GPT-6 Astra震撼发布，AGI评测基准或被误读

9月3日，OpenAI正式揭晓了新一代模型GPT-6 Astra及相关演示视频。该模型名称寓意为「星辰」，官方将其誉为「全球最聪明、最对齐的AI系统」。

本次发布采取分批推送策略，最初仅向特定机构开放，随后数日陆续覆盖ChatGPT Plus、Pro、企业及商务用户，并同步登陆OpenAI API与Amazon Bedrock平台。

价格调整成为本次更新的焦点。Astra API的输入端定价为每百万token 10美元，输出端则为50美元，较上一代GPT-5.6 Sol涨幅显著。系统还提供Fast模式，最快可达标准模式的2.5倍速度，相应价格也翻倍。据披露，全新模型Astra的训练依托位于德克萨斯州的Stargate设施，动用了逾10万块GPU，是OpenAI迄今规模最大的一次训练工程。

毫无疑问，Astra交出了一份耀眼的成绩单。抽象推理层面，ARC-AGI-3指标高达98.6%，通用任务表现优势突出。学术与数学维度，FrontierMath Tier 4取得97.6%，GPQA Diamond达96.0%，Humanity's Last Exam在工具辅助下为57.2%。电脑操作方面，OSWorld 2.0斩获72.6%，每个任务平均耗时约40分钟，比GPT-5.6 Sol少约47%。在Mind2Web测试中，GPT-6的任务完成速度是Sol的1.9倍。长上下文处理方面，在256K至512K区间的八针检索测试中获得满分。

此外，模型的应用场景进一步拓展。除游戏设计、科学研究之外，Astra已支持自主设计电路元器件，将电子原理图转化为可量产的PCB，加速硬件工程进程。其工作过程仿佛跳动的神经网络。

卓越的能力水平体现了OpenAI对新一代模型的倾力投入。OpenAI总裁Greg Brockman将Astra视为「通向AGI时代的一次代际跨越」。

人工智能的安全性同样值得关注。作为首款被OpenAI标注为关键级别的模型，新发布的系统已具备网络安全能力。测试中，Astra在无人引导的情况下自主识别出两个此前未公开的零日漏洞，涵盖浏览器与操作系统领域。经人类专家验证，其任意代码执行率约为39%，在ExploitBench上获得满分，SRE-Bench一次通过率达88.0%。

部分开发者与技术专家对OpenAI新模型的透明度表达了忧虑。对此，OpenAI首席科学家Jakub Pachocki回应称，尽管该模型的可监控性有所降低，但未来公司将借助延长思维链分析与激活监控等手段，强化模型思考过程的可解释性。

就在两天前，Anthropic刚发布了Claude Fable 5.1，其基础定价与Astra完全一致，同样为输入端每百万token 10美元、输出端50美元，与前代Fable 5持平。两大巨头正展开正面较量。

然而，真正的变革体现在缓存价格上。Fable 5.1的缓存读取由每百万token 1美元降至0.25美元，降幅达75%；五分钟缓存写入12.5美元，一小时缓存写入20美元；批处理再享五折优惠。综合计算，Anthropic估计典型负载较Fable 5便宜约25%，agentic场景最高可节省约45%。ARC Prize的独立测试也佐证了这一判断，主要原因在于token效率的提升。

Anthropic对本次发布的定位同样是「全球最先进的编程与知识工作模型」，并声称其研究能力「为AI如何助力科学进步提供了早期视角」。同样，OpenAI新模型Astra的部分强大能力也体现在科学研究场景中。

Anthropic与OpenAI的新模型发布均集中于9月初，两大AI巨头在数学、物理学、生命科学等科学研究领域也展开了激烈角逐。

斯坦福大学联合Terminal-Bench团队、Laude Institute及Harbor Framework推出了模型基准Terminal-Bench-Science 0.1。在这一面向真实科研场景的评测基准上，Astra相较于Fable 5.1表现领先。

两家公司的最新模型在AI4Science方向上均有所突破。

Astra据称优化了素数间隙（prime gaps）问题的一个数学结果，并在多个学科评测上刷新纪录，其电脑操作能力也可直接嵌入科研流程，包括数据处理、图表生成、软件安装与测试、质量检查等环节均可自动完成。

Anthropic的叙事则聚焦于「让科学家工作更高效」。6月30日发布的科研人员工作台Claude Science将文献分析到论文撰写的完整流程整合于同一环境，内置60余项预设技能与工具包，支持本地笔记本运行或按需调用GPU。

实际上，科研场景对可靠性的要求更为严苛。评测发现，Fable 5.1在与幻觉相关的指标上出现退步，在答错时更倾向于强行作答。同时，Fable 5.1在最高档位下较前代多消耗约1.7倍的输出token。

当前来看，若需要模型自主完成科研计算或推导任务，Astra在多数公开指标上领先；若需要嵌入实验室日常流程、可审计、可复现的工具链，Anthropic确实提供了更为完善的科研生态。

本次模型发布中，最广为流传的无疑要属「Welcome to AGI Era」（欢迎来到AGI时代）这一标语。该标语迅速与Astra在ARC-AGI-3测试中高达98.6%的表现关联起来。毕竟，上一代模型GPT-5.6在同类测试中的成功率仅为7.8%，与Claude Opus 5也拉开了显著差距。ARC-AGI-3究竟为何物？它能否决定性地证明我们已经步入通用人工智能时代？

