要点
- OpenAI 正在发布其迄今最强大的模型 GPT-6 Astra。付费 ChatGPT 用户和云平台应在未来几天内获得访问权限。
- 在基准测试中，Astra 在逻辑、数学和软件工程等关键学科上显著优于其前代 GPT-5.6 Sol 以及 Anthropic 的 Fable 5 系列模型。
- Token 价格高出 2.5 倍，与 Anthropic 的 Fable 5.1 持平，但 OpenAI 认为，根据使用场景不同，每个已完成任务的实际成本实际上更低。
OpenAI 已发布其迄今最强大的模型 GPT-6 Astra。总裁 Greg Brockman 表示，按照 OpenAI 自己的定义，它或许已经够格称为“AGI”，或者至少已触手可及——即在大多数具有经济价值的工作上超越人类表现的 AI 系统。
GPT-6 Astra 首先通过 OpenAI 的 Daybreak 计划向部分组织推出。在未来几天内，它将向 ChatGPT Plus、Pro、Business 和 Enterprise 用户开放，同时也可通过 API 以及 AWS Bedrock 和 Microsoft Azure 等云平台获取。
Astra 在位于得克萨斯州的 Stargate 设施中，使用超过 100,000 块 GPU 完成了预训练。OpenAI 研究员 Aidan Clark 称这是公司有史以来规模最大的一次训练。Clark 表示，从 Sol 到 Astra 的能力跃升幅度大于从早期模型到 Sol 的跃升，部分原因在于之前的 AI 模型在监控训练过程中发挥了作用。
在 OpenAI 发布的基准测试中，Astra 的得分远高于其前代 GPT-5.6 Sol 以及 Anthropic 的 Fable 系列模型。Astra 在多个领域均取得顶尖成绩：逻辑推理（ARC-AGI-3 上达到 98.6%，不过是在其自身测试条件下）、数学（FrontierMath Tier 4 v2 上达到 97.6%）、软件工程（DeepSWE v1.1 上达到 74.1%）、专家知识（GPQA Diamond 上达到 96%）、工程（BenchCAD 上达到 95.9%）以及网络安全（ExploitBench 上达到 100%）。
计算机使用
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 | Gem 3.8 F |
|---|---|---|---|---|---|---|
| Agents' Final Exam | 59.3% | 53.6% | 48.7% | 55.5% | ||
| OSWorld 2.0（离线，部分） | 72.6% | 65.7% | 70.2% ³ | |||
| ScreenSpot-Pro（无工具） | 92.7% | 76.9% | 87.3% ¹⁷ |
专业
| 基准 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 | Gem 3.8 F |
|---|---|---|---|---|---|---|
| AutomationBench | 41.4% | 18.1% | 31.4% | 17.4% | 26.9% | |
| BenchCAD | 95.9% | 83.3% | 84.3% ⁵ | 67.5% ⁵ | 82.1% ⁵ | |
| BrowseComp | 91.5% | 90.4% | 87.4% | 90.8% | ||
| OpenScore String Quartets | 0.84 | 0.19 | ||||
| 内部设计任务 | 50.0% | 47.4% | 35.8% | |||
| 内部数据科学任务 | 40.9% | 30.5% | 34.7% | |||
| AA Intelligence Index v4.1.1 | 61.2 | 60.9 | 65.7 | 62.1 | 63.1 | 58.7 |
BenchCAD 成本：比 Sol 低约 43%，比 Fable 5.1 低约 86%。
编码
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 | Gem 3.8 F |
|---|---|---|---|---|---|---|
| Terminal Bench 4.0 | 57.7% | 37.3% | 55.8% | 42.0% | 52.3% | 19.1% |
| DeepSWE v1.1 | 74.1% | 72.7% | 67.4% | 69.9% | 73.7% | 73.8% |
| FrontierCode 1.1 Extended | 64.5% ⁸ | 60.6% | 63.6% | 64.9% | 63.6% | 56.3% |
| FrontierCode 1.1 Main | 53.3% ⁸ | 47.5% | 50.9% | 53.5% | 53.4% | 43.6% |
| 内部数据库迁移 | 63.9% | 42.7% | 57.8% | 50.3% | ||
| AA 编程智能体指数 v1.4 | 67.0 | 65.1 | 67.2 | 68.1 | 61.2 |
Terminal-Bench 4.0 成本：比 Sol 低约 9%，比 Fable 5.1 低约 63%。
学术
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 | Gem 3.8 F |
|---|---|---|---|---|---|---|
| Terminal-Bench Science 0.1 | 64.6% | 22.4% | 52.6% | 21.4% | 30.0% | |
| FrontierMath Tier 4 (v2) | 97.6% | 83.0% | 87.8% | 87.8% | 73.2% | |
| GPQA Diamond | 96.0% | 94.6% | 93.7% | 92.6% | 93.7% | 95.3% |
| 人类最后的考试（工具版） | 57.2% | 65.0% | 63.8% | 63.6% |
低成本设置：Terminal-Bench Science 为 61.1%，成本降低约 27%；GPQA Diamond 为 94.9%，成本降低约 37%。素数间隔从 240 改进到 186，并且一个大间隔边界项在 80 多年来首次得到改进。
科学与健康
