北京时间 9 月 4 日凌晨，OpenAI 发布了 GPT-6 Astra。
不过大众用户目前还用不了，OpenAI 先把 Astra 开放给 Daybreak Access 中的少量组织。
Sam Altman 随后在 X 上承认，这是一次“messy rollout”，也就是推送过程很混乱。他说，面向 API 客户和 ChatGPT 订阅用户的广泛开放会在不久后开始；ChatGPT 端“和往常一样，将从 Pro 订阅用户开始”。
Tibo 同时给出了补偿办法：从 9 月 4 日起，付费 ChatGPT 用户每有一天仍未获得 Astra，就会得到一次可积存的额度重置（banked reset），首个重置约三小时后发放。（这下真蹬不完了，义父！顺便一说，中转站这几天不是赚翻了？）
所以，Astra 目前已经正式发布，普通用户的大规模使用和独立复现仍要等后续推送。会先开放给 Pro 用户。
就在这场仍未完成的推送中，OpenAI 总裁 Greg Brockman 在媒体简报最后对记者说了一句很重的话：
“欢迎来到 AGI 时代。”
如果只看 OpenAI 公布的数字，这句话似乎并不夸张，因为跑分结果太夸张。ARC-AGI-3 达到 99.9%，最难一档数学评测拿到 97.6%，网络攻防评测甚至出现了 100%。
图：OpenAI 官方成绩图。FrontierMath Tier 4 为 97.6%，ARC-AGI-3 为 99.9%。这是 OpenAI 自己公布的评测口径。
图：OpenAI 发布页的网络安全成绩表。ExploitBench 中，Astra 为 100.0%，GPT-5.6 Sol 为 78.5%。
但是：
可同一天，独立评测机构 Artificial Analysis 在 X 上发出另一张图：Astra 的综合智能指数只有 61 分，与上一代 GPT-5.6 Sol 基本持平，排在 Claude Fable 5.1、Claude Opus 5 等模型之后。
图：Artificial Analysis 在 X 发布的独立评测。左侧综合智能指数中，Astra 为 61，与 GPT-5.6 Sol 同档，低于 Claude Fable 5.1 与 Claude Opus 5。
两组数字都是真的。
它们的冲突，恰好说明这次发布最值得讨论的地方：GPT-6 Astra 的突破，主要发生在“把事情做完”上；“第一模型”和“AGI”则取决于我们究竟在量什么。
01 · COMPUTER USE
Astra 的主要跃升：操作电脑，把任务做完
OpenAI 这次把最多篇幅给了计算机操作和专业工作。
在 OSWorld 2.0 里，模型要像人一样看屏幕、点击、输入，在真实软件环境中完成任务。Astra 得到 72.6 分，高于 GPT-5.6 Sol 的 65.7。OpenAI 还说，同类任务的平均完成时间从 75 分钟降到了 40 分钟左右。
在测试办公流程自动化的 AutomationBench 上，Astra 从上一代的 18.1 分升到 41.4 分。它在 BenchCAD 上拿到 95.9 分，可以操作 CAD、3D 建模和电路设计软件；在 Terminal-Bench Science 上拿到 64.6 分，而上一代只有 22.4 分。
OpenAI 的官方宣传片Astra 不再停在对话框里，而是进入人正在使用的软件。（这个宣传片真的推荐大家都看看，两分多钟也不长）
图：OpenAI 官方宣传片展示 Astra 在 Blender 场景中处理火箭模型。这是官方演示画面，不是独立实测。
能操作电脑比“又多答对了几道题”更重要。
因为 AI 的竞争正在换赛道。以前比的是谁回答得更像专家，现在开始比谁能真正意义上的实现【代理】，能理解界面和文件，在几十分钟甚至几小时里连续执行，并交付一个可以继续使用的结果。
ARC Prize 的动作效率图更直观。在 Provider Adapter 框架下，Astra 在 96% 的 ARC-AGI-3 关卡中，比受测人类的中位数使用更少动作，平均少 51.7%。这项结果同时考察了答案和行动过程：模型要在陌生环境里摸清规则，再用较少的动作完成任务。
图：ARC Prize 在 X 发布的行动效率评测。大部分关卡落在“与人类相同动作数”参考线下方。
这也是我认为 Astra 最有分量的变化：模型正在从一个知识接口，变成可以坐到电脑前工作的执行者。
从这个角度看，AGI 的时代真的到来了，因为 agent 可以操作3D MAX\CAD等各种生产力工具进行创造了。
02 · EARLY TESTS
首批体验者的评测结果
