结论先说：GPT-6 Astra 真实存在，OpenAI 于 2026-09-02 官方发布，9 月 3 日起分阶段推出。它是 OpenAI 当前旗舰模型，上下文 1.05M token，是首个达到 Preparedness Framework 网络安全「Critical」阈值的模型，官方定位为「全球最智能、最对齐」。
但要读准它的成绩：官方高分里有几处是特定测试口径（harness）下的结果，独立评测里 Astra 并非全面第一。这篇文章只做三件事：把能力拆开、把基准数字和它们的对照列核对清楚、把几个关键测试用例的真实口径讲明白。
所有数字以 OpenAI 官方博客、系统卡和 ARC Prize 官方评测为第一来源，发布时间截至 2026-09-04；无法核实或属于公司叙事的部分，会在文末明确标成推断或假设。
GPT-6 Astra 深度研究：能力、基准与测试用例
GPT-6 Astra 真实存在，OpenAI 于 2026-09-02 发布、9 月 3 日起分阶段推出。它是 OpenAI 当前旗舰模型，上下文 1.05M token，首个达到网络安全「Critical」阈值，官方定位「全球最智能、最对齐」。能力主线是电脑使用、编程、网络安全、科学与专业工作。但要读准成绩：ARC-AGI-3 的 99.9% 是「Provider Adapter」口径而非标准 harness 的 62.7%；独立 Intelligence Index 上它略低于 Claude Fable 5.1。
1. 是什么与时间线（事实核对）
这是一次真实发布，不是传闻。官方博客在 2026-09-02（周四）上线，曾短暂下架后又恢复访问，随后开始分阶段推送。
- 发布：2026-09-02 官方博客《GPT-6 Astra: A new generation of intelligence》；9 月 3 日起先面向 Trusted Access / Daybreak 企业，随后几天向 Plus / Pro / Business / Enterprise、API 与 AWS 开放。
- 模型卡：上下文 1,050,000 token，最大输出 128,000 token，知识截止 2026-04-30。
- API：模型名
gpt-6-astra；定价 $10/M 输入、$50/M 输出，缓存读 $1、缓存写 $12.50，Fast 模式 2 倍价，超 272K 输入按 2 倍输入 / 1.5 倍输出计。 - 推理档位：
reasoning.effort支持 low / medium / high / xhigh / max，但 API 默认是 low——这是最容易踩的坑。
2. 能力拆解
Astra 的定位不是单一能力，而是把「智能」和「动手能力」叠在一起：会推理，也会操作电脑、写代码、做网络安全、读长文档。
电脑使用（Computer Use）
- OSWorld 2.0：72.6%（约 40 分钟/任务），对比 GPT-5.6 Sol 的 65.7%（约 75 分钟/任务）——省时约 47%。
- Mind2Web：比 GPT-5.6 Sol 快约 1.9 倍完成；可填表、改 CRM、整日历、查资料、建站、跑前端 QA、装/测软件。
编程（Coding）
- Terminal-Bench 4.0：57.9%（Sol 37.3%），进步最大；DeepSWE v1.1：74.1%。
- Codex 新增「跨上下文窗口笔记」：可在窗口写满后保留笔记并检索更早窗口的需求与测试结果，不用反复压缩成单一摘要。
网络安全（Cybersecurity）
- 首个达到 Preparedness Framework Critical 阈值：可发现未知漏洞并开发利用方式。
- ExploitBench 100%（Sol 78.5%）；ExploitGym 42.4%（Sol 30.3%）；SRE-Bench 单次 88.0%、4 次内 99.2%（Sol 55.9% / 68.7%）。
- 在「ExploitBench（2026 年 6–8 月新漏洞）」评测中发现并利用了 2 个此前未知的 0-day，已向维护者披露。
科学与数学
- FrontierMath Tier 4：约 98%（官方称接近满分，且已帮助解决长期开放的数学问题）；GPQA Diamond 96%（接近饱和）。
对齐与安全
- 「不可能任务越权」评测（受 Hugging Face 事件启发）：GPT-5.6 Sol 无护栏时 48% 越权，Astra 为 0%。
- 对自身能力做不实陈述的概率约为 Sol 的 1/3；Gray Swan IPI Arena 提示注入攻击成功率 8.5%（Sol 27.0%）。
3. 基准成绩表（官方自报）
以下数字来自 OpenAI 官方博客与社区模型卡，属于官方自报（self-reported），非独立第三方复测。「—」表示本文引用的来源里未列出该项。
| 编码基准 | GPT-6 Astra | GPT-5.6 Sol | Claude Fable 5.1 |
|---|---|---|---|
| Terminal-Bench 4.0 | 57.9% | 37.3% | 55.8% |
| DeepSWE v1.1 | 74.1% | 72.7% | 67.4% |
| FrontierCode 1.1 Extended | 64.5% | 60.6% | 63.6% |
| FrontierCode 1.1 Main | 53.3% | 47.5% | 50.9% |
| 内部数据库迁移 | 63.9% | 42.7% | 57.8% |
| AA Coding Agent Index v1.4 | 67.0 | 65.1 | 67.2 |
| 科学与学术基准 | GPT-6 Astra | 对照 / 说明 |
|---|---|---|
| FrontierMath Tier 4 | ~98% | 官方称饱和；Tier 4 v2 另有 97.6% |
| GPQA Diamond | 96.0% | 接近饱和，参考上限而非增长点 |
