use 这块是 Astra 的一个颠覆性的地方。

简单说，它已经不只是能看懂网页和点击按钮了。OpenAI 给出的应用场景包括填写在线表单、更新 CRM 客户记录、整理日历、做网页研究、写**和文档总结；它还可以分析科学数据、生成图表、创建网站，并且自己跑前端 QA。

image-20260904065022547

这张表一共就三项，Astra 三项全拿第一。

Agents’ Last Exam 上，Astra 是 59.3%，GPT-5.6 Sol 是 53.6%，Claude Opus 5 是 55.5%；OSWorld 2.0 上，Astra 是 72.6%，Sol 是 65.7%，连 Opus 5 的 70.2% 也压过去了；ScreenSpot-Pro 上，Astra 是 92.7%，Sol 是 76.9%，Fable 5 是 87.3%。

其中 ScreenSpot-Pro 还是 no tools，测的是模型只靠视觉去识别真实界面里的按钮、图标、输入框和菜单。Astra 直接把成绩拉到了 92.7%，比 Sol 高了 15.8 个百分点。

Computer Use 三张榜，三张全屠。这个已经不是会点鼠标了，是其他模型还在找按钮，Astra 已经准备交付了。。。。。。

这还怎么玩啊？

OSWorld 2.0 的成绩高还不算完，更夸张的是延迟模拟，Astra 每个任务大约需要 40 分钟，Sol 大约需要 75 分钟，任务完成时间少了约 47%。

image-20260904064529628

图源：OpenAI

这张图测的是 Computer-use safety stress test，纵轴是模型操作电脑时产生不符合用户意图结果的概率，越低越好。

Astra 只有 2.4%，Claude Fable 5.1 是 9.5%，Claude Opus 5 是 11.5%。也就是说，Astra 出现不符合用户意图结果的概率，大约只有 Fable 5.1 的四分之一、Opus 5 的五分之一。

一边把 Computer Use 三张榜全屠了，一边把误操作和越界概率压到同级模型的几分之一。

无敌。

OpenAI 还更新了 Codex harness，和 Astra 组合之后，在 Mind2Web benchmark 上的任务完成速度是当前 GPT-5.6 Sol 体验的 1.9 倍。

这是一段时长 15 秒的演示回放，展示了 GPT-6 Astra 在 KiCad 软件中进行印制电路板（PCB）布局的过程：通过放置元器件和布线，将电子原理图转化为可制造的 PCB。PCB 布局是现代电子设备不可或缺的一环，但通常依赖人工操作，往往成为电子设计流程中的效率瓶颈。加速这一环节，意味着工程师能够以快得多的节奏去构思、优化并测试新的创意。

GPT-6 Astra 利用 Unity 引擎，通过现有资源构建城市场景，让用户能够轻松创建符合其构想、可供探索的沉浸式 3D 环境。

OpenAI 放出了很多视频，这里无法给大家一一录制了，给大家节选了几个有代表性的。

还记得我在写 Fable 5.1 的时候发过一个有人做了一个真实世界的模拟吗，我看到 OpenAI 的这个，我才感觉到什么叫：“你看到的都是假的”。

这个 Case 是直接在网页上嵌入了一个游戏进来？？？我玩了一下，还拿了个第一。

不过这个游戏画面做的真是逼真，我都想拿来开发游戏了。审美也不错。

image-20260904065033908

专业工作方面，AutomationBench 是 41.4%，BenchCAD 是 95.9%，BrowseComp 是 91.5%。学术方面，Terminal-Bench Science 0.1 是 64.6%，GPQA Diamond 是 96.0%，FrontierMath Tier 4（v2）详细表格里的成绩是 97.6%。

专业工作这张表里一共七项，Astra 前六项全是第一，只有 Artificial Analysis Intelligence Index 没拿第一。

其中 AutomationBench 从 Sol 的 18.1% 干到了 41.4%，直接翻了一倍多；OpenScore String Quartets 从 0.19 拉到了 0.84；BenchCAD 更是冲到了 95.9%。

Coding 这块也是我比较关心的地方。

image-20260904065113689

图源：OpenAI

Terminal-Bench 4.0 上，GPT-6 Astra 是 57.9%，GPT-5.6 Sol 是 37.3%，Claude Fable 5.1 是 55.8%。DeepSWE v1.1 上，Astra 是 74.1%，Sol 是 72.7%，Fable 5.1 是 67.4%。

