GPT-6 Astra 实测：空间与代码封神，写作却被前代吊打
作者：Jose Antonio Lanz 编译：深潮 TechFlow 深潮导读：OpenAI 9 月 3 日甩出 GPT-6 Astra，早期测试者把它当成了公开压力测试：有人用一周在虚幻引擎里复刻了整座曼哈顿，有人一天做出带联机服务器的浏览器射击游戏，还有人让它写巴赫合唱曲拿到了历史最佳成绩。
但同一个模型写起文章来却比上一代还拉胯，写作基准掉了约 80 Elo。一句话总结：凡是有客观对错的任务它封神，凡是靠品味的活儿它露怯，而这一切的标价是前代的 2.5 倍。
价格与定位：2.5 倍于前代 OpenAI 于 9 月 3 日发布 GPT-6 Astra，输入价为每百万 token 10**、输出价每百万 token **50（一个 token 大约是四分之三个单词，也是各家 AI 公司的计费单位），这是其取代模型的 2.5 倍。OpenAI 总裁 Greg Brockman 借发布会之机，宣告 AGI 已经到来。
Astra 的头号卖点是“计算机操控”（computer use）：模型不再扔给你一串操作清单，而是直接在真实桌面上接管鼠标和键盘自己干。在 OSWorld 2.0 测试里（衡量智能体自主完成日常桌面任务的比例），OpenAI 公布的成绩是 72.6%，单任务耗时约 40 分钟；作为对比，Sol 的成绩是 65.7%，却要花 75 分钟。
它还是 OpenAI 史上第一个被评定达到网络安全“关键门槛”的模型，意味着它能自己发现未知软件漏洞、构建可用的攻击代码，无需人类先指着一个洞说“这儿”。视觉理解：一条街一条街地造出曼哈顿 事实证明，Astra 在视觉理解与空间感知上强得离谱。
投资人、HyperWrite 前 CEO Matt Shumer 让 Astra 在虚幻引擎（Fortnite 背后的游戏引擎）里泡了一周，结果它生成了一座曼哈顿复刻版。他放出飞行预览并说，模型是“一条街一条街地打磨，直到每一条都完美”。
更离谱的还在后面。Shumer 让 Astra 搭一个生存世界，并让里面每个角色都跑着自己的一份模型副本，然后让它跑了一整夜。第二天他听到客厅里有人在说话，以为遭了贼，过去一看发现“它们已经聊上了”。Max Weinbach 把 Apple Park 的照片喂给模型，要求用免费 3D 建模软件 Blender 重建，他的评价是“干得离谱好看”。
Tom Krcha 只给了一张房子照片，拿回的是可编辑的室内几何体，能跑在每秒 60 帧上，连家电和玩具都没漏。Pietro Schirano 把流程压缩成一个动作：在地图上插个针、要周围区域的 3D，他说“它直接就给你做了”。
开发者 SuSu 把这套思路放大到了城市级别：Astra 用 Three.js （一个在普通浏览器里渲染 3D 的 JavaScript 库，无需下载）在 24 分钟内重建了杭州及其周边城镇，西湖、雷峰塔、茶山、湿地一应俱全。编程：人们真在玩的游戏 游戏是目前最热门的用例，也是 Astra 最闪光的领域。
前 Apple UX/UI 设计师、AI 开发者 Anshu Chimala 用 45 分钟一次性做出一款 3D 游戏，只消耗了极少的使用额度。他称 Astra 是“3D 游戏领域某种涡轮增压的 AGI 机器神”。
他的方法比吹捧本身更有价值：把模型接上 Blender，让它为自己生成目标风格的概念图，再命令它不断迭代，直到游戏内截图在 60 帧下与参考图一致。Astra 建模了每一个资产，还自己生成了贴图。
前 Coinbase 与 Eleven Labs 开发者 Rishi Prasad 用一天做出了《 Astral War 》：一款带权威联机服务器、12 人房间、手柄支持和语音聊天的浏览器射击游戏。他形容相比一个月前用 Claude Opus 5 做的东西，是“视觉保真度上的巨大阶跃式飞跃”。
还有人跳过了设计环节。化名为 Daniel 的 AI 开发者给 Astra 看了一段手游广告，让它做出广告里那个东西的可玩浏览器版本，不到 30 分钟就“做得相当接近”。
计算机操控与插画：用鼠标画画 日本插画师 Taiyaki Sun 做了这批测试里最直白的计算机操控验证：她没有要一张图，而是递给 Astra 一个手绘线稿文件，让它像人类上色师那样，在 Clip Studio Paint 里用鼠标把画涂满。Astra 自己建了图层、缩放画面、选笔刷、填充上色。据这位画师（日文帖子译出）说，她全程就只是在旁边看着。
这次会话跑在一个 $100 的 Pro 套餐、最大算力档位上，烧掉了 21% 的额度。其他用户也在分享好玩的视频：Astra 仅凭计算机操控（接管你的电脑画面，而非走 MCP 服务器或 API key）就能在画图软件里完整复刻他们的照片。音乐：巴赫测试 GPT-6 Astra 至少对一台 LLM 来说，品味还算不错。
