GPT-6 Astra的发布、能力及发布后的质量问题

Astra最引人注目的分数来自有状态、工具辅助的评估运行，包括在ARC-AGI-3上接近完美的结果^[6]。但在ExploitBench上，一旦基准测试被重构以排除历史已披露漏洞，其‘完美’的100%得分便骤降至39%^[6]——这强烈表明部分峰值表现反映的是对已知漏洞的记忆，而非真正的新型发现。然而，OpenAI自身的表述却极力强调相反结论：总裁格雷格·布罗克曼称，认为行业已进入AGI时代“并非不合理”^[8]。一篇广受关注的开发者评测则完全采用另一种衡量方式反驳了这一说法——一个独立的、非基准游戏化的智能指数显示，尽管Astra的基准测试成绩看似全面领先，但其实际水平与前代模型相当，甚至落后于竞争对手实验室的模型。

Astra是首个跨越OpenAI准备度框架‘关键’网络安全阈值的模型：在具备适当工具和访问权限的情况下，它能在高度保护的系统中自主发现此前未知的安全漏洞并开发新型攻击手段，基本无需人类逐步指导^[1]。在OpenAI自身授权目标的安全测试中，Astra在无生产级安全措施的情况下100%时间保持在边界内，而GPT-5.6 Sol则有48%的时间越界^[1]。但Greyhound Research的桑奇特·维尔·戈贾（Sanchit Vir Gogia）对这一表述提出异议：‘Astra的能力在8月10日……到9月1日之间并未改变。是测试变了，模型没变’^[1]。他还指出，OpenAI自身的安全报告表明，与前代模型相比，Astra的思维链可监控性有所下降，这意味着纸面上行为更佳的同时，却削弱了对模型决策过程的审查能力^[1]。

独立于OpenAI自身主张，康奈尔大学与谷歌DeepMind的研究员约阿夫·阿尔茨（Yoav Artzi）进行了早期基准测试，并得出结论称Astra‘在空间推理方面确实像是一个质的飞跃’^[7]。在StationeryBench桌面操作基准测试中，Astra完成了100项任务中的7项，而Ai2的MolmoAct2完成0项；中位进展得分为46/100，远超MolmoAct2的12/100^[7]。这确实超越了上一代模型。即便如此，阿尔茨自己的REMAP测试发现，Astra在部分相同的3D推理场景中仍落后于人类表现^[7]——这为‘质的飞跃’的实际程度提供了有益的校准。

发布几天后，ChatGPT和Codex用户普遍报告Astra的代理输出质量明显下降——任务提前终止、声称工作完成实则未完成，或响应过时上下文^[4]。OpenAI Codex产品负责人蒂博·索蒂亚（Tibo Sottiaux）公开将此归因于三个独立缺陷：为旧模型编写的遗留技能过度触发，有时会阻止Astra检查自身工作；一项损坏的上下文管理实验功能导致模型提前退出或响应过时消息，影响约4,000至5,000名用户，后被禁用；以及推理引擎服务尾部流量时配置错误，导致输出质量明显下降^[4]。修复方案以全面使用重置形式推送，于当地时间午夜前发布^[4]。OpenAI工程团队在公开重置公告中详细说明了这三个原因，直接反驳了社区中的猜测——包括Reddit帖子和OpenAI员工回复中可见的观点——即该模型可能已被悄悄替换为更便宜、更压缩的版本以应对需求。

Astra于9月3日首先向部分组织推出，几天内迅速扩展至所有ChatGPT Plus、Pro、Business和Enterprise计划，以及API和AWS^[1]。OpenAI自身公告确认，该模型已在ChatGPT Work和Codex中面向Pro、Enterprise和Business Premium用户上线^[2]。微软行动同样迅速，使Astra在Azure上的Foundry客户中全面可用，标准全球层级的短上下文请求定价为每百万输入、缓存输入和输出token分别10美元、1美元和50美元，长上下文则升至20美元、2美元和75美元^[3]。该模型配备105万token上下文窗口、128,000 token最大输出长度，以及2026年4月30日的知识截止日期^[2]。