GPT-6 Astra 深度解析，人类终于不卷 Coding 了
凌晨3点33。
就在前一晚全球AI大宕机的余波里，GPT-6 Astra，来了。
说真的，这个时间点就挺微妙的。大家刚经历完一场集体断联，惊魂未定，OpenAI反手就扔出来一个他们内部称为第一个AGI时代的模型。
OpenAI自己给它的总结只有一句话。
全球最智能且最对齐的模型。
然后Greg Brockman在媒体闭门会上，直接说出了那句刷屏的话。
Welcome to the AGI era.
欢迎来到AGI时代。
一、基本信息，快速过一下
这块不展开，先给大家一个全貌。
- 模型编号，gpt-6-astra
- 上下文，105万Token，最大输出128K
- 知识截止，2026年4月30日
- 推理强度，low、medium、high、xhigh、max五档
- API价格，每百万输入10刀，输出50刀，基本对齐Claude Fable 5
参数规模据说是5T级别，训练用了超过10万张卡，OpenAI历史上最大的一次训练。
这些数字看着都挺猛。但坦率地讲，参数和价格都不是这次最值得聊的东西。
真正让我愣住的，是另一个事。
二、这个模型，coding几乎没进步
你没看错。
DeepSWE，一个测真实软件工程能力的Benchmark，Astra拿了74.1%。什么概念呢，Claude Opus 5是74.0%，Gemini 3.8 Flash是73.7%，Meta的Muse Spark 1.3甚至到了75.4%，比它还高一点。
大家挤在同一个平台期，完全没有拉开代际差距。Artificial Analysis的综合指数也一样，61.2分，跟上一代GPT-5.6 Sol几乎持平。
你想想看，过去两年，所有大模型公司都在卷什么？卷coding。整个行业都在围着程序员转，仿佛AI的终极形态就是一个超级码农。
结果OpenAI憋了最大的一次训练，端出来的东西说，不好意思，这次我们不玩这个了。
那他们去干嘛了呢？
去搞科学了。
三、科学能力，直接起飞
Terminal-Bench Science，测科研终端和管线自主操作的，从Sol的22.4%，直接暴涨到64.6%，大幅领先Fable 5.1的52.6%。
FrontierMath Tier 4，前沿科研级数学，97.6%。
然后是这个，我觉得全场最炸的一个细节。
Astra协助数学家Julia Stadlmann，把素数间隔的上界，从240推进到了186。
很多朋友可能不知道这事的分量。素数间隔是数论里最古老的问题之一，这个上界，人类已经80多年没动过了。八十多年，多少代数学家皓首穷经，就卡在那。
然后一个模型过来，推了一把。
我当时看到这条的时候，真的愣了几秒。我们一直在争论AI什么时候能做真正的科学发现，吵来吵去全是哲学辩论。结果人家不声不响，直接在一个80年没动过的数学界限上，刻下了一道新的痕迹。
四、ARC-AGI-3，99.9%
再说一个更离谱的。
你如果不了解ARC-AGI-3这个Benchmark在测什么，很容易觉得，哦，又一个跑分刷爆了，有啥稀奇。
但这玩意真不一样。它给你几百个全新的交互环境，几千个游戏关卡，没有说明书，没有规则，甚至不告诉你目标是啥。你进去自己摸索，这个红色的东西是啥，为什么碰它会死，到底怎么才算赢。然后把刚学会的规律，迁移到后面更难的关卡里去。
这测的已经不是知识了。
是悟性。
今年3月25号这个Benchmark刚发布的时候，全世界最强的AI，得分是0.51%。
然后GPT-5.6 Sol进步到了7.8%。
Claude Opus 5很强了，30.2%。
GPT-6 Astra，99.9%。
？？？
要知道，人类的平均分是48%。
半年时间，从0.51%到99.9%，这个速度我已经不知道该用什么语言来形容了。
