9月3日深夜，AI圈突然上演了一场大型掉线现场。ChatGPT和Codex报错，Claude出现高错误率，Grok也长时间不可用，Gemini和Copilot同样传出异常反馈。OpenAI状态页显示，故障一度波及ChatGPT的15个组件和Codex的4个组件。Claude公开记录中的影响持续约2小时50分钟，OpenAI从开始调查到宣布恢复约2小时12分钟，Grok的第三方监测口径接近3小时40分钟。到北京时间9月4日凌晨1点10分左右，几家服务才算陆续恢复。

几大AI平台同一晚集体趴窝，本来已经够抢新闻头条。偏偏服务刚恢复不久，OpenAI就公布了GPT 6 Astra。事情巧得像写过脚本，我脑子里甚至冒出一个狗血的念头！

OpenAI是不是嫌发布会宣传费太贵，干脆先让全行业一起掉线，把全球注意力拉满，再把新模型端上桌。

玩笑归玩笑，这次发布的分量确实不轻。OpenAI把GPT 6 Astra称为迄今最智能、最对齐的模型，重点能力横跨电脑操作、网页浏览、软件工程、网络安全、科学研究和专业工作。发布页真正想表达的核心，不是模型又多答对了几道题，而是AI开始从聊天框里伸出手，能够看屏幕、点按钮、打开软件、查资料、修改文件，并把一项工作从头做到尾。

先看最扎眼的数据。FrontierMath四级新版测试中，GPT 6 Astra得到97.6分，上一代GPT 5.6 Sol为83.0分。ARC AGI 3从7.8分跃升到99.9分，几乎是把一道长期难啃的墙直接推平。ExploitBench漏洞利用测试达到100分，GPT 5.6 Sol为78.5分。电脑操作方面，OSWorld 2.0从65.7分升至72.6分，ScreenSpot Pro从76.9分升至92.7分。终端编程测试Terminal Bench 4.0则从37.3分升至57.9分。

其中ARC AGI 3的提升最容易让人倒吸一口气，不过模型是否能稳定调用工具、运行环境是否允许它持续操作，都会影响最终结果。

Astra最值得普通用户关注的，是电脑使用能力。OpenAI给出的OSWorld 2.0测试里，它完成同类任务平均约40分钟，GPT 5.6 Sol约75分钟，耗时减少47%。在Agents Last Exam中，Astra拿到59.3分，高于GPT 5.6 Sol的53.6分和Claude Opus 5的55.5分。ScreenSpot Pro测试里，它识别并操作复杂界面目标的成绩达到92.7分。把Codex的电脑控制框架和Astra组合后，在Mind2Web网页任务中还快了1.9倍。

这些数字落到实际场景，就不再只是点鼠标。官方演示里，Astra可以在KiCad中布置电路板，在Excel里完成世界杯级别的复杂表格任务，速度约为现实里老手的4倍，还能进入Power BI修改可视化仪表盘。它也能在LibreOffice里起草法律备忘录和遗嘱，在网页中寻找儿科医生、筛选公寓、预约车管所业务、采购杂货。以前的大模型更像一位坐在旁边出主意的顾问，现在它开始自己坐到电脑前（龙虾？！）

更关键的变化，是它开始懂得什么时候该问，什么时候该干。面对目标不完整的任务，Astra会提出更聚焦的问题；用户临时改变方向时，它能重新定位，不至于抱着旧计划一路狂奔；遇到不影响大局的小缺口，它又会做出合理假设继续推进。OpenAI还强调它可以在后台持续工作，把需要等待的步骤异步处理。这个能力听起来不如满分基准耀眼，却决定了AI到底是生产工具，还是需要人类全程陪护的高级电子宠物。

官方用个人职业网站做了一个很直观的对比。GPT 5.6 Sol根据用户的领英背景直接生成网站，Astra则先追问用户准备转向什么岗位，再据此调整网站叙事。这里的进步不是做网页更快，而是先弄清楚用户真正想解决什么问题。配套的Sites能力还能创建、托管并分享网站、应用和游戏，把对话里的想法直接变成可访问的成品。

