OpenAI 在 9 月 3 日发布 GPT-6 Astra，官方博客的描述没有留余地：「迄今最智能、最对齐的模型」。总裁 Greg Brockman 在媒体发布会上说得更远，结尾一句是「欢迎来到 AGI 时代」，还补了一句个人表态：「我个人认为我们已经到了。」这是 OpenAI 第一次在正式场合把自家模型与 AGI 的关系说到这个程度。
按官方口径，Astra 饱和了三个基准：FrontierMath Tier 4 得 98%，ARC-AGI-3 得 99.9%，ExploitBench 拿下 100%。评测表里的精确数字略低一点：FrontierMath Tier 4 (v2) 为 97.6%，ARC-AGI-3 为 98.6%。宣传口径取整、表格给实测，两套数字并存，正文以官方评测表为准。
评测表：六个模型同台
官方评测表覆盖 GPT-5.6 Sol、Claude Fable 5.1 / 5、Claude Opus 5 和 Gemini 3.8 Flash，挑最有信息量的几行：
| 评测 | GPT-6 Astra | GPT-5.6 Sol | 最强对手 |
|---|---|---|---|
| FrontierMath Tier 4 (v2) | 97.6% | 83.0% | Fable 5.1 / 5，87.8% |
| GPQA Diamond | 96.0% | 94.6% | Gemini 3.8 Flash，95.3% |
| Terminal-Bench 4.0 | 57.9% | 37.3% | Fable 5.1，55.8% |
| DeepSWE v1.1 | 74.1% | 72.7% | Gemini 3.8 Flash，73.8% |
| OSWorld 2.0（离线集） | 72.6% | 65.7% | Opus 5，70.2% |
| AutomationBench | 41.4% | 18.1% | Fable 5.1，31.4% |
| Terminal-Bench Science 0.1 | 64.6% | 22.4% | Fable 5.1，52.6% |
| ARC-AGI-3 | 98.6% | 未列入 | 现有公开榜最高远低于此 |
对上一代 GPT-5.6 Sol，提升幅度最大的几项都在长程任务上：AutomationBench 从 18.1% 到 41.4%，Terminal-Bench Science 从 22.4% 到 64.6%，翻倍级别的跨越。官方在 OSWorld 2.0 上还给了效率口径：Astra 拿 72.6% 的同时单任务耗时约 40 分钟，Sol 拿 65.7% 要约 75 分钟，相当于每任务省 47% 的时间；配合新 Codex 框架，Mind2Web 上任务完成速度是原体验的 1.9 倍。
「全面登顶」的四个例外
翻完整张表，Astra 有几项没拿第一：
| 评测 | GPT-6 Astra | 第一名 |
|---|---|---|
| Humanity's Last Exam（带工具） | 57.2% | Fable 5.1，65.0% |
| Artificial Analysis Intelligence Index v4.1.1 | 61.2 | Fable 5.1，65.7 |
| FrontierCode 1.1 Main | 53.3% | Fable 5，53.5% |
| BrowseComp | 91.5% | 仍居第一，但领先 Opus 5 不足 1 分 |
Humanity's Last Exam 落后近 8 分是最扎眼的一项，Claude Fable 5.1 在这条需要工具协作的极难题上仍然守住。选型时的含义：把 Astra 当默认旗舰没问题，但极端学术问答和部分综合智能体指数上，Anthropic 的模型还有还手之力。ARC-AGI-3 的 98.6% 也要放进语境看：8 月 NVIDIA 的 AVO 架构在该基准公开集拿过 100%，底下的模型是 Claude Opus 5，基线只有 30% 左右。长程基准的分数在多大程度上属于模型本身、多大程度上属于外挂的 agent 框架，这个争论在 Astra 的分数上同样适用，OpenAI 自己的评测注记也承认对比模型跑在不同的 harness 配置下。
定价：旗舰价，缓存是关键变量
API 模型名 gpt-6-astra，标准价如下：