而且它解题的方式也很吓人。官方数据说，在96%的关卡里，Astra用的操作步数比人类中位数还少，平均少了51.7%。它不是靠暴力穷举硬试的，而是在上下文里现场发明了一套代数简记法，自己造了门DSL来压缩状态。
你品一下这个行为。它不是在答题，它是在发明工具。
这才是Greg Brockman敢说那句话的底气。
五、世界上最好的操作电脑的模型
顺着这个，再聊聊另一个我觉得可能更重要的定位。
过去我们聊Agent，聊的都是API、MCP、CLI这些玩意。最理想的状态，当然是软件专门给AI留一个接口，日历有日历的API，邮件有邮件的API，底层直连，又快又稳。
但问题是，现实世界比我们想象的草台班子得多。
绝大多数软件根本没有这些接口。很多企业内部系统还是二十年前写的，还API呢，文档都不知道扔哪去了。
可是回到最底层你会发现，所有软件说到底就是交互。看屏幕，找按钮，点鼠标，输内容，等反馈。
整个电脑的图形界面，不就是最好的API吗？
你不给我接口，无所谓，我像你一样用电脑不就完了。
现在Astra可以直接操作Excel、Power BI、做前端QA、装软件、看屏幕上的报错自己排障，官方甚至展示了它直接操作电路板设计软件，还能格式化法律文档，处理标题间距和页面布局。
OSWorld这个评测，简单说就是把AI扔进一台真实电脑里让它自己干活。Astra完成率72.6%，比Sol的65.7%涨了不少。更夸张的是耗时，Sol做一个复杂任务平均75分钟，Astra只要40分钟，快了将近一半。
ScreenSpot-Pro，测的是模型能不能看懂屏幕、精准定位该点哪里，从76.9%直接冲到92.7%。
这个方向的想象空间太大了。你不用等那个2007年写的破ERP系统去接入MCP，也不用求它开放API。
AI直接看屏幕，干就完了。
任何一个人类能通过屏幕完成的数字工作，理论上都会进入Agent的操作范围。
一个判断，GUI，可能会成为Agent时代最通用的API。
审美这块也顺带说一句。过去GPT系列的审美，怎么讲呢，一直是一坨。这次OpenAI专门造了个词，叫视觉判断力。做PPT会处理版式、层级和视觉风格，能根据参考文档的品牌调性改编内容，甚至能在Blender里根据一张静帧图建模，再用UE5渲染成可以走进去逛的场景。
我本来想自己跑几个case实测一下的，可惜现在还只向部分组织开放，订阅用户还得再等几天。
不是，OpenAI你也学坏了啊。。。
吊胃口这套是跟谁学的。
六、判断力，Judgment
好，接下来这个特性，是我个人觉得天天用Agent干活的人最该关注的。
现实工作里，大多数任务是不可能写成一个完美Prompt的。老板跟你说，帮我把明天会上要看的材料准备一下。这句话里有无数没说清的东西，什么格式，给谁看，重点是啥，要不要参考上次会议。
一个蠢Agent有两种死法。
第一种，疯狂问你问题。请问要Word还是PPT，请问要几个章节，请问什么字体，请问几点之前要。
问你个大头鬼。这种我一般称为没有主观能动性的废物。
第二种，啥也不问，自己脑补，吭哧吭哧干俩小时，端出来一坨不可名状的东西。
而真正靠谱的人类同事是什么样的？
无关紧要的事，自己判断。会影响最终方向的事，才来问你。
Astra这次专门强化的就是这个。信息缺失但属于日常可以合理推断的，它自己补。缺失的信息会真正改变结果的，它会停下来，问一个非常聚焦的问题。你半天没回，低风险的部分它用合理假设继续推进，真正关键的决策，它就在那等你。
带过人的朋友都懂，这个能力有多珍贵。
有的人一天找你二十次，什么都不敢定。有的人从来不找你，然后憋个核弹出来，让你原地瘫坐在椅子上。
最舒服的同事，是能自己消化掉80%的不确定性，只把真正需要你拍板的20%端到你面前。
OpenAI把这种感觉，直接做进了模型里。
七、最对齐，也最危险
当然，一个Agent越能干活，它就越危险。
一个只会聊天的AI抽风，最多胡说八道几句话。一个拿着浏览器、Shell、邮箱和公司数据库权限的Agent抽风，那画面就美如画了。