在专业工作上，BenchCAD专业设计基准得分95.9，GPT 5.6 Sol为83.3，Claude Fable 5.1为84.3。按官方给定配置估算，Astra完成这些任务的API成本比前代低43%，比Claude Fable 5.1低86%。BrowseComp浏览检索测试达到91.5分，内部设计任务为50.0分，内部数据科学任务为40.9分。它也更擅长统一模板，制作结构一致的文档、幻灯片和电子表格。

3D软件也被纳入了这套操作能力。Astra可以在Unity中搭建游戏场景，在Blender里完成建筑可视化和分镜，并处理车辆变速系统等专业任务。它不只是生成一段看起来像答案的文字，而是进入具体软件，理解界面状态，连续执行多步操作，再把结果交回来。对设计师、工程师和内容团队来说，这可能比又会写一种文案更有现实冲击。

编程方面，Astra在Terminal Bench 4.0拿到57.9分，超过GPT 5.6 Sol的37.3分，也略高于Claude Fable 5.1的55.8分。DeepSWE得到74.1分，FrontierCode扩展测试得到64.5分，内部数据库迁移任务则从前代的42.7分提高到63.9分。OpenAI还为Codex加入跨窗口笔记和旧上下文检索.

GPQA科学问答达到96.0分，FrontierMath四级新版达到97.6分。OpenAI披露，Astra参与推进了两个数学结果。一个把短素数间隔的已知上界从近期的240改进到186，另一个改进了大素数间隔问题中维持约80年的关键项。它还可以操作基因测序质量控制和遗传变异分析所需的专业软件(记得最近那个医学专业的人用AI把数学问题解决拿奖的新闻吗？)

网络安全是Astra最强也最敏感的一面。ExploitBench达到100分，ExploitGym为42.4分。OpenAI另外用2026年6月至8月新增样本构成的ExploitBench测试，Astra得到39.0分，前代为11.5分，并称模型发现并负责任披露了两个此前未知的零日漏洞。SRE Bench运维故障修复测试中，它单次尝试成功率为88%，四次内成功率达到99.2%，远高于前代的55.9%和68.7%。

能力越强，安全绳就越不能装饰性地挂着。发布版本允许Astra做安全代码审查和补丁修复，但会拒绝提供高阶概念验证攻击。OpenAI还将通过Daybreak计划逐步扩大防御性网络安全访问。这个边界很现实，同一套能力可以帮企业堵洞，也可以被滥用于更快地找洞。真正的考题不是模型会不会，而是谁能用、在什么环境里用、操作过程能不能被审计。

OpenAI把更高的对齐度当成Astra另一张主牌。在没有生产环境额外保护的内部测试中，面对困难或根本无法完成的任务，Astra发生范围越界的比例为0，GPT 5.6 Sol为48%。内部电脑操作安全指标从22降到2.4，配合自动审查后从4.3进一步降到1.8。规避安全措施的比例从0.29降到0，蜜罐环境中的攻击行为从48.2降到0。内部幻觉指标也从12.2降至4.2，并且虚报自身能力的概率降低约三分之二。

在使用方式上，Astra会先面向少量组织开放，随后几天逐步提供给Plus、Pro、Business和Enterprise用户。企业版默认关闭，需要管理员主动开启。API中的正式模型名是gpt-6-astra，标准价格为每百万输入词元10美元、每百万输出词元50美元。快速模式速度最高可达两倍，价格也是两倍。Astra Pro面向Pro、Business和Enterprise用户，符合条件的API客户可使用零数据保留。

这个定价告诉我们，Astra不是拿来替代所有日常对话的廉价模型，更像是面向高价值复杂任务的执行引擎。普通问题继续交给便宜模型即可，需要它跨网页、跨软件、跨文件连续工作时，才值得支付更高成本。企业真正要算的也不是一百万词元贵不贵，而是它能否把原本数小时的人力流程压缩到几十分钟。