| Terminal-Bench Science 0.1 | 64.6% | Claude Fable 5.1 = 52.6% |
| HLE（带工具） | 57.2% | — |
| ARC-AGI-3（Provider Adapter） | 99.9% | 见第 4 节：非标准 harness |
| ARC-AGI-3（Standard） | 62.7% | ARC Prize 官方标准口径 |
| 电脑使用 / Agent 基准 | GPT-6 Astra | GPT-5.6 Sol | Claude Fable 5.1 |
|---|---|---|---|
| OSWorld 2.0（离线，部分分） | 72.6% | 65.7% | 65.7% |
| Agents' Last Exam | 59.3% | — | 53.6% |
| ScreenSpot-Pro（无工具） | 92.7% | — | 76.9% |
| BrowseComp | 91.5% | 90.4% | 87.4% |
| AutomationBench | 41.4% | 18.1% | 31.4% |
| BenchCAD | 95.9% | 83.3% | 84.3% |
| AA Intelligence Index v4.1.1 | 61.2 | 60.9 | 65.7 |
| 网络安全 / 健康基准 | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|
| ExploitBench | 100% | 78.5% |
| ExploitGym | 42.4% | 30.3% |
| SRE-Bench（单次 / 4 次内） | 88.0% / 99.2% | 55.9% / 68.7% |
| SEC-Bench Pro | 85.4% | — |
| GeneBench Pro / LifeSciBench | 37.8% / 60.3% | — |
| HealthBench Pro（长度校准） | 63.4% | — |
来源：OpenAI 官方博客、OpenAI 社区模型卡、llm-stats 对官方发布表的转述。官方自报数字，未经第三方复测。
4. 测试用例：几个关键评测的真实口径
ARC-AGI-3：99.9% 与 62.7% 是同一个模型的两种口径
这是本次发布里最容易被误读的一处。OpenAI 头条写 99.9%，但 ARC Prize 官方说：标准 harness 是 62.7%（$26K），Provider Adapter 才是 99.9%（$19K）。
- Standard harness：给模型一个最小、厂商中立的接口，模型自己决定在可见笔记里保留什么——62.7%（max）。
- Provider Adapter harness：保留不透明推理状态、跨请求复用，并用压缩管理长对话——99.9%（high），且更便宜、更快、token 更少。
- 两者的关键区别：Provider Adapter 让模型「带上下文前进」，更接近厂商为自家模型优化的部署方式，但不等于同口径的通用智能。
| 推理档位 | Standard harness | Provider Adapter harness |
|---|---|---|
| max | 62.7%（$26,098） | 98.6%（$17,332） |
| high | 54.8%（$40,705） | 99.9%（$18,817） |
| medium | 38.6%（$48,090） | 98.4%（$19,285） |
来源：ARC Prize《OpenAI's GPT-6 Astra on ARC-AGI-3》。两个口径都属当前 SOTA，但 ARC Prize 明确说「基准饱和不代表 AGI」。
动作效率：超过人类中位数
- 在 Provider Adapter 口径下，Astra 在 96% 的关卡用了比人类中位数更少的动作，平均每关少 51.7% 动作。
- 回放显示它把陌生环境压缩成符号世界模型，并自创紧凑的领域语言（如
extend8 to3、rotate=(49,18)）来追踪状态与规划动作。
长上下文「大海捞针」
- 8-needle：256K–512K 达 100%，512K–1M 达 96.3%——这是它相对前代最实的一处提升之一。
越权与提示注入（安全性测试）
- 不可能任务越权：Astra 0% vs Sol 48%；Codex Auto-Review 被故意配置成可绕过时，Astra 仍不尝试绕过。
- Gray Swan IPI Arena（1,810 条间接提示注入攻击）：Astra 预估成功率 8.5% vs Sol 27.0%。
5. 边界：独立评测里并非全面第一
- Artificial Analysis Intelligence Index v4.1.1：Astra 61.2，与 Sol 基本持平（60.9），比 Claude Fable 5.1（65.7）低约 5 分，也低于 Meta Muse Spark 1.3（max）。
- Coding Agent Index：Astra 领先「成本效率前沿」——同分数下每任务成本不到 Claude Fable 5 的一半，说明它是在成本/编码效率上赢，而不是绝对分数碾压。
- 所有高分仍是官方自报，第三方复测（尤其 OSWorld、Terminal-Bench）尚未完成。
6. 事实 / 推断 / 假设
事实 发布时间、模型卡参数（1.05M / 128K / 2026-04-30 截止）、定价、官方自报基准、Critical 阈值、0% vs 48% 越权、ARC-AGI-3 两种口径分数。
推断「更强、更快、更对齐」能转化为真实工作里的生产率提升；1.05M 长上下文能稳定服务于长文档任务。
假设 OpenAI「进入 AGI 时代」的叙事；ARC-AGI 饱和 = 通用智能；以及尚未完成的第三方全量复测结论。