ARC-AGI Evaluation是一种通过人类参与构建的模型测试基准，已经历两次迭代。ARC-AGI-1与ARC-AGI-2为静态题目，测试中给出彩色网格的输入与输出，模型直接预测答案。ARC Prize的评测政策明确规定，模型须作为「直接的输入到输出预测器」接受测试，不允许使用agent框架，禁止调用客户端工具，也不开放网络搜索以防题目泄露。这种严格的测试标准能有效衡量模型本身的基础能力。

ARC-AGI-3则更进一步。

它是一组交互式小游戏环境，考察模型在未知环境中的推理与适应能力。其预览版最早于2025年7月17日发布，逾1200名参与者游玩了3900余局。预览版发布期间，ARC Prize曾举办竞赛，12份参赛作品中，冠军agent StochasticGoose的效率仅为12.58%，其余介于2.24%至8.04%之间。彼时，预览版甚至存在设计缺陷，团队承认部分游戏「对随机搜索过于友好」，可被暴力破解。因此，正式版本采用200人以上的受控人类研究建立基线。ARC Prize招募约500名普通公众参与，按每90分钟115美元加每通关一局5美元的标准计酬。测试时不提供代码解释器与草稿纸，所有环境均经难度校准。

正式版本中，ARC-AGI-3主要考察模型四项能力：探索，即主动获取信息；建模，即把观察转化为可泛化的预测；目标获取，即在稀疏奖励下自主识别目标；规划与执行，即找到路径并在过程中持续纠偏。

测试中，模型被置于一个前所未见的环境，无说明、不告知目标，也不告知哪些操作对完成目标有效。于是，模型只能不断执行动作、观察反馈，理解游戏的类型与通关机制。ARC Prize将其定义为「首个衡量AI agent类人智能的交互式推理基准」。

它的价值在于填补了此前基准难以测量的能力缺口——模型首次接触陌生环境时的学习效率。传统基准衡量知识储备与推理能力，而ARC-AGI-3在设计上刻意规避可被暴力搜索或记忆覆盖的模式，使分数无法依靠扩充训练数据来刷高。

有一处机制容易被大众误解。ARC-AGI-3的计算不仅包含正确率，也涵盖动作效率。模型通过每一关的步数将对照人类基线进行衡量。因此Astra在ARC-AGI-3测试中取得98.6%的含义并非「全部正确」，而是每一局均通关，且效率不低于人类。

既然如此，Astra击穿ARC-AGI-3测试究竟意味着什么？

回溯ARC-AGI-3的三项成绩，不难发现Astra在不同环境中的成绩存在差异。

OpenAI官方引用的是其最高成绩，多数媒体则引用其在max推理档位的成绩。在更高推理档位中，模型成绩降低，但总成本也随之降低。至于标准harness测试中的62.7%，则在传播中基本被忽略。

Provider Adapter采用的是OpenAI的Responses API通道，相较标准harness改动了两处设置：retained reasoning与compaction。Retained reasoning指跨请求保留模型的私有推理状态，模型推理时上一步的思路可延续至下一步。当上下文超过约17.5万字符时，模型可对其进行压缩形成摘要。两者共同构成模型思考任务时的连贯思绪。

将上述因素综合考量，GPT-6 Astra的高分至少包含三层含义。

首先，能力的提升确实显著。Astra在harness与效率测试中使用的动作数低于人类基线。在Provider Adapter条件下，Astra在96.0%的关卡中使用的动作数少于人类基线，平均每关少用51.7%的动作。据ARC Prize评价，该模型「构建出了我们见过的对新环境最精确的模型」。

其次，分数不再单纯代表模型本身。从这一代基准开始，ARC-AGI-3的成绩是「模型加外层框架」的联合产物。虽然专门为获取高分而定制的harness不被允许，但一般用户可使用的API设置均可接受。也就是说，该测试更考验模型的基础性能与集成能力。

最关键的是，该分数不足以支撑「AGI时代已经到来」的论断。ARC Prize在分析Astra的文章中明确指出，基准测评成绩达到99.9%甚至100%「并不代表证明达成了AGI」，但肯定了Astra代表着大模型在泛化能力上取得了实质性进展。并且，无法用单一测评基准衡量人工智能的整体表现，Astra在其他评测基准上仍有提升空间。

此外，将该指标解读为「Astra在ARC-AGI-3上大幅领先Claude Fable 5.1」也不准确，Fable 5.1在该基准上其实没有成绩。至于Fable系列缺席的原因，在于Anthropic对Mythos级模型采用的数据留存条款，使得当时无法在保证测试数据不外泄的前提下进行成绩核验。截至目前，除GPT-6 Astra、GPT-5.6 Sol、Claude Opus 5的测试成绩外，尚未见到其他模型在ARC-AGI-3测试中的表现。

模型越来越强，但AGI真的来了吗？

可以肯定的是，Astra是一次大模型的明显飞跃，也向我们展示了未来的想象空间。人类坐在大屏幕前，言语之间，任务便下达给大模型。当自动执行取代人类的脑力劳动、解放双手，或许我们能更好地利用时间去从事科学研究、打网球、设计游戏...... 随着OpenAI和Anthropic大模型的竞相发布，迈向AGI的时代或许真的不再遥远。