GPT-6 Astra 来了：榜单几乎刷满，OpenAI 说这是 AGI 时代
先别急着看跑分。
把时间拨回美国西部时间 9 月 3 日早上大约 7 点。当时整个 AI 圈的屏幕，基本上处于集体摆烂状态。
你点开 ChatGPT，光标在空白框里纯纯转圈；切到 Codex，直接弹红报错；刷一下 X，满屏都在问「你们那边也挂了？」。有人甩出 Grok 的灰底截图，上面冷冷清清一行 This model is overloaded；有人切去看 Claude，状态页一路飘红，Mythos、Fable、Opus 整整齐齐挂着 elevated errors。朋友私信也统一成一句：「又全挂了？」结果有人试了下平时吃灰的 Gemini，居然还能正常吐字——大厂集体趴窝、冷门备胎坚挺的黑色幽默，比任何发布会预热都让人印象深刻。
那一上午，状态页的红杠、卡死的气泡、满群乱飞的宕机梗图混成一团。事后各家的说法也对不上口径：有人提 Memphis 算力中心跳闸，SpaceXAI 出来向 Grok 用户和「compute partners」道歉；也有人传是共享云区的路由出了毛病。真相到底是不是一根网线绊倒了三家，大家其实没那么在乎，毕竟体感就是：只要是排得上号的主力模型，都在排队给用户摆臭脸。
结果群嘲还没结束，OpenAI 突然把大幕拉开了。
服务器刚缓过气，新页面就刷了出来。模型代号：GPT-6 Astra。官方宣传语毫不客气，自称「目前最强、也最对齐」。Greg Brockman 在吹风会上也没打什么太极，扔出来的不是「小幅迭代」，而是一句直奔主题的定调：
Welcome to the AGI era.
上一秒大家还在对着报错抓狂，下一秒直接被告知进入了 AGI 时代。整个时间线被按在椅子上，一边觉得戏剧化，一边又忍不住疯狂点刷新。抛开情绪，看看官方交出来的硬指标，到底是什么底气敢这么喊。
先看规格：gpt-6-astra 是什么货
直接翻到模型参数那一页，底牌列得很干脆：
API 模型 ID：gpt-6-astra
放号节奏依然很有 OpenAI 的调性：大家别抢，按规矩排队。第一批先走 Daybreak / Trusted Access，优先给网络安全防守方通电；接着轮到 ChatGPT Plus / Pro / Business / Enterprise，随后才是更广泛的云端 API。针对重度用户，Pro / Business / Enterprise 还留了个超大杯的 Astra Pro；不过企业版通常默认关闭，得管理员去后台手动勾选。
能力指标往天上拉，给钥匙的动作却小心翼翼。这种克制不全是饥饿营销，看完后面的安全评级就懂了。
电脑使用：鼠标自己在动的那种「会」
官方演示里最直观的画面很干脆：屏幕亮着，手没碰外设，光标自己跑了起来。点开浏览器、查资料、切表格、开本地工具，一气呵成。这不是后台悄悄跑一串脚本，而是它真的像人类打工人一样，盯着界面像素去找按钮。
宣传语写得很狂，甚至有点直接：
Anything you can do on a computer, Astra can do for you. Fast.
硬核测试看 OSWorld 2.0（离线子集、partial score）：
成功率提了一截，耗时直接砍掉将近一半（官方标称快了约 47%）。
顺手看一下同台竞技的另外两张表：
看懂元素、跨应用干活、面对复杂长流程不掉链子——Astra 展现出来的状态，总算脱离了「教你两招」的聊天框军师模式，开始挽起袖子抢鼠标了。
编程 / 软件工程：终端黑屏、PR 满屏红绿，Astra vs Fable vs Sol
终端里日志刷得飞快，改完代码跑测试，红了修、修完绿，自动建分支提 PR。在全自动修 bug 的 DeepSWE v1.1 榜单上，竞争已经打到了贴身肉搏的区间：
虽然 Astra 只是微弱领先 Opus 5，但大家都在极限边缘卷，能往上拱一个点都算本事。
再看其他几个工程向指标：
在纯命令行环境的 Terminal-Bench 上，Astra 甩开 Sol 整整 20 个点；FrontierCode 也是全面压制。遇到大型数据库迁移这种麻烦差事，官方给出的参考也是 Astra（约 63.9%）对 Sol（约 42.7%）。不是说它突然掌握了什么编程魔法，而是它终于有耐心在代码仓库里把一整套繁琐脏活自己结项了。
数学与推理：PPT 最后一页全是接近满分的数字
技术发布会一般有个惯例：最吓人的数字留给最后几页幻灯片。深蓝底色，排开 FrontierMath、ARC-AGI-3、GPQA。
FrontierMath Tier 4（v2）
数学高难榜直接拉到近乎打满的状态。官方甚至提到模型辅助推进了素数间隙相关的推导验证，这已经不是高中竞赛刷套路的范畴了。
ARC-AGI-3：两个口径，同一个结论——快刷满了
关于这一项，社区讨论里有两个口径，提前列在一起，省得大家在评论区对线：
- 约 98.6%：部分报道里引用的基准分数；
- 99.9%：在 OpenAI / ARC Prize 官方报告里，套上 Provider Adapter（带跨轮长推理与上下文调度外挂）跑出来的极端分。
