9月5日，OpenAI全量推送了新一代大模型GPT-6 Astra，面向所有付费订阅用户开放使用。此前一天，OpenAI在面向部分企业用户的发布会上正式亮相该模型，并宣布其训练动用了10万GPU集群，为该公司迄今规模最大的一次训练。OpenAI总裁Greg Brockman在介绍该模型时称“欢迎来到AGI时代”。
与前几代模型相比，GPT-6 Astra在多个关键基准测试中表现突出。在强调陌生环境中学习与抽象推理的ARC-AGI-3测试中，该模型得分从上一代GPT-5.6 Sol的7.8％跃升至99.9％；在研究级数学基准FrontierMath Tier 4上得分达到98，OpenAI官方将这一成绩形容为“饱和”，即分数已达测试上限；漏洞利用测试ExploitBench上则取得满分100％，上一代为78.5％。ARC Prize Foundation的Greg Kamradt评价称：“在96％的测试层级上，Astra超越了我们的人类行为效率基线，实际上达到了人类水平。”
值得注意的是，GPT-6 Astra在ARC-AGI-3上的99.9％高分是在OpenAI为自家模型适配的Harness上跑出的。根据X平台ARC Prize发布的测评结果，去除该适配环境后的得分为62.7％，仍为第二名Claude Opus 5的两倍。厂商使用自研评测框架并非个例，DeepSeek上月底发布的DeepSeek V4 Flash同样基于自研Harness测试，并将该工具作为独立产品推向市场。
GPT-6 Astra在部分任务上也出现“倒退”情况。以测评模型Agent能力的指标之一“人类终极测试”（Humanity’s Last Exam）为例，该模型成绩为57.2％，低于GPT-5.6 Sol与Anthropic的Fable 5.1。按照Artificial Analysis的通用智能指数，GPT-6 Astra为61.2，与上一代Sol的60.9基本持平，该机构评测指标多集中于知识、推理等能力，未完全覆盖新模型的主要优势领域。
在编程场景，GPT-6 Astra在Terminal-Bench 4.0（测评智能体在复杂终端任务上的表现）上得分57.9％，超过Fable 5.1的55.8％和GPT-5.6 Sol的37.3％。已有多位网友展示了使用该模型生成的射击游戏、开放世界冒险游戏等作品，从建模和实际体验来看已达到成品级别。智能体维度方面，该模型在Agents’ Last Exam（真实软件中完成金融建模、工程设计、媒体制作等专业任务）上得分59.3％，高于上一代的53.6％；在OSWorld 2.0（真实桌面环境中完成屏幕操作）上得分72.6％；在跨系统业务流程的AutomationBench上，得分从GPT-5.6 Sol的18.1％大幅提升至41.4％。
在实际使用层面，GPT-6 Astra表现出更低的Token消耗和更短的任务耗时。Perplexity在其AI研究智能体评估框架中测出，Astra的单次任务花销低于Anthropic新近发布的Fable 5.1。现场演示和用户实测中，该模型可完成操作电脑、填表单、建网站，以及将电子原理图排成可投产的PCB、在Blender中建模并转进虚幻引擎等复杂任务。
GPT-6 Astra的发布紧随全球AI服务大规模宕机事件之后，时间节点颇为紧凑。Anthropic的Fable 5.1发布不到一周，即被新模型抢去风头。这一代模型的训练规模和性能表现，延续了Scaling Law在AI领域的持续有效性，但部分基准测试的“偏科”表现也提示，模型能力的均衡性仍有待观察。随着全量推送的完成，GPT-6 Astra在真实业务场景中的实际表现，将是对其“AGI时刻”宣言的下一步检验。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