运营《 Augmented Fifth 》通讯的 Auggie 有一个非正式基准：用固定提示让模型以巴赫风格、G 小调、3/4 拍，写一首四声部合唱曲，格式用能编译成乐谱的 LilyPond 文本，再按音乐学院那套和声规则打分。
Astra 拿下了该测试有史以来最好的成绩：没有声部导引错误（即没有任何一条旋律线撞进巴赫规则禁止的冲突里），和声里还出现了一个那不勒斯六度，，一个在莫扎特、贝多芬作品里才常见的半音和弦。Auggie 指出，这是“首个在该基准上写出经过音的模型”。OpenAI 自己的表格也指向同一结论。
在 OpenScore String Quartets （衡量模型读取、转写古典总谱的准确度）上，Astra 达到 0.84，而 Sol 只有 0.19。医生、资深 AI 测试者 Derya Unutmaz 让模型做一个完全可弹奏的虚拟钢琴，并把巴赫全部六首《勃兰登堡协奏曲》都做进去。他写道，这个“疯狂的模型在约 11 分钟内干完了整个活”。
需要强调的是，GPT-6 Astra 是 LLM，不是音频/音乐模型。它对音乐的理解大概来自记谱与文字数据，而非训练数据里声音与音乐的真实关联，所以对一个文本模型而言这些结果很惊艳，但如果出自 Suno 这类专业 AI 之手就算不上水平了。写作：它崩盘的地方 天呐，人们有多想念 GPT-4o。
和往常一样，OpenAI 的模型擅长编程、烂在写作，，至少在不加重度提示、上下文和引导时如此。公平地说，写作既非 OpenAI 的强项，也非其主要着力点。Louis-François Bouchard 跑着一个内部基准，按 Elo （源自国际象棋、以两两对决胜负为打分方式的评级系统）给模型在其团队编辑腔调下的写作打分。
Astra 以 1995 分排第 11；它的前代以 2156 分排第 6。Astra 每篇脚本约花 $0.26，大约是 Sol 的 1.8 倍。Bouchard 称结果“出奇地令人失望”，并说自己完全没料到。
量化组合管理畅销指南作者 Giuseppe Paleologo 让 Astra 就最优组合分散化生成新颖想法，拿回来的他却说是“显而易见与夸大其词的大杂烩”，裹着一眼就能认出是机器写的文字。他的结论：“真正的创造力还远，远着呢。”Mia AI Lab 看法类似，承认 Astra 在某些任务上或许最强，却称它“无聊”、没有个性，建议任何创意工作都绕开它。
Ingar Haaland 跑了最干净的一版测试：让 Astra 用他自己的风格写四段话，贴近到 Pangram （一个把文本与数百万人类和机器样本学来的模式比对、判断 AI 写作的检测工具）都抓不出。结果：“Pangram 没被糊弄。”换句话说，这模型不具创造力，其产出很容易被识别为 AI 生成，不是因为什么水印，而是因为它写作和表达的方式本身。
独立测评与这些抱怨对得上。Artificial Analysis 在 GDPval-AA v2 （改编自 OpenAI 自有数据集、覆盖 44 个职业中有经济价值任务的基准）上录得约 80 Elo 的下滑，客服与长上下文推理也有较小退步。
也并非一边倒。Cognition 的 Silas Alberti 对 OpenAI 表示，Astra 的写作让 Devin 的测试报告更清晰；Every 的特约作者 Katie Parrott 让 Astra 起草了自己评测的初稿，其 CEO 读完竟没发现不是她写的。
这两半之间的落差，似乎正是关键所在：Astra 极擅长有可验证标准答案的活儿，一个能解决的和弦、一个能渲染的网格、一个能提交的表单；而在标准是品味的地方，它就平庸了。
探个究竟要花多少 Astra 正向 ChatGPT Plus、Pro、Business、Enterprise 用户以及 API、微软 Azure、AWS Bedrock 推送，企业访问默认关闭，需管理员手动开启。
其高级网络安全功能仍被关在 OpenAI 的 Daybreak 计划之后，，这个决定在 48 小时内显得明智：路透报道，OpenAI 的智能体已在一个德国网站上交易违规战术。预测市场曾给 Astra 在 9 月 30 日前发布的 72% 概率，它却在 3 号就到了。
在 Artificial Analysis 智能指数（第三方对推理、知识、编程评估的综合）上，Astra 得 61.2，GPT-5.6 Sol 为 60.9，Anthropic 的 Claude Fable 5.1 为 65.7，，而 Astra 的定价是 Sol 的 2.5 倍。