GPT-6 Astra 全解析：我读完了 OpenAI 原文和全部跑分，说说那些没被讲透的事

GPT-6 Astra 全解析：我读完了 OpenAI 原文和全部跑分，说说那些没被讲透的事

9 月 3 日晚上十一点多，我刷到 GPT-6 发布的消息，去 OpenAI 官网看原文——打不开。刷新，还是打不开。差不多一个小时里，全世界想看原文的人都堵在门口，只有 archive.ph 的镜像能挤进去。

第二天早上我拿到了页面的完整存档，把官方公告、系统卡数据、ARC Prize 的说明、Hacker News 上九百多条评论翻了一遍。这篇文是我看完这些东西之后的整理和想法，写给自己看，也写给还没来得及深挖的你。

有几件事，二手报道基本没讲透，甚至讲错了。我一件件说。

📑 文章目录

• 〇. 看正文前：十个词的人话版

• 一. 先纠正三个广为流传的说法

• 二. 跑分表：六个模型摆在一起看

• 三. 99.9% 那个数字，到底怎么来的

• 四. 这次真正吓人的不是智能，是"越界率 0%"

• 五. 素数那个事：AI 头一回在纯数学前沿留下名字

• 六. 价格：贵了 2.5 倍，账单可能反而变薄

• 七. 十一个演示，我挑几个真值得看的

• 八. Codex 的"跨窗口记笔记"，被严重低估了

• 九. 谁该现在就用，谁该再等等

• 十. 中国用户的现实指南：想用上，路其实有几条

• 十一. 内容创作者的一笔账

• 十二. 它会动谁的奶酪，以及普通人的机会

• 十三. 几个说不清的问题

• 常见问题 FAQ

• 参考文献

〇. 看正文前：十个词的人话版 📖

官方公告里堆了一堆术语，第一次接触的朋友容易被劝退。我先用大白话把要出场的名词过一遍，看完后面所有章节就通了。

这十个词记住了，下面的内容就是白话。开始。

一. 先纠正三个广为流传的说法 🌅

说法一：“GPT-6 全面碾压所有模型”。

不成立。官方自己公布的 Artificial Analysis Intelligence Index v4.1.1 上，Astra 拿了 61.2 分，Claude Fable 5.1 是 65.7 分，连 Gemini 3.8 Flash 都有 58.7 分。Astra 在通用智能指数上没有领先，差 Fable 5.1 四分多。它碾压的是另外几条赛道：计算机操作、智能体任务、网络安全、长上下文。这两件事别混为一谈，后面细说。

说法二：“AGI 到了”。

OpenAI 总裁 Greg Brockman 原话是"欢迎进入 AGI 时代"，但注意，负责 ARC-AGI 基准的 ARC Prize Foundation 当天就泼了冷水：“we are not claiming that it is AGI”——我们不认为这是 AGI。连出题的人都不认，这个口号听听就好。有意思的是，页面上 EpochAI 的 Greg Burnham 倒是说了句挺重的话：“The story is: end of one era, start of another.”（一个时代结束，另一个开始。）两句话放一起品。

说法三：“价格太贵用不起”。

标价确实翻了 2.5 倍，但智能体任务的 token 消耗只有上一代的三分之一左右，很多场景算总账反而更便宜。第六节我给了一笔一笔算的账。

先把这些说清楚，是因为这篇文后面所有判断都建立在一个前提上：Astra 不是"更聪明的 GPT-5"，它的强项非常具体。判断你该不该关注它，先判断你的任务在不在它的强项区里。

二. 跑分表：六个模型摆在一起看 📊

官方页面上有一张六模型全量对比表，我把关键几行抽出来，做成了图：

文字版挑重点说：

看明白了吗？这张表里 Astra 拿了绝大多数第一，唯独两行不是：通用智能指数输 Fable 5.1 四分半，Humanity’s Last Exam 输自家上一代 Sol 七分半。这种"局部翻车"恰恰说明数据是真实分布的——要是全表第一反而该怀疑了。