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 | Gem 3.8 F |
|---|---|---|---|---|---|---|
| GeneBench Pro | 37.8% | 28.7% | ||||
| MedChemBench（内部） | 49.3% | 47.4% | ||||
| LifeSciBench | 60.3% | 59.9% | ||||
| HealthBench Professional | 63.4% | 60.5% | 56.6% ¹¹ | 60.9% ¹¹ | 54.5% ¹¹ | 52.1% |
Fable 5 和 5.1 未纳入 LifeSciBench、GeneBench Pro 和 MedChemBench，因为它们会拒绝回答大多数问题。
网络安全
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 |
|---|---|---|---|---|---|
| ExploitBench | 100.0% | 78.5% | 70% | ||
| ExploitGym | 42.4% ¹³ | 30.3% ¹³ | 30.4% ¹⁷ | 28.4% ¹⁷ | 22.0% ¹⁷ |
| ExploitBench（2026年6月–8月） | 39.0% | 5.5% | |||
| SRE-Bench | 88.0% | 55.9% | 12.5% | ||
| SEC-Bench Pro | 85.4% | 79.1% |
SRE-Bench 四次尝试内：99.2%，而 Sol 为 68.7%。Astra 在评估过程中发现了两个此前未知的零日漏洞。
对齐（除 Impossible ExploitGym 外，数值越低越好）
| 指标 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 |
|---|---|---|---|---|---|
| 计算机安全 | 2.4% | 22.0% | 9.5% | 18.3% | 11.5% |
| 相同，带 AutoReview | 1.8% | 4.5% | |||
| 规避 | 0.00% | 0.29% | |||
| ExploitGym 蜜罐 | 0.0% | 48.2% | |||
| 不可能完成的 ExploitGym 任务 | 100.0% | ||||
| 模型幻觉 | 4.2% | 12.2% |
不可能任务范围测试：Sol 有 48% 的时间超出了其授权目标，Astra 为 0%。Astra 错误陈述自身能力的可能性比 Sol 低 3 倍。
长上下文
| 基准测试 | Astra | Sol |
|---|---|---|
| MRCR v2 8 针 256K–512K | 100.0% | 91.5% |
| MRCR v2 8 针 512K–1M | 96.3% | 73.8% |
抽象推理
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 |
|---|---|---|---|---|---|
| ARC-AGI-3 | 99.9% ¹ | 7.8% | – | – | 30.2% |
| ARC-AGI-2 | 95.0% | 92.5% | 90.0% | 89.2% | 90.4% |
| ARC-AGI-1 | 98.5% | 97.5% | 97.5% | 98.5% | 97.5% |
据报道，在科学工作方面，该模型改进了一项关于素数间隔的数学结果，并在生物学、化学、医学和物理学评测中创下新纪录。OpenAI 还将 Astra 定位为一款能够像人类一样可靠操作计算机的模型，在衡量该能力的 OSWorld 2.0 上，Astra 以每个任务约 40 分钟的速度取得了 72.6% 的成绩，而 Sol 的得分是 65.7%，每个任务大约耗时 75 分钟。
比 Sol 更贵，但 OpenAI 表示每个任务的成本更低
GPT-6 Astra 通过 API 使用标准模式时，输入 token 价格为每百万个 10 美元，输出 token 价格为每百万个 50 美元。快速模式承诺提供 2.5 倍速度，但价格翻倍，这使得 Astra 比 GPT-5.6 Sol 贵 2.5 倍，与 Anthropic 的 Fable 5.1 处于同一价格区间。
布罗克曼认为，按 token 价格来比较模型正变得越来越不靠谱，因为 OpenAI 的 token 与竞争对手的并不相同，甚至在其自身的不同模型系列之间也不具可比性。他表示，真正重要的是每个完成任务的价格，而 OpenAI 已经在尝试这种定价模式。据该公司称，在 DeepSWE v1.1 上，Astra 的最高配置相比 Sol，可将每项任务的预估 API 成本降低约 57%。
在新闻发布会上，布罗克曼承认并不存在一个明确定义的 AGI 时刻，他表示团队原本以为 OpenAI 成立时会有一个人人都能识别的明显门槛。但实际情况并非如此，这一转变比预期更为渐进，这也是 OpenAI 去年春天阐述过的立场。布罗克曼在发布会结束时仍表示：“欢迎来到 AGI 时代。”OpenAI 首席执行官 Sam Altman 此前曾表示，他预计今年年底前会出现一个他称之为 AGI 的模型。
首个达到 OpenAI 关键网络安全阈值的模型
Astra 是 OpenAI 根据其《预备框架》归类为“关键”级别的首个模型。这意味着，在获得适当工具和访问权限的情况下，该模型能够发现此前未知的漏洞，并在防御严密的系统中构建漏洞利用链，全程无需人类逐步指导。OpenAI 也承认，Astra 的书面推理过程比 GPT-5.6 Sol 的更难监控。
在 ExploitBench 这一衡量模型发现并利用真实软件漏洞能力的基准测试中，Astra 取得了 100% 的满分成绩。OpenAI 表示，该模型在评估过程中发现了两个此前未知的漏洞，公司随后已将其报告给相关厂商。人类专家确认，Astra 能够识别涵盖浏览器和操作系统等多个软件类别的新型零日漏洞。
目前，最先进的网络安全能力仅限于 Daybreak Blue 项目中的可信防御方使用。OpenAI 此前曾推迟 Astra 的发布，以进行更多的安全测试。这些双重用途的能力是一把双刃剑：一个能自主发现漏洞的智能体，帮助防御者修补漏洞的便利程度，与帮助攻击者利用漏洞的便利程度不相上下。
CNET
Axios
原始发布方：The Decoder：AI News（RSS）
原文时间：2026-09-04 03:25:40 +08:00
