GPT-6 Astra 来了：当 AI 从“回答问题”走向“接管复杂工作”

大模型的竞争正在发生一次明显转向。

过去，人们关注的是模型能不能回答更难的问题、写出更好的代码，或者在某项基准测试中拿到更高分。到了 GPT‑6 Astra，OpenAI 强调的重点已经不只是“回答得怎么样”，而是模型能否理解目标、调用工具、操作计算机，并在较长的任务链条中交付一个可以直接使用的结果。

这意味着，大模型正在从对话框里的智能助手，逐渐变成能够进入真实工作环境的执行者。

OpenAI 将 GPT‑6 Astra 称为目前最智能、对齐程度最高的模型。它在计算机操作、网页浏览、软件工程、网络安全、科学研究和专业工作等方向取得明显进展，并开始向 ChatGPT Plus、Pro、Business、Enterprise 用户以及 API 和 AWS 渠道开放。

01 GPT‑6 Astra 的变化，不只是模型“更聪明了”

从 OpenAI 公布的信息看，GPT‑6 Astra 的能力提升建立在预训练、强化学习和对齐训练等多个方向的积累之上。

但从用户体验来看，真正值得关注的不是模型规模或者训练参数，而是三个更加直接的变化。

• 更快理解规则和目标。传统模型通常需要较清晰的提示词，需要用户把目标、步骤和输出格式逐项说明。GPT‑6 Astra 更强调在信息不完整的情况下，根据上下文识别真正的任务目标，并判断下一步应该做什么。

• 更强的连续执行能力。一次真实工作往往不是一个问题对应一个答案，而是包含信息查找、页面操作、数据处理、结果核验和文档输出等多个步骤。GPT‑6 Astra 的进步体现在，它可以把这些步骤连接起来，在同一个任务中持续推进。

• 交付的不只是文字。它可以生成并调整文档、表格、演示文稿、网站和数据分析结果，也可以使用浏览器、终端及桌面软件完成操作。模型的输出开始从“建议你怎么做”，转向“帮助你把事情做完”。

02 一张评分表，看懂 GPT‑6 Astra 的能力跨度

从综合评测结果来看，GPT‑6 Astra 的能力提升并不集中于某个单一领域，而是覆盖了抽象推理、数学、专业工作、编程、科学研究、医疗和网络安全等多个方向。

在专业任务方面，GPT‑6 Astra 在 AutomationBench 上达到 41.4%，上一代 GPT‑5.6 Sol 为 18.1%；在测试三维对象重建及 CAD 代码生成能力的 BenchCAD 中，Astra 达到 95.9%。

在复杂编程任务上，GPT‑6 Astra 的 DeepSWE v1.1 成绩达到 74.1%。在 Terminal-Bench Science 0.1 中，它取得 64.6%，体现出模型将终端操作、代码执行和科学问题结合起来的能力。

在高难度数学与科研测试中，Astra 在 FrontierMath Tier 4（v2）取得 97.6%，在 GPQA Diamond 中达到 96.0%。这说明它不仅擅长检索和归纳已有知识，也开始在需要多步推理、工具调用与结果验证的任务中表现出更强的稳定性。

安全能力同样值得关注。GPT‑6 Astra 在 ExploitBench 中达到 100%，在 SRE-Bench 中单次尝试成绩为 88.0%，四次尝试内达到 99.2%。这类能力意味着模型可以更深入地理解软件结构、定位安全缺陷和分析系统行为，同时也对权限控制、使用边界与审计机制提出了更高要求。

需要注意的是，基准分数不能完全等同于真实生产力。测试环境、工具配置、推理强度和任务口径都会影响结果。这些数据更重要的价值，是帮助我们判断模型能力正在向什么方向发展：从单轮回答，转向跨工具、跨步骤、跨任务类型的综合执行。

03 计算机操作，成为 Astra 最重要的能力之一

GPT‑6 Astra 最明显的变化，是计算机操作能力进一步增强。

它可以识别页面中的按钮、表格、输入框和菜单，根据任务目标在不同应用之间切换，并持续完成后续步骤。例如填写在线表单、更新 CRM 客户信息、整理日历、搜索网页资料、在邮件或文档编辑器中生成总结，以及使用数据分析工具生成图表。