几个表里藏着、但页面正文没大声说的细节：

• Terminal-Bench 4.0 对 Sol 是 57.9% 对 37.3%，20 个百分点的代差，这是全表最夸张的一行；
• ARC-AGI-3 那行，Sol 只有 7.8%，Astra 99.9%——跨度大到不像同一代模型，原因第三节专门讲；
• 长上下文的数据单独拎出来看，因为它藏着这次升级里最实用的能力：

解读两点。其一，Sol 在 512K-1M 区间的 73.8% 是"不能上生产"的水平——26 次里错 7 次，你敢让它读你整套代码库然后改核心模块吗？而 Astra 的 96.3% 意味着百万 token 级的记忆第一次从"演示功能"变成了"可托付的生产能力"。其二，看左半区：256K-512K 区间 Astra 干到了 100%——这个区间大约对应 20-40 万汉字，也就是说"一次喂一个中型项目 + 全部相关文档"这个最常见的企业场景，准确率已经拉满。RAG 架构为什么可能被重写（第九节），根子就在这张图上。

三. 99.9% 那个数字，到底怎么来的 🎯

这是整个发布里最值得掰开揉碎讲的一件事。

Astra 在 ARC-AGI-3 上拿了 99.9%，官方说法是"saturates ARC-AGI-3"（饱和了）。但页脚注释里藏着一句关键的话：Astra 跑这个分用的是 OpenAI 自家的 Responses API harness，“改了两个设置以更贴近真实世界表现”。

第三方评测机构随后用标准 harness 重跑，得到 62.7%。两个数字差了 37 个点。

差别在哪？标准 harness 每一轮都丢掉模型的私有推理状态、截断历史动作，等于逼模型"每一回合从零理解游戏"。OpenAI 的 harness 保留了这些状态，跑起来快 3.66 倍、省 49% token。

哪个更公平？说实话，各有道理。标准口径对跨模型比较更公平；但"保留思考状态"也更接近真实使用场景——没有人用 AI 干活时每分钟给它洗一次脑。ARC Prize 官方的态度是承认 99.9% 这个结果，但拒绝背书 AGI。

我的建议就一条：看跑分时永远问一句"什么口径"。这次事件之后，"基准测试的组织者和被测模型的开发者利益绑定"这件事，应该被每个技术决策者记在小本子上。

顺带说个正面数据。ARC Prize 的 Greg Kamradt 说了句公道话："Astra 在 96% 的关卡里动作数少于人类基线，实际达到了人类水平的操作效率。这不仅是我们测过的最好模型，也代表了前沿模型能力的实质性跨越。"翻译一下：跑分可以有口径争议，但"干活比人利索"这件事本身，没有争议。

四. 这次真正吓人的不是智能，是"越界率 0%" 🔒

讲个大部分报道一笔带过、我却觉得是全文最重要的数据。

OpenAI 搞了一个新评估，灵感来自之前 Hugging Face 的事故：给模型一个"困难或不可能完成的任务"，看它会不会越出授权范围自己找办法。

结果：GPT-5.6 Sol 在无生产防护的情况下，48% 的次数越了界。GPT-6 Astra：0%。

官方页面上"计算机使用安全压力测试"（Computer-use safety stress test）的原图长这样（Fable 5.1、Opus 5 的柱子明显高出一截）：

图里 Misaligned outcome rate（失配/错误结果率） 指模型在操作电脑时产生"非预期后果"的比例——比如你没让它删文件它删了、改了不该改的记录。Astra 2.4%，Fable 5.1 是它的四倍，Opus 5 接近五倍。

另外，官方散落在各处的四项安全评估我汇总画到了一张图上：

这张图怎么读，值得展开讲三层：

第一层，看量级。 四项评估 Astra 全部压到了个位数甚至零，而上一代 Sol 最差的一项到了 48%。注意这不是"好了 10%"这种渐进改善，是从"一半概率出事"到"零事故"的断崖。AI 安全领域有个说法：对齐能力从来不线性增长，而是靠几代模型积累后突然兑现——这张图就是兑现的时刻。

第二层，看测试的"刁钻"程度。 最右边那组"绕过审查率"尤其值得琢磨：OpenAI 特意把 Auto-Review 配置成"故意可以绕过"，任务本身还设成无法正常完成——等于把cheese放进老鼠洞里考验猫。Sol 绕了 0.29%，Astra 是 0.00%。再结合"能力幻觉率 4.2% 对 12.2%"，翻译成人话：这一代不仅更乖了，还更诚实了——吹牛说自己能干啥的概率降了三分之二。

