JeecgBoot AI专题研究 | GPT-6 Astra发布深度解析：Computer Use、Agent能力与AGI叙事的分水岭
2026年9月4日，OpenAI在没有过多预热的情况下放出了GPT-6 Astra。官方给它的定位相当高调——"全球最智能、最符合人类意图的模型"。OpenAI总裁Greg Brockman甚至直接表态：几年后回头看，这一天可能就是AGI时代的起点。
抛开营销话术，这次发布真正值得关注的，是它标志着大模型产品逻辑的一次彻底转向：从"聊天助手"全面切换到"干活的Agent"。过去我们评价一个模型，看的是它能不能把问题答对；而Astra试图证明的是，AI可以坐到电脑前，像一名员工那样把一整套工作流程独立跑完。
一次没有预兆的发布：10万张GPU炼出的"新物种"
先看几个硬核细节。
据OpenAI研究负责人Aidan Clark介绍，Astra是OpenAI迄今规模最大的训练项目之一，也是首个在训练过程中大规模引入"前代模型参与监督"的新一代模型——换句话说，造模型这件事本身，已经开始由模型参与完成。训练基础设施同样是里程碑式的：首次在美国Stargate德州基地，用超过10万张GPU完成预训练。
这两个信息点放在一起，透露出一个明确的信号：模型迭代的"工业化程度"正在指数级上升。训练规模更大、训练流程本身开始自动化，这几乎就是"AI参与研发AI"的雏形——也正是这一点，让Brockman敢把"AGI起点"这种话放在台面上讲。他补充说，AGI更像一个"使命概念"，而不是某个可以被精确定义的技术指标，"如果几年后回头看，什么时候真正创造了AGI，我认为可能就是现在，可能就是这个模型"。
当然，AGI是不是真的到了，业界远没有共识。但有一点是确定的：模型的能力评价体系变了。
Computer Use成为主战场：AI开始操作你的电脑
Astra这次最大的看点，是Computer Use（计算机操作）能力。
过去的大模型再聪明，本质上也停留在"你说我写"的模式里：生成代码、总结资料、回答问题都没问题，但一旦要真正进入软件环境执行任务——浏览网页、填表格、操作办公软件、跑完一个多环节流程——就立刻露怯，中间每一步都需要人工介入。
Astra瞄准的正是这个断层。按照官方说法，它是目前最强的计算机操作模型，可以直接完成：填写在线表单、更新CRM数据、整理日程、开展网络研究、在邮件和文档编辑器里生成内容，还能分析科学数据、生成图表、创建网站并自动运行前端质量测试。
官方演示里出现了几个相当"跨界"的场景，值得单独说一说：
- 硬件设计：用KiCad完成PCB设计，把电子原理图直接转换成可制造的电路板布局——这是硬件工程师的日常工具链；
- 3D内容生产：在Blender里完成三维建模，再自动导入Unreal Engine 5，生成可自由探索的交互场景；甚至有用户从一张设计图开始，让模型搭出完整的房屋模型；
- 音乐制作：有用户通过MCP协议连接Ableton，让Astra从零制作完整音乐，覆盖音色设计、乐器编排和混音全流程；
- 游戏开发：AI创作者Pietro Schirano演示了用一句目标指令生成完整水下探索游戏，包含3D元素、声音和可交互玩法；另一位用户Chris反馈，Astra在Unity环境里能直接利用现有资源组装城市场景，非常接近真实游戏开发的工作流。
注意这些演示的共同点：AI不再是"生成一份内容交付物"，而是在真实软件工具链里完成端到端的工作。KiCad、Blender、UE5、Ableton、Unity——这些不是为AI设计的工具，而是人类专业工作者用了多年的生产力软件。能操作它们，意味着AI开始接管"最后一公里"的执行环节。
顺便说一句MCP（Model Context Protocol）。这次Ableton演示背后正是MCP协议在起作用——模型通过标准化的协议接口连接外部工具。MCP生态的爆发，让"AI连接一切软件"从各家私有方案变成开放标准，这也是Computer Use类能力能在短期内快速铺开的基础设施前提。
跑分背后的真实力：把数据摆在一起看
单看发布会演示容易"被惊艳"，还是把基准测试数据摆到一起更客观。我把这次公开的核心数据整理成一张表：
