OpenAI发布GPT-6 Astra：编程科研Agent全面实测解读

GPT-6 Astra 来了

GPT-6 Astra 来了！感觉这像是带着漫天星辰而来~~ 哈哈

当地时间9月3日，OpenAI 正式发布 GPT-6 Astra，并将其定义为“新一代智能”。Astra 在拉丁语中，意思是“星辰、群星”。ChatGPT 官方在发布前曾预告：“The stars are almost aligned（星星几乎排列好了）。”

OpenAI 称，Astra 是“当今世界智能水平最高、对齐表现最好的模型”!

OpenAI 总裁格雷格·布罗克曼（Greg Brockman）表示，人们未来或许会回头将这个时间、这个模型视为 AGI 到来的节点，并称：“欢迎进入 AGI 时代。”

OpenAI CEO 山姆·奥特曼（Sam Altman）发文表达期望，希望 Astra 能够开启“新一代的创业、科学发现与创造”，并认为 Astra 在电脑操作、专业工作、科学研究、编程、网络安全等诸多领域，都是“最强的模型”。

这是否就意味着，Astra 将在电脑操作、浏览器使用、软件工程、网络安全、科学研究和专业工作等领域实现 AGI 的进一步突破。

GPT-6 Astra Coding 能力

我也算半个程序猿，比较看重这块。

编程能力仍然是 GPT-6 Astra 的重要卖点，也是很重要的战场。

OpenAI 称，Astra 是其迄今为止“最强的软件工程模型”。我记得上次说“迄今最强”，还是 Claude Code 才回来那会儿~

在 Terminal-Bench 4.0 中，Astra 拿到 57.7%，GPT-5.6 Sol 为 37.3%，Claude Fable 5.1 为 55.8%。

在 DeepSWE v1.1 中，Astra 达到 74.1%，GPT-5.6 Sol 为 72.7%；内部数据库迁移任务达到 63.9%，相比 Sol 的 42.7% 提升明显。

在 FrontierCode 1.1 Extended 中，Astra 为 64.5%，GPT-5.6 Sol 为 60.6%；在内部数据库迁移任务中，Astra 为 63.9%，GPT-5.6 Sol 为 42.7%。

OpenAI 此次还改进了 Astra 处理超长编程任务的方式。

在过去的长时间编码任务中，当上下文窗口被占满时，模型通常需要对此前的工作进行压缩总结。这样做虽然可以继续工作，但一些细节可能在压缩过程中丢失。

Astra 在 Codex 中引入了新的上下文保存机制，可以跨上下文窗口保留之前的笔记，并在之后检索此前的需求、测试结果以及工具输出。

GPT-6 Astra 的编程能力强是很强的，是不是如官方说的那样呢？我们大家还是多实践下，毕竟刚出的 Claude Fable 5.1 也是蛮 6 的~

GPT-6 Astra 其他性能

在电脑操作方面，Astra 可以自主填写网络表单、更新 CRM 客户记录、整理日历，也可以进行网络搜索、在邮件或文档编辑器中撰写总结。

Astra 还可以分析科学数据、生成图表、创建网站等。对于软件开发任务，Astra 可以自主安装和测试软件，并根据屏幕上出现的问题进行排查，运行前端质量测试。

与传统聊天机器人不同，用户可以向 Astra 直接给出一个目标。例如，“帮我整理一份财务分析并做成演示文稿”，或者“开发一个游戏原型并测试它是否能正常运行”。模型自己拆解任务、调用不同工具、持续执行，再把最终结果交付出来。

在 OSWorld 2.0 测试中，模拟真人操作电脑。上一代 GPT-5.6 Sol 一个任务平均要 75 分钟，Astra 仅 40 分钟，分数还从 65.7% 涨到 72.6%，性能更高。OpenAI 据此称Astra 完成任务所需时间比 GPT-5.6 约减少 47%。

在 Mind2Web 测试中，结合更新后的 Codex harness 后，Astra 的任务完成速度达到当前 GPT-5.6 Sol 体验的 1.9 倍。

Agents’ Last Exam 测试中，Astra 的Agent基准得分显著高于前代的 GPT-5.6。测真实软件里的专业任务，从财务建模到工程制图，Astra 得分 59.3%，赶超 Claude Opus 5（55.5%）和 GPT-5.6 Sol（53.6%）。在最高分设置下，它使用的输出 Token 还比 Opus 5 少约 65%。

OpenAI 公布的 Professional 评测中，Astra 在 AutomationBench 取得 41.4%，GPT-5.6 Sol 为 18.1%；差距尤其明显。

在 BenchCAD 中分别为 95.9% 和 83.3%；在 BrowseComp 中分别为 91.5% 和 90.4%。

这些指标分别覆盖自动化任务、计算机辅助设计以及网络信息检索等不同工作场景。这表明 Astra 正在被用于更加接近真实生产流程的任务。

科学研究也是此次 GPT-6 升级的重要方向。OpenAI 称，Astra 已经帮助解决一些长期存在的数学开放问题，并公布了关于质数间隔的新结果。

OpenAI 称，Astra 在数学和科学领域取得新的纪录。在 FrontierMath Tier 4（v2）中，Astra 得分 97.6%。

在 ARC-AGI-3 中，OpenAI 给出的成绩为 99.9%；在 GPQA Diamond 中为 96.0%。

在科学和健康相关评测中，Astra 在 GeneBench Pro 中取得 37.8%，MedChemBench 为 49.3%，LifeSciBench 为 60.3%，HealthBench Professional 为 63.4%。

OpenAI 还强调，Astra 可以将科学推理和电脑操作结合起来，直接进入专业软件检查数据、探索结果，帮助研究人员分析证据，并决定下一步值得研究什么。

奥特曼在接受外媒采访时表示，Astra 在主观体验上与此前任何模型都非常不同，这是第一个让他觉得可以放心让用户直接“试一试”的模型。

用户可以让 Astra 构建复杂互动软件、开发电脑游戏、进行 DIY 电子工程、运行科学模拟，甚至制作财务模型并同步生成 PPT 演示文稿。

OpenAI 表示，Astra 将复杂推理与多步骤工作流结合起来，可以直接生成和处理与任务相关的信息。

写在最后

前两天，Anthropic 才宣布推出 Claude Fable 5.1 和 Claude Mythos 5.1 模型，号称这两款模型为“全球最先进的编程与知识工作模型”。

现在，OpenAI 发布 GPT-6 Astra，被称做是“当今世界智能水平最高、对齐表现最好的模型”!

大家仔细对比下，Claude 和 GPT 的竞争非常激烈，发布新模型的时机上也是很有意思！！！新模型发布前后脚按着来，就怕用户不知道去对比新出的模型似的~~

究竟是 Claude Fable 5.1 独领风骚，还是 GPT-6 Astra 更胜一筹呢？欢迎大家自行测试，这里的云栈社区也有不少技术同好在讨论，欢迎把你的评价留在评论区吧！