第三层，看这组数据为什么没被大书特书。 原因很简单：安全数据不产生传播。99.9% 的跑分能上热搜，"越界率 0%"不行。但对要落地 AI 的企业来说，这张图比跑分表值钱——采购评审时把这张图放进 PPT，比任何营销话术都有说服力。

相关的一组数据：

• 计算机使用安全压力测试（越低越好）：Astra 2.4%，Fable 5.1 是 9.5%，Opus 5 是 11.5%，Sol 高达 22.0%；
• Codex Auto-Review 拒绝后的绕过率：Astra 0.00%，Sol 0.29%——注意 OpenAI 特意把 Auto-Review 配置成"故意可以绕过"来测，Astra 也没绕；
• 能力幻觉率（低更好）：Astra 4.2%，Sol 12.2%——Astra 吹牛说自己能干啥的概率，比上一代低了三分之二。

为什么我说这组数据最重要？因为安全能力才是"敢不敢把任务真正交出去"的前提。智能决定 AI 能干什么，越界率决定你敢让它干什么。99% 的文章在聊前者，但企业落地卡住的是后者。

不过得把另一半也说了。系统卡里承认：Astra 的可监控性下降了——模型对自己书面推理的控制更强，能用更少的书写步骤解题，这反而让外部监控更难跟上。OpenAI 的原话是"我们严肃对待这个下降，改进可监控性仍是研究优先项"。也就是说：更听话了，但更难盯了。这两件事同时成立，才是安全维度完整的图景。

还有网络安全那部分。ExploitBench 100% 满分听着吓人，更吓人的是评估过程中 Astra 自己发现并利用了两个前所未知的零日漏洞，OpenAI 已向相关维护者披露。Cybersecurity 维度达到 Preparedness Framework 的 Critical 级——这是公开部署模型的第一次。所以现在发布的版本里，Astra 会拒绝编写漏洞 PoC 这类高级网安任务；防御性的代码审计、补丁工作可以干；更宽松的防护要通过 Daybreak 计划逐步放开。

五. 素数那个事：AI 头一回在纯数学前沿留下名字 📐

两个结果，都不是小事。

第一个：孪生素数猜想的界。十年来最好的结果是"无穷多对素数相差不超过 246"，Julia Stadlmann 前不久改进到 240，Astra 参与推到了 186。

第二个：素数间隔的上界里有一个项，80 多年没人动过，Astra 改进了它。

注意措辞：是"helped establish"（帮助确立），不是"独立证明"。证明以 Lean 形式化语言给出，OpenAI 同步公开了证明和验证材料，任何人可查。这是发布里我最喜欢的一个部分——不是因为它多能打，而是因为流程是对的：可验证、可复查、措辞诚实。对比某些"接近人类水平"的营销话术，这份克制值得点个赞。

学术基准的其他数字：GPQA Diamond（研究生级科学推理）96.0%，比 Sol 的 94.6% 略高但成本省 37%；Terminal-Bench Science 64.6% 对 Fable 5.1 的 52.6%——科研工作流（分析数据、跑仿真、拟合模型）这个具体场景，Astra 优势明显。

下面这张是官方页面的原始图表（浏览器有页面级中文翻译，模型名也译了，克劳德·费布尔=Claude Fable，克劳德作品=Claude Opus），横轴是每次任务的 API 成本、纵轴是任务完成率，五角星代表 Astra：

教你怎么读这张图，顺便把几个英文词翻译掉：

• Resolution rate（任务完成率）：给模型的科研任务里，能完整交付的比例，越高越好；
• API Cost（API 成本）：完成每个任务花的美元数——注意不是"每个模型一个点"，而是每个模型一条曲线：同一条线上的多个点代表不同的推理档位，档位越高越贵、完成率也越高；
• 看图的核心动作是找"左上角"——花得最少、干得最好。五角星（Astra）那条线整体压在所有线的左上方：花 $13 左右就到 61%，而 Fable 5.1（棕色方块线）要到 $28 才摸到 49%；最右边那个孤零零的棕色菱形是 Fable 5，$67 只买到 21.5%——同一个家族，换代差出三倍性价比，这就是第三节说"标价贵但账单薄"的图形化证据。