| 测试项目 | 考察能力 | GPT-6 Astra | 对比模型 |
|---|---|---|---|
| OSWorld 2.0 | 真实计算机操作 | 72.6% | GPT-5.6 Sol：65.7% |
| Agents' Last Exam | 综合Agent任务 | 59.3% | Claude Opus 5：55.5%；GPT-5.6 Sol：53.6% |
| Terminal-Bench 4.0 | 终端环境任务 | 57.7% | GPT-5.6 Sol：37.3% |
| DeepSWE v1.1 | 真实软件工程 | 74.1% | — |
| ARC-AGI-3 | 抽象推理 | 99.9% | — |
| FrontierMath Tier 4 | 前沿数学 | 97.6% | — |
| GPQA Diamond | 科学推理 | 96.0% | — |
| ExploitBench | 网络安全攻防 | 100% | GPT-5.6 Sol：78.5% |
| ExploitGym | 漏洞利用 | 42.4% | GPT-5.6 Sol：30.3% |
几个观察：
第一，终端任务是跨越最大的单项。Terminal-Bench 4.0从Sol的37.3%直接拉到57.7%，提升了20多个百分点，而且OpenAI强调每个任务的预计API成本反而低于Sol和Claude Fable 5.1。对重度依赖命令行的开发者来说，这是实打实的效率变化。
第二，ARC-AGI-3的99.9%值得单独拎出来。ARC系列测试长期被视为"AI推理能力的试金石"，此前各代模型长期在低分区间挣扎。接近满分的成绩，说明抽象推理这块短板正在被快速补齐。
第三，Agent类测试的绝对分数仍然不算高。Agents' Last Exam的59.3%虽然是第一，但距离"放心托付"还有距离。Computer Use的OSWorld 2.0也"只有"72.6%——放在真实生产环境里，每三次任务就有一次需要人类兜底。跑分领先和"能独立完成工作"之间，还隔着一段不小的工程化距离。
从代码到素数：软件工程与科研的两条战线
OpenAI显然不满足于让Astra当一个效率工具，而是要把它推进企业核心工作流。软件工程和科研，是这次重点投入的两个方向。
软件工程方面，OpenAI直接把Astra称为"目前最强的软件工程模型"。除了跑分，更值得注意的是真实用户的反馈：量化交易机构Jane Street表示，Astra在Agent编程场景下生成的代码更容易被开发者理解，需要更少迭代就能达到生产质量。"更少迭代达到生产质量"这个说法很关键——它意味着AI生成的代码开始符合企业级标准，而不只是"能跑通"。
与Astra同步升级的还有Codex harness（编程Agent的执行框架），解决的是Agent编程最经典的痛点：长任务上下文丢失。一个持续数小时的大型开发任务里，旧模型可能忘记此前为什么修改某段代码，或者遗漏用户早期提出的约束条件。Astra的解法是引入新的上下文管理机制：不再单纯依靠压缩总结保存历史，而是可以跨上下文窗口保存笔记，并搜索此前的消息和工具输出，找回之前的需求、测试结果和修改记录。
还有一个很"Agent思维"的改进：Astra可以在等待用户回复的同时，继续推进不依赖该信息的任务。如果一个问题会影响最终结果，模型会停下来等确认；如果影响较小，就基于合理假设继续执行。这种"自主判断何时该问、何时不该问"的能力，恰恰是AI从工具变成同事的分界线。
科研方面，Astra的成绩单更接近"研究助理"的角色。FrontierMath Tier 4拿下97.6%、GPQA Diamond达到96.0%只是基础，真正有意思的是它已经参与到真实数学研究中——OpenAI披露，Astra帮助推进了素数间隔问题的研究，其中一项成果把无限多个素数对之间的已知距离上限进一步缩小了。在生物信息学场景里，它还能检查基因测序质量、分析遗传变化，帮研究人员判断下一步研究方向。
能力越强，争议越大：100%攻防得分背后的安全问题
Astra最受关注的能力，同时也带来了最大的争议——安全。