FrontierCode 1.1 Extended 上，Astra 是 64.5%，GPT-5.6 Sol 是 60.6%，Fable 5.1 是 63.6%，Claude Fable 5 的最高成绩是 64.9%。内部数据库迁移任务里，Astra 是 63.9%，Sol 是 42.7%，Fable 5.1 是 57.8%。

Terminal-Bench 4.0 直接比 Sol 高了 20.6 个百分点，数据库迁移又拉开了 21.2 个百分点。

这些评测测的都是长任务：读取代码、修改代码、执行测试、处理报错，再继续往下做、继续重复。

Astra 的提升并不只是生成代码更快，它会在任务里做更多迭代，也更愿意实际执行代码和通过浏览器验证结果。

还有一个我觉得更实用的更新。

以前 Codex 的上下文窗口快满时，会把前面的工作压缩成一份 summary。压缩之后，为什么某个修复失败、某个组件怎么工作、之前验证过哪些方案，这些细节都有可能丢掉。

Astra 在 Codex 里可以跨上下文窗口保存和检索 notes，早期的上下文也仍然可以搜索。简单说，就是它不需要每次都把之前的工作压缩成越来越模糊的一段话。

这个实验功能目前可以在 Codex 的 config.toml 中开启，OpenAI 计划在接下来几周把它设为 Astra 的默认的方式。

学术方面，Astra 这次也给出了几组很夸张的数据。

图源：OpenAI

Terminal-Bench Science 0.1 上，Astra 得分 64.6%，Claude Fable 5.1 是 52.6%，GPT-5.6 Sol 的最高成绩是 22.4%。这个评测要求 Agent 用代码和终端工具分析数据、运行模拟和拟合模型。

64.6% 对 22.4%，差不多是 Sol 的三倍；就连刚刚把上一代成绩翻倍的 Fable 5.1，也被 Astra 又拉开了 12 个百分点。

前两天我还在说 Fable 5.1 的科研能力夸张，结果 Astra 上来直接把桌子掀了。。。。。。

FrontierMath Tier 4（v2）详细成绩是 97.6%。OpenAI 说它已经帮助解决了数学领域长期存在的开放问题，并且这次专门分享了两个和素数间隔有关的结果。

一个是较小的素数间隔。过去十多年里，已知结果是存在无穷多对间隔不超过 246 的素数，后来改进到了 240，Astra 帮助把这个界限推进到了 186。

另一个是异常大的素数间隔，Astra 改进了一个超过 80 年没有变化的界定。

这已经不是普通的数学问答了，不过 OpenAI 也公开了证明、简化版思维链和验证材料，最后还是需要研究人员检查证明是否成立。

在 GPQA Diamond 上，Astra 最高成绩是 96.0%，GPT-5.6 Sol 是 94.6%。而且 Astra 调到更低成本的设置之后，仍然有 94.9%，还比 Sol 的最高成绩高一点，API 成本大约低 37%。

科学和健康方向，Astra 也不是只会做知识问答。

image-20260904065216150

图源：OpenAI

GeneBench Pro 上是 37.8%，MedChemBench 是 49.3%，LifeSciBench 是 60.3%，HealthBench Professional 是 63.4%。其中 Sol 在 HealthBench Professional 上是 60.5%，在 LifeSciBench 上是 59.9%。

这里没有网络安全和数学那么断层，但四项成绩全部压过 Sol。尤其是 GeneBench Pro，Astra 37.8%，Sol 只有 28.7%，同样接近 2 美元的成本，硬是多拿了 9.1 个百分点。

HealthBench Professional 测的是临床咨询、医疗文档和研究类任务，Astra 的成绩是目前这组对比里最高的。

OpenAI 还展示了 Astra 操作科学软件的案例：检查测序质量、可视化遗传变异，然后帮助研究人员判断接下来应该重点分析什么。

这里还要补充一下，Claude Fable 5 和 Fable 5.1 因为拒绝了这些评测里的大多数问题，没有被纳入 LifeSciBench Gold v1、GeneBench Pro v13 和 MedChemBench 的对比，所以不能把它们的缺席当成零分。

另外，MRCR v2 的 8-needle 长上下文测试里，Astra 在 256K—512K 达到 100%，512K—1M 仍然有 96.3%。这说明它处理超长材料时，找回关键事实的能力也增强了。