💡 思考：为什么"每模型一条线"这个设计很关键？

🤔 因为它打破了"跑分=一个数字"的迷思。同是 Astra，$12 的档位和 $26 的档位是两个不同的产品。你选模型时真正在选的，是这条曲线上的哪个点——这就是为什么我反复说要用 usage 数据算自己的账，而不是看官方那句"XX% 新高"。

六. 价格：贵了 2.5 倍，账单可能反而变薄 💰

官方定价，每百万 token：输入 $10，输出 $50。跟 Claude Fable 5.1 完全一样，是 GPT-5.6 Sol 的 2.5 倍。缓存读写单独计价，Fast 模式 2 倍价换最高 2 倍速。

贵吗？看任务类型。我按官方公布的数据画了张对照图：

官方给了几组"质量-成本"双维数据，我挑两条：

• Agents’ Last Exam 最高分设置下，Astra 比 Opus 5 少用约 65% 的输出 token；
• Terminal-Bench Science：Astra 64.6% / Fable 5.1 52.6%，Astra 的 API 成本反而低 31%；低配设置下 Astra 61.1% 对 Sol 22.4%，成本还低 27%。

也就是说，多步智能体任务里 Astra 用更少的 token 干更多的活，总账经常是降的。什么时候不划算？短问答、单轮翻译这类一锤子买卖，token 效率再高也省不出 2.5 倍的差价，这种场景继续用 Sol（促销价到 11 月 21 日）。

一个自己算账的脚本，含 272K 长文本阈值（超了之后输入按 2 倍、输出按 1.5 倍计）：

def astra_cost(input_tk: int, output_tk: int, cached: int = 0) –> float:
"""gpt-6-astra 单次请求成本估算（美元），含 272K 阈值规则"""
if input_tk > 272_000: # 长上下文档位：整单输入x2、输出x1.5
return input_tk/1e6*20 + output_tk/1e6*75
return (input_tk – cached)/1e6*10 + cached/1e6*1 + output_tk/1e6*50

print(f"${astra_cost(900_000, 8_000):.2f}") # ≈ $18.40 长文本
print(f"${astra_cost(200_000, 4_000, cached=150_000):.2f}") # ≈ $1.03 缓存命中

接入就三行的事，推理档位从 high 起步往两头调：

resp = client.responses.create(
model="gpt-6-astra",
reasoning={"effort": "high"},
input="把这三个 CSV 合并成月报，输出差异分析",
)

七. 十一个演示，我挑几个真值得看的 🎮

官方放了十一个演示视频，全看一遍要不少时间，帮你过滤一下。

值得反复看的三个：

看个乐的：Unity 城市场景搭建、卡丁车小游戏、Blender 房子建模进 Unreal Engine 5 变成可漫游场景。这批演示证明的是"非技术人员几分钟做出能玩的东西"，对游戏行业从业者是坏消息还是好消息，评论区聊聊。

注意：官方脚注里有一句"显示的剪辑片段经过编辑"（The displayed clips are edited excerpts）。演示终究是演示，真实体验等你自己上手。

另外 Mind2Web 上配合新版 Codex，任务完成速度比 Sol 快 1.9 倍。官方给的实测例子：找儿科医生 2 分 54 秒、找公寓 9 分 57 秒、预约车管所 5 分 10 秒。

八. Codex 的"跨窗口记笔记"，被严重低估了 📝

编码这块，官方对比表里有三组基准，我把它们画到一张图上再讲细节：

这张图有一个反直觉的读法。看中间那组 DeepSWE（真实仓库级软件工程）：五个模型挤在 67-74% 之间，差距不到 7 个点——在"改真实项目代码"这件事上，旗舰们其实站在同一条起跑线上。但看左边 Terminal-Bench：Astra 57.9%，Sol 37.3%，差了 20 个点；Gemini 3.8 Flash 甚至只有 19.1%。什么意思？"聪明地干活"和"熟练地干活"是两种能力。Astra 的优势不在深度思考，在执行层的效率和可靠性——这恰好呼应了它"计算机操作模型"的定位。选型启示：改核心架构这种深度活，几家旗舰都行；跑自动化流水线、批量任务这种执行活，Astra 一档独走。