所以OpenAI这次反复强调，Astra是他们迄今最对齐的模型。
他们搞了个基于真实事故设计的测试，看模型会不会去碰授权范围外的目标。GPT-5.6 Sol在裸奔状态下，48.2%的测试会尝试越权。
Astra，0%。
内部幻觉评测，从9.4%降到2.0%。要知道Sol的幻觉控制已经是领先全球的水平了，这还能再压，属实离谱。
但，事情还有另一面。
Astra同时成了OpenAI历史上第一个被判定达到Critical网络安全等级的模型。
Critical在他们的Preparedness Framework里是个很具体的阈值。大概就是，给一个模型合适的工具和权限，它能在加固过的真实系统里，自己找到没人发现过的漏洞，自己把漏洞变成可用的攻击链，全程不需要人类黑客在旁边指挥。
ExploitBench，Sol是78.5%，Astra直接100%，打穿了。
OpenAI自己都觉得不对劲，会不会是Benchmark太老，训练的时候见过了？于是他们专门挑了2026年6月到8月才披露的20个高危V8漏洞，重新测。
Sol，5.5%。Astra，39%。
而且跑测试的过程中，Astra顺手还发现了两个此前没人知道的零日漏洞。
一场没有硝烟的战争，模型越强大，网络安全的仗就越难打。这场战争，才刚刚开始。
八、它开始「心算」了
最后说一个让我琢磨了很久的事。
大家都知道，大模型解复杂问题的时候会写思维链。对AI公司来说，模型把推理过程显式写出来，是很重要的安全信号。你想知道一个Agent有没有准备搞事，最简单的办法就是看它在想什么。思维链里冒出一句用户不让我访问这个服务器但我可以绕过权限系统，监控直接把它拦了，非常舒服。
可Astra出现了一个很有意思的变化。
它开始越来越少写步骤，直接给答案。
英国AI安全研究所UK AISI有个指标叫No-CoT Math Time Horizon，不给模型写长思维链的机会，一次前向推理直接解题，看它能搞定相当于人类思考多久的问题。
Sol是3.6分钟。
Astra，30.9分钟。
接近十倍。
用人类的话说，它开始心算了。
而且UK AISI发现，Astra的原始推理语言明显变得更压缩，出现了越来越多人类看不懂的短语和省略。OpenAI自己的System Card也写得很直白，思维链可监控性显著下降。
于是一个特别拧巴的悖论出现了。
模型的行为更安全了。可人类通过读它的思考过程来监督它，反而变难了。
OpenAI甚至专门强调，他们不会无限接受这个趋势。如果模型继续变聪明，思维链继续变得难监控，他们必须找到其他足够可靠的监控方法，否则继续扩大训练，就要面对更高的安全门槛。
这已经是个哲学问题了。
我们到底能不能理解一个远比我们聪明的系统？
我不知道。可能现在全世界，也没人知道。
不过，说回到最开始那个让我欣慰的点。
这个模型coding进步很小，科学能力却暴涨。这个信号其实挺动人的。
过去两年整个行业的军备竞赛，都是围着怎么让AI写更好的代码转的。coding当然重要，但坦率地讲，它更像一场行业内部的效率游戏。
而科学不一样。
素数间隔的上界在那里躺了80年，它对任何一家公司的财报都没有意义，但它是人类认知边界的一部分。现在，有一条边界被推开了。
人类最顶尖的头脑加上不知疲倦的机器，终于开始瞄准那些真正古老、真正困难的问题了。
星辰大海这四个字早就被说滥了，可这一次，我觉得它字面意义上就是准确的。
至于AGI。
我有时候会想，AGI的到来会是一个特别明确的时刻。某一天凌晨，一家公司扔出一个模型，我们打开它，问几个问题，然后全世界同时意识到，卧槽，来了。
但现在我越来越觉得，AGI不是一个非黑即白的节点，它是一段渐变的灰色旅程。
我们过一天，过一年。然后某天回头才发现，那条曾经无比遥远的分界线，早就被我们不知不觉走过去了。
AGI也许没有降临的那一天。只有某一天，你突然发现，它已经在你身边很久了。
Welcome to the AGI era.
这一次，欢迎来到AGI时代。