AGI来没来不好说，但GPT-6真把Token省下来了

会刷题不算什么，能干活才真有用

文｜魏琳华

编｜刘俊宏

多年以后，人类或许会想起AGI时代的到来，是在一个平平无奇的夜晚。

9月3日，整个AI圈可能都没睡好。先是晚间全球AI大宕机，就当所有人准备洗洗睡的时候，9月4日凌晨三点半，GPT-6 Astra亮相了。

虽然发布会上OpenAI宣布还只对部分企业用户开放，不过好在它没让我们等太久。9月5日，OpenAI全量推送了GPT-6 Astra，让付费用户们及时体验上了新模型。

“欢迎来到AGI时代。”在介绍GPT-6 Astra时，OpenAI总裁Greg Brockman说。

和前几代大模型相比，OpenAI交出的新模型成绩上确实相当耀眼，正如模型的名字“星辰”，它在多个关键基准上跑出了“饱和”的成绩，把编程、长程任务的能力往上拔了一截。

但“会刷题”算不得什么，能干活才真有用。

实际干活时，GPT-6 Astra能做到“又快又省”——交付质量更高的同时，它单次任务的Token消耗和任务耗时都明显低于上一代。Perplexity在自家AI研究智能体评估框架中甚至测出，Astra的单次任务花销低于Fable 5.1。

发布不到一周，Anthropic的新模型Fable 5.1就被GPT-6 Astra抢去了风头。

现场演示和网友实测里，各种复杂的活儿都被丢给了它：操作电脑、填表单、建网站，甚至把电子原理图排成可投产的PCB、在Blender里建好房间模型，再转进虚幻引擎，让用户可以在建模场景中走动查看房屋细节。

支撑这一跃迁的，是又一次“大力出奇迹”：据外媒报道，GPT-6 Astra的训练动用了10万 GPU 的集群，是OpenAI迄今最大规模的一次训练。

那么，这一代模型到底变了什么？所谓AGI时刻到底是真的，还是只是又一次宣言？

性能“饱和”的GPT-6 Astra成色几何？

这次GPT-6 Astra没有“见光死”，实际体验和演示效果差距不大。

昨天，GPT-6 Astra已经正式全量向所有订阅用户开放使用。早上晒出的一众测评案例中，有人惊叹它干活的交付质量，有人提到它跑任务更省Token、成本低。

具体到能力表现层面，GPT-6 Astra在一些特定领域跑出了接近满分的极限分数。人类的考卷已经快“考不下”了。

比如，它在研究级数学基准FrontierMath Tier 4跑到98，官方形容为“饱和”，也就是它的分数已经达到了测试的上限；在强调陌生环境中学习与抽象推理的ARC-AGI-3上，GPT-6 Astra从上一代GPT-5.6 Sol的7.8%直接跳到99.9%。可以说是直接实现了“从0到100”的突破；漏洞利用测试ExploitBench则直接满分100%，GPT-5.6 Sol为78.5%。

最夸张的是ARC-AGI-3，它相当于把大模型扔进一个陌生环境，不给规则说明，看它能不能自己摸索规则并做出正确决策。这个测试对人类来说并不难，100分轻轻松松，但AI之前一直搞不定，徘徊在不及格的区间。

然后，GPT-6 Astra就满分了。三个月时间，AI就进化成人类了？

用ARC Prize Foundation的Greg Kamradt的话来说：“在96%的测试层级上，Astra超越了我们的人类行为效率基线，实际上达到了人类水平。”

OpenAI是怎么做到的？还是用了一点“手段”的——将模型和Harness打配合。

这个99.9%的高分的前提是，它跑在OpenAI为自家模型适配的Harness上，所以效果会更突出。但这并不意味着去掉Harness就立刻“拉胯”。根据X上ARC Prize发布的测评结果是62.7%，这已经是第二名Claude Opus 5的两倍。

但这种成绩还是容易令人质疑。自家模型+自家特调测出来的分，这不是忽悠人么？

厂商自报分数用自家框架，确实是常规操作：DeepSeek上月底发布的DeepSeek V4 Flash，官方在注释里写明基于自家DeepSeek Harness测得，它还同步把Harness作为独立产品推向市场。所以这并不是问题。

不过，GPT-6 Astra的提升也有些许“偏科”。从OpenAI给出的成绩来看，它在部分任务上出现了“倒退”的情况。

以测评模型Agent能力的指标之一——人类终极测试（Humanity’s Last Exam）上，GPT-6 Astra的成绩为57.2%，反而低于GPT-5.6 Sol与Fable 5.1。

这样的偏科成绩，也让测评机构给出了不一样的评估分数。

比如按照Artificial Analysis的通用智能指数，Astra 为61.2，与Sol的60.9基本持平，导致新模型也被不少网友戏称是“更贵版本的Sol”。但实际上，AA测评的指标更多集中在知识、推理等能力上，GPT-6 Astra的强项，多数不在它的测评范围内。

说完上面这些“虚的”测试，我们来看看GPT-6 Astra在商业化已经被验证领域的表现。

在Coding场景上，GPT-6 Astra显然是冲着最强目标冲击的。它在Terminal-Bench 4.0（测评智能体在复杂终端任务上的表现）为57.9%，超过了Fable 5.1的55.8%，而GPT-5.6 Sol在这个基准上只有37.3%。

得益于编程能力的提升，现在人们拿GPT-6 Astra已经能做出媲美真实游戏的作品。不少网友已经晒出了他们拿新模型做出的射击游戏、开放世界冒险游戏等等。从建模和实际体验来看，已经可以算得上成品级别。