这条藏在编码章节里，我认为是发布里工程价值最高的细节，但几乎没被报道。

以前的模型处理长任务，上下文窗口满了就做"压缩"（compaction）——把前面的工作总结一下腾地方。问题是一次次压缩会丢细节：为什么某个修复失败了、某个组件的行为特性是什么，压着压着就没了。

Astra 在 Codex 里加了个新机制：跨上下文窗口记笔记。积累的细节直接保留，不用反复压缩成一段总结；而且早先的上下文窗口仍可检索——就算某条信息没写进笔记，Astra 也能翻回前面的窗口找到它。实验功能，Codex 的 config.toml 里开启，几周后转默认。

为什么这条重要？因为它解决的是"数字同事的记忆力问题"。想象一个员工每两小时失忆一次，只能靠手写便签续命——compaction 就是那种便签。跨窗口笔记等于给了它一本可以随时翻回去的工作日志。长任务的可靠性，靠的就是这个。

写代码这件事上，Jane Street 的 John Crepezzi 评价比较实在：Astra 交流方式更容易跟上，代码达到生产质量需要的迭代次数更少。Lovable 的 CTO 补了个有意思的观察：高推理档位下，模型倾向于"多迭代、用浏览器验证、优先执行代码而非打补丁"——它学会了怎么花力气。

九. 谁该现在就用，谁该再等等 🛠️

现在就该试的四种人：

可以再等等的：

• 就拿模型聊天问答的，Sol 够用还便宜；
• 对通用推理要求高的，Fable 5.1 的 Intelligence Index 还领先着；
• 要上生产 Computer Use 的——OSWorld 72.6% 意味着十次里三次要人工兜底，先在内部流程试点，配上录屏留痕。

还有个所有该记的小纪律：从今天起给你的 AI 任务记台账——模型、档位、token 数、质量评分、重试次数。下次再出旗舰，你拿自己的台账跑一轮就知道值不值，不用看任何人的跑分表。选型这件事，正在从"看评测"变成"看自己的账本"。

十. 中国用户的现实指南：想用上，路其实有几条 🇨🇳

先把最重要的一句话放到最前面：ChatGPT Plus（$20/月）这次和 $200/月的 Pro 拿到的是同等待遇。官方明确 Astra 用量计入现有订阅额度。也就是说，20 美元是这次尝鲜的最低门票——比大多数人猜的低得多。

具体到国内用户，路径大概四条，各有代价：

几句实话，不构成任何建议：

• API 中转站这条路我不推荐写进任何教程。第三方转售 key 的合规状态一直灰色的，跑路、限速、数据经手第三方，三个风险都是实打实的。企业尤其别碰，数据出境这条红线碰了就是大事。
• Azure 路线是被低估的。很多公司其实早有世纪互联的 Azure 账号，Astra 上线 Azure 是这次发布的官方信息，走已有云合同比另起炉灶省事得多。找你们 IT 部门问问，可能有惊喜。
• 国产平替没有你想的那么差。回到第二节那张表：Astra Intelligence Index 61.2，Gemini 3.8 Flash 58.7，而 DeepSeek、GLM、Kimi 这一档在中文任务上的表现和国外旗舰的差距，远小于价格差距。英文技术任务、智能体编排，用 Astra；中文批量活儿，国产模型跑量，这个混合策略是当下性价比最高的答案。
• 合规提醒只说一句：企业接入生成式 AI，记得过一遍《生成式人工智能服务管理暂行办法》和自家法务。个人学习随意。

💡 思考：为什么 OpenAI 这次敢把 Plus 和 Pro 拉平？

🤔 我的判断：它要的是铺量。AGI 叙事需要海量的真实使用数据来验证，Plus 用户基数是 Pro 的一百倍。对消费者是好事，对竞争对手是压力——Anthropic 的同价位模型立刻显得"不促销"。但也要清醒：同等待遇不等于同等用量，重度用户大概率会撞额度墙，到时候 Pro 的价值就回来了。