科技博主 Matt Wolfe 说，他让 Astra 接管 Blender，8 分钟做出一个类人狼；又用 Ultra 模式在 12 分钟内做出一款游戏，在 17 分钟内做出一个可以调节海平面、降雨和人口的世界模拟器。他也主动提醒，速度可能受早期用户较少影响。
图：Matt Wolfe 的早期体验视频。8 分钟来自作者说明，画面本身只能确认 Blender 中的成品。
图：同一视频中的世界模拟器，可调节阳光、海平面和降雨等参数。属于第三方演示，不是基准测试。
更有冲击力的一段来自 AI 创业者 Matt Shumer。他说，自己要求 Astra 在虚幻引擎中创建一个生存世界，放入多个由 Astra 驱动、必须协作求生的人类角色。一天后，他在另一个房间听见声音，才发现这些角色已经开始彼此交谈。
图：Matt Shumer 发布的虚幻引擎演示。画面左上角可见居民和动物状态，场景中有多个角色活动。
图：同一段视频中，多个角色聚在一起，底部出现了角色 Sunita 的对话字幕。
03 · ARC-AGI-3
99.9% 很惊人，但有前提
ARC-AGI-3 = 99.9%。
ARC-AGI-3 不是普通问答。模型进入一个此前没见过的互动环境，没有说明书，需要通过试错理解规则，再完成目标。它考的是在陌生环境中学习和行动的能力。
不过，ARC Prize 公布的是两套成绩。
在标准、供应商中立的框架里，Astra 的最高成绩是 62.7%。换成 OpenAI 的 Provider Adapter 框架以后，成绩才达到 99.9%。
这套适配器会保留模型不对外显示的推理状态，并在上下文变长时进行压缩，让 Astra 可以把前面探索出的规则继续带到后面的行动中。
图：ARC Prize 公布的 ARC-AGI-3 榜单。Astra 在 Provider Adapter 下接近 100%，标准框架的最好成绩为 62.7%。
这不是作弊，也不是一个可以忽略的脚注。它说明：
第一，裸模型在统一框架下还没有把这套测试完全解决。第二，当模型、记忆、上下文压缩和运行框架组合起来以后，系统能力会出现巨大的跃升。（harness 工程牛逼！）
04 · MODEL RANKING
OpenAI 重回第一（某些情况下）
如果把第一定义为计算机操作、专业软件和长流程执行的综合表现，Astra 已经拿出了很强的证据。
它在 Agents' Last Exam、OSWorld、AutomationBench、BenchCAD、Terminal-Bench 4.0、科学终端任务和多项网络安全评测中领先或接近领先。OpenAI 有资格说，它重新回到了最强 Agent 模型的争夺中心。
不过还没全面霸榜。
OpenAI 自己的表格没有出现全面横扫。在允许使用工具的 Humanity's Last Exam 中，Astra 得到 57.2 分，Claude Fable 5.1 是 65.0 分；在 Artificial Analysis 的 Coding Agent Index 里，Astra 同样不是第一。
评测口径不同，OSWorld 关心能不能操作电脑，ARC-AGI-3 关心能不能在陌生环境中学会规则，聚合指数又会把数学、知识、编程和推理按自己的方式合在一起。模型排名随权重变化，是正常结果。
05 · AGI
AGI 时代来了吗？
Brockman 说，他个人相信 OpenAI 已经抵达 AGI，又把最后的判断留给用户。这句话说了跟没说一样：响亮、简短，足以在一夜之间传遍社交网络。
OpenAI 的 Charter 给过一个朴素而严厉的尺度：AGI 应当是一套高度自主的系统，能在大多数有经济价值的工作上超过人类。拿这把尺去量 Astra，还够不到终点。
不过现实中的工作不会把题目安静地摆在桌上。需求会变，网页会变，人会临时改口，权限之外一步也不能多走。
今天的“智能”已经变成了：模型+harness。离开harness，它没有同样的成绩；有了harness，它又确实做出了过去做不到的事。
**作为技术结论，AGI 还没有被证明。**Astra 尚未证明自己能够在大多数有经济价值的工作上稳定超过人类；可靠性、成本、权限与责任，也远未成为已经解决的旧问题。
**作为一种时代感，它已经来到日常门口。**模型开始自己打开软件、辨认界面、记住漫长任务走到哪一步，再把工作接着做下去。我们讨论 AI 的方式，也正从“问答工具”，悄悄转向“哪一段工作可以交给它。
时代很少从宣言开始，更多时候，它先改变的就是日常行为。人们把日常工作交出去，把等待答案改成等待结果；公司重新安排流程，个人重新估量自己的位置。等这些变化连成一片，回头才会发现，岸已经不在原来的地方。
以上就是这次的侦察。
如果对你有用，顺手点个赞 +「♥️」。
想第一时间收到前线情报，关注「硅基斥候S01」。 我们，下次侦察见。