这些任务单独看并不复杂，但真正执行时往往包含大量细节：页面结构可能变化，信息可能缺失，任务中途可能出现弹窗或异常，模型还需要判断哪些操作可以自动继续，哪些决策必须询问用户。

在 OSWorld 2.0 离线测试中，GPT‑6 Astra 达到 72.6%，GPT‑5.6 Sol 为 65.7%。更值得关注的是任务效率：OpenAI 表示，Astra 完成相关计算机操作任务所需时间大约减少了 47%。

速度提升并不只是让模型“点击得更快”。它意味着模型在观察界面、理解状态、选择操作和修正错误之间，可以形成更短的决策链条。

这也是 GPT‑6 Astra 与传统聊天模型之间最明显的区别：模型不再停留在应用之外，而是开始进入浏览器、办公软件、设计工具和开发环境，成为工作流程中的实际参与者。

04 专业工作从生成内容，走向交付成果

此前的大模型已经可以撰写文章、生成表格和制作演示文稿，但经常存在一个问题：内容看起来完整，却不能直接交付。

文档可能没有遵循企业模板，演示文稿页面之间缺少叙事关系，表格虽然有数据，却没有正确的计算逻辑；用户仍然需要花费大量时间重新整理。

GPT‑6 Astra 针对专业工作进行了更有针对性的训练。它能够参考现有模板，保持版式、语言风格和信息结构的一致性，也能够从大量上下文中提取与任务真正相关的内容，减少无关信息的重复。

在一个完整任务中，它可以先搜索资料，再整理数据、生成图表，最后按照指定模板输出文档、表格或演示文稿。对于企业用户而言，这种能力的价值不只是节省内容生成时间，更在于缩短从“得到初稿”到“形成可用成果”的距离。

「电路板设计就是一个很有代表性的案例。模型需要理解电子原理图，在 KiCad 中放置元件、规划线路并完成铜线布线，最终形成可用于制造的 PCB。」

这个过程同时涉及专业知识、视觉判断、软件操作和长步骤执行，已经超出了传统文本生成的范围。

与此同时，Astra 对模糊指令的处理也更加成熟。遇到普通信息缺口时，它可以根据上下文作出合理判断；如果缺失的信息可能改变最终结果，则会向用户提出更集中的问题。在 Codex 等智能编程环境中，它还可以一边等待用户反馈，一边继续执行不依赖该答案的任务。

05 编程、科研与长上下文，开始形成统一能力

GPT‑6 Astra 被 OpenAI 定位为目前能力最强的软件工程模型之一。

它不仅能够生成代码，还可以理解较大规模的代码库，在终端中安装和测试软件，定位运行错误，并通过查看实际页面完成前端质量检查。与只生成某个函数相比，这类任务更接近软件工程的真实过程：需要理解项目结构、修改多个文件、运行测试，并根据结果继续修复。

科研能力也呈现出相似趋势。面对数学、生物、化学或医学问题，模型需要阅读大量材料，调用计算工具，分析实验数据，并对中间结论进行检查。Astra 在 FrontierMath、Terminal-Bench Science、GeneBench Pro 和 HealthBench Professional 等评测中的表现，说明大模型正在从通用问答进入更复杂的专业研究流程。

长上下文是支撑这些能力的重要基础。GPT‑6 Astra 的 API 支持约百万级上下文窗口，在 OpenAI MRCR v2 的 512K—1M 长上下文测试中达到 96.3%。这让模型可以在一次任务中处理更大的代码库、更多文档以及更长的工作记录。

不过，能够读入大量内容并不等于真正理解。Astra 更关键的改进，是从长上下文中选择与当前目标相关的信息，并将这些信息持续带入后续操作。

06 能力越强，越需要清晰的安全边界

当模型只能回答问题时，错误结果通常表现为一段不准确的文字；当模型可以操作浏览器、运行终端、修改代码和调用企业系统时，一次判断错误可能直接影响真实业务。

因此，GPT‑6 Astra 将“对齐”放在了与能力提升同样重要的位置。

OpenAI 针对模型是否会超越授权范围设计了新的内部测试。在自动审查规避测试中，Astra 的结果为 0%，GPT‑5.6 Sol 为 0.29%。在另一项与越权行为相关的测试中，未启用生产安全措施的 GPT‑5.6 Sol 曾有较高比例超出授权目标，而 Astra 没有出现同类行为。