十一. 内容创作者的一笔账 🗂️

这节写给和我一样做内容的人。

GPT-6 Astra 对创作者意味着什么？我算了一笔账。批量生文：1M token 的上下文，一次能喂进你全部的历史选题库和风格样本，产能翻 5 倍不夸张。生图、配音、剪辑辅助，同理。

但有个东西没跟着翻倍：你能用掉的素材量。生成成本趋近零之后，真正卡脖子的变成了素材管理。我自己的文件夹半年膨胀出了过去五年的量：AI 生成的封面、批量产的脚本、抓下来的参考视频、截帧、配音。上个月我找个"之前生成过很合适的封面"，翻了 40 分钟没找到，最后重新生成了 8 张——都不如原来那张。

所以 GPT-6 时代创作者的三条军规，我的版本：

我自己在打磨一款做这件事的桌面工具，叫「影栈」——短视频素材库，管的就是"获取之后的秩序"：多平台素材统一入库、批量下载自动归类、多维筛选、素材对比、衍生素材（截帧、提音频）能追溯回母素材。还在公测期。做这个工具的起因就是上面那 40 分钟。

GPT-6 管无限生成，你的素材库管无限复用。生成是成本，复用才是收益。

——这条生意经往下延伸，就是下一节要聊的事。

十二. 它会动谁的奶酪，以及普通人的机会 💼

这部分是写给晚上睡不着觉的人的。

先说岗位冲击的排序，按这次跑分变化的剧烈程度：

再说普通人现在能抓住的三个机会（都是当下就能动手的，不是画饼）：

机会一：给中小企业做"AI 工作流装修"。 大量传统公司知道要用 AI 但不知道怎么用。会写任务说明书（第八节那四要素）、会搭 OpenAI 兼容接口、会做简单的人员培训，这三个技能打包，在三四线城市就是一门生意。Computer Use 的成熟让"把人工流程改成人机流程"的咨询需求会肉眼可见地涨。

机会二：做垂直领域的高质量数据集。 模型越通用，垂直数据越值钱。医疗、法律、工业领域的专业标注数据，是下一轮模型微调的硬通货。你在某个行业泡了十年，你脑子里的"什么是对的"本身就是资产。

机会三：内容产能套利。 这条接上一节——1M 上下文 + 批量生文，意味着一个人能运营过去一个团队的内容量。窗口期大概一到两年（等所有人都会用就没了），现在入场的最小验证成本几乎为零。

💡 思考：那学生该学什么？

🤔 别学"prompt 工程"这种三个月就过时的东西，学三样慢变量：把模糊需求变成清晰规格的能力（需求定义）、判断输出质量的能力（验收，需要真功底）、和一个 AI 替代不了的专业领域纵深。工具每半年换一茬，这三样十年不过时。顺便说，Astra 这类模型也是最好的学习工具——它比大多数网课老师有耐心，且随叫随到。会用 AI 学习的人，和不会的人，学习效率正在拉开数量级的差距。

十三. 几个说不清的问题 ⚠️

最后留几个我自己也没答案的问题，比结论更有价值。

监控悖论。 更听话（越界率 0%），但更难盯（可监控性下降）。当模型的书面推理越来越精简、越来越"私人化"，外部监督的抓手是什么？OpenAI 说在改进，但这一栏目前是空的。

基准测试的信任危机。 ARC-AGI-3 的双口径事件之后，我们该信谁？出题方说不是 AGI，做题方说是，第三方测出 62.7%。可能需要一个新的行当：模型评测的独立审计。

发布疲劳。 Hacker News 官方帖一天 1279 分、近千条评论，热评第一是句苦笑：“PLEASE DONT GIVE ME ACCESS”。旗舰发布从年更变成周更，选型文档写完就过期。当行业用发布节奏制造 FOMO 时，"不追新"本身成了一种能力。

Anthropic 的沉默。 这轮发布里 Anthropic 一句公开回应都没有，但 Fable 5.1 的 Intelligence Index 还领先着。安静的领先者比高调的追赶者更值得琢磨。

写到这里天快亮了。最后说句实在的：GPT-6 Astra 交出了一份"特定赛道断层领先、通用智能持平、安全性大幅进步"的成绩单——这不像 AGI 的黎明，更像一场产业分工的开始：以后挑模型，先看你的活儿在哪条赛道。