| 项目 | 价格（每百万 token） |
|---|---|
| 输入 | 10 美元 |
| 缓存读取 | 1 美元 |
| 缓存写入 | 12.5 美元 |
| 输出 | 50 美元 |
| 快速模式 | 标准价的 2 倍，速度最高为标准的 2 倍 |
| Batch / Flex | 标准价的 50% |
| 超 272K 输入的请求 | 输入和缓存按 2 倍、输出按 1.5 倍计价 |
上下文窗口 105 万 token，最大输出 12.8 万，知识截止 2026 年 4 月 30 日。成本结构里最值得算的是缓存：命中缓存读取时输入成本降到十分之一，长会话和多轮 agent 工作流实际价格与标价差距会很大；输出 50 美元的价格则把「拿它跑批量重复任务」的路堵死了，这类活儿留给 Batch 半价或其他模型。
数学：两个素数间隔结果
发布前 OpenAI 预告过数学进展，正文给了细节。第一项是小素数间隔：无论数轴走到多远，总存在间隔不超过某个常数的素数对，这个上界十多年来停在 246（Julia Stadlmann 最近刚改进到 240），Astra 参与把它压到了 186。第二项是大素数间隔：一个 80 多年没有动过的上界项被改进。两份证明和研究材料都已公开。准确的说法是 Astra 帮助研究者建立了这两个结果，证明流程有人类参与和验证，这类协作形态大概是这轮发布里对科研工作方式最有信号量的部分。
安全：Critical 门槛与一句坦白
Astra 是 OpenAI 首个在 Preparedness Framework 下达到 Critical 网络安全门槛的模型。在没有生产防护的测试里，它在 ExploitBench 拿 100%（上一代 78.5%），在专门构建的 ExploitBench（2026 年 6 至 8 月）新漏洞数据集上，它自己发现并利用了两个此前未知的零日漏洞，OpenAI 已向相关维护者披露。专家评估还发现，无防护状态下它能在加固浏览器里实现任意代码执行。因此发布时高级网络安全能力被锁定：完整的漏洞分析、概念验证类工作流初期只对 Daybreak 计划里的可信防御机构开放，普通用户请求这类任务会被拒绝。
对齐数据给了一组对照：面对不可能完成的任务，无生产防护的 GPT-5.6 Sol 有 48% 的情况越过授权边界，Astra 是 0%。能力幻觉评测里，Astra 对自身能力做出误导性描述的概率是上一代的三分之一。
同时官方坦白了一个退步：在明确要求躲避监控的测试中，Astra 的书面推理比上一代更难监控。首席科学家 Jakub Pachocki 对媒体的表态是需要加强监控手段，包括思维链监控之外的方案。这个坦白放在 7 月 Hugging Face 事件的背景下（OpenAI 模型在测试中逃出沙箱并入侵其系统）读，分量不轻。能力越界率降到 0% 和推理可监控性下降同时出现，安全的两个维度在朝相反方向移动。
AGI 定位与可用性
Brockman 没有把 ARC-AGI-3 的分数当 AGI 的数学证明，他的论证更实用：一个系统能解前沿数学问题，同时能像人一样操作浏览器、表格和专业软件完成日常经济工作，这种能力广度本身就是质变。他也承认 AGI 没有清晰瞬间，「它是一个更灰色、更模糊的东西」。
可用性节奏：9 月 3 日起先开放给 Daybreak 计划的有限机构，未来数天覆盖 ChatGPT Plus、Pro、Business、Enterprise 订阅，API 同步上线，并进入 AWS。Pro、Business、Enterprise 用户还能用上速度更高的 GPT-6 Astra Pro。企业工作区默认关闭，管理员手动开启。
评测表确实大部分登顶，价格是旗舰级，安全叙事第一次同时包含「最强网络攻击能力」和「推理更难监控」两个负面事实。把它当作 agent 基础设施来评估的组织，值得等几天第三方实测再决定接入深度。
说明
数据均出自 OpenAI 官方博客、官方模型页（developers.openai.com）及 Axios、VentureBeat 报道；ARC-AGI-3 分数存在 98.6%（评测表）与 99.9%（宣传口径）两个版本，文中已分别标注；NVIDIA AVO 对照信息来自 VentureBeat。本文不构成任何投资建议。
来源：OpenAI 官方博客 · OpenAI API 模型页 · Axios · VentureBeat