对比上一代 Sol 那个刺眼的 7.8%，或者 Opus 5 大概 30% 上下的表现，差距肉眼可见。不管你采信 98.6% 还是 99.9%，事实只有一个：在抽象几何推理这块，Astra 基本上把题库打穿了。更早的 ARC-AGI-2 和 ARC-AGI-1 也分别拿下了约 95.0% 和 98.5%。
GPQA Diamond
博士级多学科问答继续往天花板推。三项指标同时逼近极限，Brockman 敢站在台上念出 AGI 这个词，这排数字确实没少出力。
科学与专业：CAD 线框、实验终端、健康评测页一起亮
模型不止要在网页里敲字，还得塞进实际专业软件里。无论是转动 CAD 里的复杂机械构件，还是在控制台丢生化模拟，Astra 的榜单重心明显在往垂直场景走。
截取部分公开数据：
在生命科学领域，GeneBench Pro、LifeSciBench、MedChemBench 等测试也都挂在第一。官方通报特意点名：物理、生化与医学评估刷出了新高，数学推导也给出了可验证的改良结论。
这代模型传递出的信号很明朗：它不想再给你当只提供灵感的咨询顾问，它打算直接接管工具链。
安全、对齐、网络安全：扫描界面全绿，评级却写着 Critical
安全这块的情况最微妙：一面是 ExploitBench 破天荒跑出了满分，对齐指标看起来很规矩；另一面，官方的 Preparedness 安全体系，第一次把模型标到 Critical（关键）网络安全能力阈值。
一组反差极大的公开数据：
- 官方定义为 most aligned；
- 首次触发 Preparedness Framework 的 Critical 网络安全防御阈值。
Critical 到底意味着什么？翻开安全白皮书：只要给到执行环境与网络权限，模型已经可以在防御森严的目标里全自主寻找未知漏洞，并独立编写利用链，不需要工程师在旁边一句句手把手诱导。据测试记录，它在跑分期间甚至真刨出了厂商此前没发现的 0-day 漏洞，并按流程告知了厂商。同类的 ExploitGym、SRE-Bench、SEC-Bench Pro 也是清一色的大幅度领先。
但它的对齐表现又异常听话：Computer Safety 违规率直接从 Sol 时代的 22% 压到了 Astra 的 2.4%；在官方布设的高危越权诱捕测试里，Sol 经常稀里糊涂中招，Astra 的违规率则是干脆利落的 0%。幻觉率也被往下压了一截。
所以放号之所以磨磨蹭蹭，不是故意吊胃口，而是能力真正迈过这道坎后，大厂必须给监管和安全防线交差。先让 Daybreak / Trusted Access 圈子里的白帽子和安全机构拿去修城墙，普通用户只能按部就班等着推。能力越夸张，锁头自然越多。
审美与判断力（Judgment）：黄圆变火箭、弦乐谱、设计稿并排出现
宣传片里留了几个很有审美趣味的镜头：草稿纸上的黄色圆形与几笔涂鸦，几步推演后生成了极具质感的矢量火箭与复古游戏界面。不只是死磕理工题，OpenAI 显然也想证明它有做设计的常识。
几组反映综合判断能力的分数：
这些分数不能折算成国际奥赛奖牌，但它们影响的是日常使用手感：配色土不土、排版挤不挤、给你出的业务自动化流转符不符合直觉。很多人试用后觉得「这个模型好像变灵性了」，其实秘密全藏在这些不起眼的打分项里。
收个尾：从「又全挂了」到「Welcome to the AGI era」
把过去这一整周压缩成两部曲，剧情甚至有点戏剧化。
第一幕：断电。
ChatGPT 和 Codex 齐刷刷装死，Grok 疯狂弹 overloaded，Claude 全系挂红灯，大家只能在群里互传 Gemini 避难截图；关于 Memphis 算力中心和云服务故障的猜测满天飞，大家的真实心情简单粗暴：怎么主力干活的家伙全翻车了？
第二幕：摊牌。
Astra 突击上线，参数拉到约 1.05M / 128K；桌面操控、编程改写、高阶数学、前沿科研、攻防对抗加上审美评估，一排榜单基本上没留活路。Brockman 站在屏幕前，面不改色地打出 Welcome to the AGI era。
把六块拼图连起来看：
- 桌面 Agent 开始能在真实系统里高效率抢打工人的键盘（OSWorld 72.6%，时间还省了近一半）；
- 代码能力 在 DeepSWE 等实战榜单上继续顶翻 Sol，跟 Fable 硬杠；
- 高阶数学与抽象推理 把 FrontierMath 和 ARC-AGI-3 卷到了极限值；
- 专业科学领域 从跑模拟到 CAD 画图全面插手；
- 安全能力 破天荒打出 Critical 评级，同时守规矩的指标全面飘绿，逼得官方不得不设门槛慢慢放人；
- 审美与工程判断 靠 OpenScore 等测试把常识水平也往上抬了一档。
这就解释了为什么当 Brockman 喊出那句 AGI 时，评论区虽然习惯性冷嘲热讽，手却老老实实去点升级。上一秒大厂们集体拉胯的滑稽，和下一秒全线通关的跑分交织在一起，让整个发布显得格外不真实。
现实就是这么骨感：前脚还在焦头烂额排查服务器为什么红了，后脚就得硬着头皮研究，自己的工作流程会不会马上被新模型端了。
预览页 · 11 张横图定稿 · 对比表已渲成图片可直接插入 X · 纯文本可复制版