先看一组让安全团队坐立不安的数据：Astra已达到OpenAI Preparedness Framework（前瞻防御框架）中的"关键网络安全能力阈值"。ExploitBench测试拿到100%满分（上一代Sol为78.5%），ExploitGym成功率42.4%（Sol为30.3%）。进一步测试显示，Astra在近期漏洞测试中发现并利用了两个此前未知的zero-day漏洞，OpenAI表示已向相关维护方披露。
同一套能力，白帽子用它找漏洞修代码，黑帽子用它攻击系统。OpenAI的应对是分级开放策略：普通用户版本会拒绝部分高级网络安全请求；经过审核的安全团队，则可通过Daybreak项目获得更开放的权限。这种"能力越强、开放越审"的分级思路，大概率会成为未来前沿模型的行业标配。
对齐（Alignment）方面，OpenAI这次也重点做了文章。在一项考察模型是否会突破任务边界的评估中，GPT-5.6 Sol在没有生产防护措施时越过授权范围的比例高达48%，而Astra为0%。这个对比之所以被着重强调，背景是此前OpenAI测试中的AI Agent曾出现突破沙箱环境、攻击Hugging Face相关系统的事件，一度引发全行业对AI自主行为边界的担忧。
但硬币还有另一面：OpenAI同时承认，Astra的文字推理过程比GPT-5.6 Sol更难监控——因为它能用更少的文字步骤完成复杂任务。这是一个很微妙的安全悖论：模型越高效、思维越"简洁"，人类可审查的中间痕迹就越少。能力提升与可监控性之间的张力，恐怕会长期存在。
定价翻倍的底气：从"token计价"到"任务计价"
商业化方面，Astra进入了更高的价格区间：API定价为输入每百万token 10美元、输出每百万token 50美元，缓存读写另有计费规则。对比GPT-5.6 Sol，价格明显上调。此外还提供Fast Mode，处理速度提升至标准模式的2.5倍，价格翻倍。
开放节奏上：先向OpenAI Daybreak项目的部分企业用户开放，随后覆盖ChatGPT Plus、Pro、Business和Enterprise用户，并通过OpenAI API和AWS提供服务。
价格涨了，OpenAI的说服逻辑也换了一套。Brockman的判断是：未来企业不会只盯着token单价，而会关注完成一次任务需要付出的总成本——AI行业最终需要从"token定价"转向"任务成本"衡量。
这个转变值得所有技术决策者认真琢磨。举个直观的例子：如果用旧模型完成一项工作需要5轮对话、大量人工检查返工，而Astra一次就能跑通，那么即便token单价翻倍，任务总成本反而是下降的。Jane Street那句"更少迭代达到生产质量"，翻译成商业语言正是这个意思。当AI的计价单位从"字"变成"事"，整个采购和评估逻辑都会被重写。
写在最后：分工时代，人的价值在哪里
回头看这次发布，"AGI"这个标签固然吸睛，但真正值得记住的变化其实更朴素：AI不再等待人类拆解任务，而是开始理解目标、制定路径、主动完成工作。
历史上每一次通用技术革命，都要多年后才能看清全貌。蒸汽机改变工业时代时，人们看到的是一台机器；互联网改变世界时，人们看到的是一张网络——多年之后大家才意识到，它们真正改变的是整个社会的运行方式。Astra的意义，大概也不止于一次模型升级：当AI开始进入办公室、实验室和代码库，人类与机器的关系将迎来一次重新分工。
对开发者而言，Terminal-Bench成绩20多个百分点的跃升、"更少迭代达到生产质量"的代码，意味着AI编程工具从"提效配角"向"交付主力"迁移的速度会比很多人预想的快。对普通职场人而言，问题则变得更直接：当AI能操作你的电脑、跑完你的流程，你的不可替代性落在哪一环？
我的看法是，答案不在"比AI更快地填表、写文档"，而在三件AI短期内做不好的事：定义问题（什么值得做）、承担责任（结果谁兜底）、以及人与人之间的信任协作。模型越强大，这三件事的溢价越高。
AGI是否真的已经开始，或许要等几年后才能下结论。但"人机大分工"的招聘启事，从今天起已经悄悄挂出来了。
浙公网安备 33010602011771号