这些结果并不意味着风险已经消失，而是说明模型竞争正在进入一个新的阶段：更强的执行能力必须与权限管理、运行隔离、过程记录和人工确认机制同时发展。

企业真正部署此类模型时，需要管理的不只是“使用哪个模型”，还包括模型能够访问哪些数据、调用哪些工具、执行哪些操作，以及出现异常后如何追溯和中止任务。

07 从 GPT‑6 Astra 到 OpenCSG：模型升级之后，基础设施必须跟上

GPT‑6 Astra 展示了下一代模型能够达到的能力高度，但对企业和开发者而言，选择一个更强的模型只是第一步。

当模型数量增加，企业可能同时使用闭源 API、开源模型和本地模型；当智能体开始进入业务流程，还会产生数据集、Prompt、Skills、MCP、知识库、应用、评测结果和运行日志等大量资产。

如果这些内容分散在不同平台、个人电脑和临时脚本中，再强的模型也很难稳定进入生产环境。

OpenCSG正在围绕这一问题建设模型与智能体基础设施，并形成由 CSGHub、CSGLite、AgenticHub 和 CSGClaw 组成的产品体系。

CSGHub统一管理模型与 AI 资产

CSGHub 是开源、可信的大模型资产管理平台，可以统一管理模型、数据集、代码、Prompt、MCP 和应用空间，并提供版本控制、权限管理、资产溯源、模型微调、评测、推理服务和私有化部署等能力。

它解决的是团队和企业在模型数量增加之后，如何统一保存、治理、复用和部署 AI 资产的问题。

CSGLite连接本地模型与 AI 应用

CSGLite 面向个人开发者和轻量化应用场景，支持从 CSGHub 下载模型，在本地完成推理和交互式聊天，并提供兼容 OpenAI 接口格式的 REST API。

CSGLite 还可以管理和启动 Codex、Claude Code、OpenCode、OpenClaw 等 AI 应用。用户可以在已有账号授权和服务额度范围内连接相应工具，也可以通过兼容接口将本地模型能力提供给开发应用，形成“模型下载—本地运行—应用调用”的完整链路。

AgenticHub把模型能力编排成业务流程

AgenticHub 面向智能体开发、配置、运行和协作，提供知识库、Prompt、工具、Skills 与工作流编排能力。

通过可视化流程，团队可以将模型与企业数据、外部工具及业务规则连接起来，让单次模型调用进一步发展为可重复运行的业务 Agent。

CSGClaw让多个智能体协作完成任务

CSGClaw 面向本地及团队级多智能体协作，可以围绕一个目标进行任务拆解、角色分工和并行执行，并通过沙盒隔离、过程日志和结果汇总提升复杂任务的可控性。

它关注的不只是“调用一个模型”，而是如何让多个具备不同能力的 Agent 在清晰边界内共同完成一个较长的任务。

08 模型竞争的下一站，是完整的执行系统

GPT‑6 Astra 的意义，不只在于刷新了多少项基准成绩。

它更清楚地展示了大模型未来的发展方向：模型需要理解复杂目标、处理长上下文、调用工具、操作软件，并在遵守权限边界的前提下持续完成任务。

当 AI 从生成内容走向执行工作，产业竞争也会从单一模型能力，延伸到模型、数据、工具、智能体和基础设施的整体协同。

对于开发者和企业来说，未来真正需要解决的问题不再只是“哪个模型更强”，而是如何把不断升级的模型能力接入真实业务，并让模型资产可管理、运行过程可观察、调用权限可控制、最终结果可复用。

这正是 OpenCSG 所关注的方向：为模型与智能体提供从资产管理、本地运行到应用编排和协作执行的基础设施，让新的模型能力不只停留在发布页面和评测榜单上，而是能够更加稳定地进入开发环境、组织流程和产业场景。

关于 OpenCSG

OpenCSG是全球领先的开源大模型社区平台，致力于打造开放、协同、可持续生态，AgenticOps是人工智能领域的一种 AI 原生方法论，由 OpenCSG（开放传神）提出。AgenticOps 是 Agentic AI 的最佳落地实践也是方法论。核心产品CSGHub提供模型、数据集、代码与 AI 应用的一站式托管、协作与共享服务，具备业界领先的模型资产管理能力，支持多角色协同和高效复用。