智能体维度，相较于上一代，GPT-6 Astra在长程任务的处理能力上了一个台阶。

单看智能体维度的跑分，其中，GPT-6 Astra在Agents' Last Exam（真实软件中完成金融建模、工程设计、媒体制作等专业任务）拿到59.3%，略高于上代Sol的53.6%；OSWorld 2.0（真实桌面环境里看屏幕、点鼠标、敲键盘完成操作）72.6%；在跨系统业务流程的AutomationBench一项上，GPT-6 Astra的得分从GPT-5.6 Sol的18.1%大幅提升至41.4%。

那么，强大能力的代价是什么？

训练出这样的模型，OpenAI靠的是又一次“大力出奇迹”。据外媒报道，GPT-6 Astra的训练动用了10万GPU的集群，这是OpenAI迄今为止最大的训练规模。不得不感慨，Scaling Law的强度还是立竿见影。

但AI圈还有一个共识：高分不一定就“高能”，模型到底好不好用，还得干活层面见真章。

响应更快、Token消耗更少 GPT-6更擅长“干活”

比起跑分，本次大家讨论的一个共识是，GPT-6 Astra充分展示了它“干活能力”的跃升——操作电脑、长任务、端到端交付等能力，它的演示效果都让打工人心动不已。

X上展示的测评也高度一致地落在干活测评上。多数测评图中，GPT-6 Astra在“干的快、干的好”这两项上遥遥领先：Perplexity在自家面向AI研究智能体的评估框架中测试，GPT-6 Astra不仅分数最高，它花的钱也比Fable 5.1更便宜。

是什么让用户纷纷“爽歪歪”？主要是两个关键体验：一是降低成本，二是压缩任务的处理时长。GPT-6 Astra讨人喜欢就在于这两点。

通过有效降低任务输出Token，GPT-6 Astra实现了降低成本的效果。不仅输出冗余大幅精简，比如在考察复杂专业任务的Agents' Last Exam最高分设置下，相比Claude Opus 5少用了约65%的输出Token；面向终端任务的Terminal-Bench 4.0中，Astra 的预估API成本比自家上一代Sol缩减约9%，对比Fable 5.1的降幅更是高达63%。

作为OpenAI的客户，Higgsfield AI CEO Alex Mashrabov表示，Astra比他们测过的其他模型少用了高达20%的Token。

时间消耗上，和上一代模型相比，GPT-6 Astra将部分任务的时间压缩掉近一半。OSWorld 2.0上，Astra完成一个计算机使用任务的平均耗时约40分钟，比上一代Sol的75分钟少了 47%；Mind2Web基准上，Codex任务完成速度做到上一代的1.9倍。

这些改变，不仅和模型各项能力提升相关，可能和OpenAI采用的模型新架构有关。

据The Information报道，OpenAI在GPT-6 Astra采用了一种叫“循环深度”（recurrent depth）的架构技术，它通过复用同一组网络层进行多次内部循环计算，中间推理在隐藏状态中完成，不会全部转化为输出文本。

简单来说，就是原来OpenAI o系列的思考模型基本上会把中间推理步骤以自然语言写出来，变成一条人类可读的思维链。这种“想什么都写出来”的方式，好处是透明，坏处是啰嗦：一个复杂任务可能输出几千个Token的推理过程。

新的架构，让模型内部思考更多，但它输出的Token却减少了，这让它能在办事时做到“又快又省”。

从OpenAI的分享中，另一个可以确认的事实是通过对Harness能力优化，是它办事能力提升的关键。

先从Computer Use（计算机使用）说起，也就是让大模型自主操作电脑浏览、干活的种种能力。对此，OpenAI直接称它“世界上最好的Computer Use模型”：GPT-6 Astra把软件当作“人的工具”来用——让AI填网页表单、更新CRM记录、整理日程，分析数据出图、搭好网站再自己跑一遍前端QA。

OpenAI现场还展示了在KiCad里把电子原理图排成可投产的PCB、在Blender建模后转进虚幻引擎5，让设计师和客户在3D场景中“看”到实际效果。根据平面图，GPT-6 Astra能从零搭建出完整的房屋3D模型，包括墙体、门窗、楼层结构等建筑元素。X上有用户分享的实测效果对比中，也能看到GPT-6 Astra的细节做得已经相当完善。

第二处升级在Codex的“记忆”机制，新增的跨上下文管理机制起到了作用。

Astra可以跨上下文窗口保存“工作笔记”，同时让更早的完整上下文保持可搜索，之前的消息和工具输出都能找回。重点内容主动记下来，漏记的细节还能回头翻，避免因上下文压缩导致细节丢失。

此外，Codex同步推出的“异步提问”机制做了一个产品细节上的优化：有开发者在X上贴出自己让Codex连跑数小时的记录：模型在中途遇到歧义时不再卡死等人工确认，而是先把能独立推进的部分做完，同时攒好问题等用户回答。

这层优化简直救了程序员的命。之前还得守在电脑前一步步确认需求，现在AI终于能清净一会，可以多“摸会鱼”了。

总而言之，GPT-6 Astra确实是一次重磅升级，无论是能力还是实际应用层面。但AGI时代有没有到来？很显然，现在还不该回答这个问题。参考电力时代的经验，AI迟早会走到那一天——

当大模型解决复杂工作变得更快速、更便宜时，AI本身的讨论会逐渐退居幕后，取而代之的是各种AI原生的产品。到那时候，“用不用AI”的讨论就该翻篇了，就像现在早已没人会讨论“要不要用电”。