OpenAI 明确说，Astra 已经达到了 Preparedness Framework 里的网络安全 Critical 阈值。

这是什么意思？简单讲，它已经强到可以帮助防御者发现和修复更复杂的漏洞，但这些能力同样可能被拿去做攻击，所以发布时的安全限制也更严格。

看一下数据：

• ExploitBench：Astra 100%，GPT-5.6 Sol 是 78.5%；

• ExploitGym：Astra 42.4%，Sol 是 30.3%；

• 新的 ExploitBench（2026 年 6—8 月漏洞集）：Astra 是 39.0%，Sol 是 11.5%；

• SRE-Bench：Astra 单次 88.0%，四次内 99.2%，Sol 分别是 55.9% 和 68.7%。

ExploitBench 的 100% 已经不能叫拿第一了，这叫直接把测试吊打了。

新的 2026 年 6—8 月漏洞集专门拿近期漏洞降低数据污染的影响，Astra 仍然是 39.0%，Sol 只有 11.5%，超过三倍。

SRE-Bench 更狠，单次 88.0%，四次内 99.2%，基本上就差把全做出来写在脸上了。。。。。。

image-20260904065238578

OpenAI 还说，在新的漏洞评测里，Astra 发现并使用了两个此前未知的 0 day 漏洞，并且已经向相关维护者披露。

在专家评估中，没有生产防护的 Astra 可以利用未知漏洞，在加固浏览器里实现任意代码执行，也能为加固操作系统创建提权 exploit。

这也是为什么发布版本的 Astra 会拒绝创建漏洞 proof-of-concept 等更高级的网络安全任务。OpenAI 计划通过 Daybreak，在接下来几周逐步支持漏洞验证、恶意软件分析和检测工程等防御工作流。

image-20260904065334535

图源：OpenAI

这是一项最能体现 Astra 无敌之处的榜单。 100% 。。。。。

受 Hugging Face 事件启发的“不可能任务”评测里，GPT-5.6 Sol 在没有生产防护时有 48% 的情况超出了授权目标，Astra 是 0%。ExploitGym honeypot 评测里，Astra 的越界率也是 0%，内部 circumvention benchmark 是 0.00%。

内部 computer-use safety benchmark 中，Astra 的错误率是 2.4%，Sol 是 22.0%；开启 AutoReview 后，Astra 是 1.8%，Sol 是 4.3%。能力幻觉评测里，Astra 是 4.2%，Sol 是 12.2%。

2.4% 对 22.0%，Astra 的错误结果比例只有 Sol 的大约九分之一。

不过 OpenAI 也承认，Astra 的书面 reasoning 比 GPT-5.6 Sol 更难监测。它在简单任务里会用更少的文字完成推理，也更能控制自己写出来的内容。

image-20260904065425813

图源：OpenAI

抽象推理方面，Astra 在 ARC-AGI-3 上拿到了 99.9%，GPT-5.6 Sol 是 7.8%，Claude Opus 5 是 30.2%；ARC-AGI-2 是 95.0%，Sol 是 92.5%；ARC-AGI-1 是 98.5%，Sol 是 97.5%。

99.9% 对 7.8%，这个差距已经不知道怎么形容了。Opus 5 做到 30.2% 已经算不错，Astra 直接做到了接近满分。

这 ARC-AGI-3 的题就是你家 Astra 出的吧？

最后说一下价格问题。

由于每一项测评的横轴都是价格，截图太多，我就直接给大家总结下了。

OpenAI 这次没有直接降价。Astra 的标准 API 价格仍然是每百万输入 token 10 美元、输出 token 50 美元，缓存读写另算。Fast mode 最多快 2 倍，价格也是 2 倍。

但是实际跑任务，Astra 反而更省钱。OpenAI 给出的多张图里，Astra 在成绩相近或者更高的情况下，单任务成本普遍能低 30%～60%。比如 FrontierCode 的成绩和 Claude Fable 5 几乎一样，成本低约 63%；LifeSciBench 和 Sol 基本同分，成本低约 62%。

当然，这些比例来自官方 Benchmark，不代表每个人的账单都会原样下降。

GPT-6-Astra 今天开始陆续向部分组织开放，未来几天会逐步向 Plus、Pro 等用户推出。

注意，OpenAI 发布的口径先说的 Plus ，才说的 Pro 。。。。。。

别的不说，单论这一点，OpenAI 牛逼。

整体看下来，Astra 这次最强的地方已经很明显了：Computer Use 、Coding 能力、科学和数学方向开始做开放性问题，网络安全能力则已经强到必须用更严格的方式发布。

大的确实来了。

如果这篇文章你觉得还不错，谢谢你的三连，也希望可以转发给同样关注 AI / 科技 / 开发效率的朋友。 我是 cxuan，我们下期再见。

• OpenAI：GPT-6 Astra：A new generation of intelligence

• OpenAI：GPT-6 Astra System Card

• OpenAI：Ten advances in mathematics

• OpenAI Daybreak