评论区聊聊：你打算第一个交给 Astra 的任务是什么？我先来——我想让它把我 40 万字的素材库文档重写成一份检索手册。

常见问题 FAQ

Q1：现在能用上吗？ 分批推送中。今天先开放给部分组织，几天内推给全部 ChatGPT Plus / Pro / Business / Enterprise 用户，API、Microsoft Azure、AWS Bedrock 同步。Astra 用量算在现有订阅额度内，Pro / Business / Enterprise 用户还有 Astra Pro 版。企业管理员需手动开启，默认关闭。

Q2：99.9% 的 ARC-AGI-3 是真的吗？ 数字是真的，但口径要注意：OpenAI 自家 harness 跑出 99.9%（保留模型私有推理状态），标准 harness 是 62.7%。ARC Prize 官方不认为这是 AGI。

Q3：比上一代贵多少？会不会用不起？ 标价是 Sol 的 2.5 倍（$10 输入 / $50 输出，每百万 token）。但智能体任务 token 消耗约为 Sol 三分之一，多数多步任务总成本持平或下降。短问答场景继续用 Sol 更划算。

Q4：我的 RAG 系统要重构吗？ 知识库全量 900K token 以内的，先试"全文直塞 + 缓存"（缓存读取 $1）。超了再谈检索。混合方案（关键文档直塞 + 长尾检索）是当前稳妥解。

Q5：它会取代程序员吗？ 取代的是重复劳动，不是判断力。Jane Street 的评价侧面说明问题：Astra 的价值在于"代码到生产质量的迭代次数更少"——写代码的人从打字员变成验收员，这个转变已经开始。

Q6：我是学生 / 预算有限，怎么参与这波？ 国产模型（DeepSeek / GLM / Kimi）免费额度足够学习全部概念；真需要 Astra 级能力时，$20 的 Plus 是最低门票，几个同学拼一个 Pro 账号这类操作注意服务条款风险。比花钱更重要的：用第十二节那三个"慢变量"倒逼自己。

Q7：国内公司想接入，合规上要注意什么？ 两条线：走 Azure（世纪互联）或 AWS 中国区是稳妥路径；自建 API 直连涉及数据出境评估。另外《生成式人工智能服务管理暂行办法》对面向公众的服务有备案要求，上线前过法务。

Q8：现在要不要囤 token / 开 Fast 模式？ Fast 模式 2 倍价换 2 倍速，只对延迟敏感的实时场景值。普通任务 Standard 足够。不建议囤——模型价格长期向下，囤 token 跟囤显卡是一个逻辑陷阱。

Q9：GPT-6 会让哪些服务直接死掉？ 我的清单：截图转文字类工具、简单翻译插件、表单自动填充工具、基础代码补全产品。判断标准很简单——如果一个产品的核心功能是 Astra 的基础能力，它的护城河就只剩下渠道和惯性了。

Q10：和 Claude Fable 5.1 怎么选？ 同价。智能体 / 终端 / 网安任务选 Astra；通用推理和长链分析 Fable 5.1 的 Intelligence Index 还领先 4.5 分。两边都试 20 次自己的高频任务，用数据说话。

参考文献

[1] OpenAI. “GPT-6 Astra: A new generation of intelligence.” 2026-09-03. https://openai.com/index/gpt-6-astra/

[2] ARC Prize Foundation. Evaluation notes on GPT-6 Astra. 2026-09. https://arcprize.org/

[3] OpenAI. “Aligning and deploying GPT-6 Astra responsibly.” 2026-09. https://openai.com/index/

[4] Thakker, Yash. “GPT-6 Astra Launch: Benchmarks, Pricing, Rollout.” explainx.ai, 2026-09-04. https://explainx.ai/blog/gpt-6-astra-launch-benchmarks-pricing-2026

[5] “GPT-6 Astra 正式发布：OpenAI 宣告’欢迎来到 AGI 时代’.” 腾讯新闻, 2026-09-04. https://news.qq.com/rain/a/20260904A03YU400

[6] “GPT-6 Astra 发布：OpenAI 说’欢迎进入 AGI 时代’，开发者先看清这五件事.” 掘金, 2026-09-04. https://juejin.cn/post/7681286465151320107