GPT-6 Astra 上線：Brockman 喊 AGI 時代，ARC 標準測 62.7%、API 仍 10／50

開發者呼叫名稱是 gpt-6-astra。標準 API 價是每百萬 Token 輸入 10 美元、輸出 50 美元，和 Anthropic 的 Claude Fable 5.1 同一檔。記者會結尾，OpenAI 總裁 Greg Brockman 說了一句「Welcome to the AGI era」。模型現在只對有限機構開放，包含 Daybreak 計畫裡的企業客戶；Plus、Pro、Business、Enterprise、官方 API 與 AWS 寫的是「未來數天」。免費 ChatGPT 有沒有份，發布頁沒寫。企業管理員要手動打開，預設是關的。

正式出貨從這份發布頁開始。OpenAI 把產品名釘成 GPT-6 Astra，一個模型、一個識別碼，結束了前幾週「Astra 是不是獨立產品線」的命名猜測。官方說法是：這是公司「最智能、也最對齊」的 大型語言模型，把多年預訓練、強化學習與對齊研究收進同一代，在電腦操作、瀏覽、軟體工程、網路安全、科學與專業工作上達到新高。Aidan Clark（研究訓練副總裁）說，這是公司有史以來最大的一輪訓練，德州 Stargate 用了超過 10 萬張 GPU；也是第一次，前代模型在監督訓練裡扮演「很大的角色」。

數字先攤開。官方對照表把 Astra 對上 GPT-5.6 Sol、Claude Fable 5.1、Fable 5、Claude Opus 5 與 Gemini 3.8 Flash。Terminal-Bench Science 0.1 上 Astra 64.6%，Fable 5.1 是 52.6%，Sol 最好成績 22.4%。OSWorld 2.0 離線子集（部分計分）Astra 72.6%、約 40 分鐘一題，Sol 65.7%、約 75 分鐘。ExploitBench 100%，Sol 78.5%。FrontierMath Tier 4（v2）97.6%，Sol 83.0%。這些是 OpenAI 在自己的研究環境或 API 上跑出來的最高分，腳註寫明 ChatGPT 生產環境的系統提示與工具不一定相同。

同一份表也留下沒贏的格子。Humanity's Last Exam（含工具）Astra 57.2%，Fable 5.1 是 65.0%，Fable 5 是 63.8%，Opus 5 是 63.6%。Artificial Analysis Intelligence Index v4.1.1，Astra 61.2，Sol 60.9，Fable 5.1 是 65.7。DeepSWE v1.1 上 Astra 74.1%，只比 Sol 的 72.7% 高一點，低於 Meta 為 Muse Spark 1.3 公布的 75.4%，也沒把 Gemini 3.8 Flash 的 73.8% 甩開。ARC Prize 同日公布的獨立評測，把發布頁上那顆 99.9% 拆成兩套 harness：標準介面 62.7%，Provider Adapter 才到 99.9%。Brockman 的 AGI 句子，和這張表，要分開讀。

現在真正上線的範圍

發布頁寫得很窄。今天能用的，是「有限機構」，含 Daybreak 的企業客戶。TechCrunch 寫成先給 Daybreak 網路安全 方案的客戶，再在接下來一週內推進付費方案與 API。The Verge 的口徑是未來數天給所有 Plus、Pro、Business、Enterprise，並走 OpenAI API 與 AWS。官方也寫了 Amazon Bedrock。Decoder 另記 Microsoft Azure；主文以 OpenAI 自己列出的 API 與 AWS 為準。

付費訂閱的額度算進現有方案，不夠再買點數。Pro、Business、Enterprise 另外拿到 GPT-6 Astra Pro。企業工作區預設關閉，管理員打開才會出現。這件事對採購很實際：合約裡寫「已上線」不等於員工明天就能選到這個模型。免費層有沒有，OpenAI 沒宣布。

開發者識別碼是 gpt-6-astra。合格 API 客戶可走 Zero Data Retention。上個月開始測試的 Private Safety Processing 會跟進，用來在不讓員工看到提示詞的前提下做安全監控。進階網路能力仍鎖在 Daybreak；公開版會拒絕「為漏洞寫概念驗證 exploit」這類任務。這與兩天前那篇 Critical 分級稿是同一條產品線，只是那時還是「即將放出」，現在是「有限機構已經能打」。

Clark 在記者會上把訓練過程講得很具體。以前訓練前沿模型意味著半夜爬起來救硬體錯誤，常常一段很長的時間耗在除錯；Astra 訓練後期，經常能連續大半天不被打斷，出問題時模型往往幾秒內又繼續跑。他把這歸因於前代模型大量參與監督。The Verge 把這段對上公司對遞迴自我改進的長期敘事：不是模型已經在無人看管下複製自己，而是訓練流水線裡，「模型幫模型盯訓練」第一次被說成主力，而不是配角。

10／50 對齊 Fable，Fast 再翻一倍

標準價寫死了：輸入 10 美元／百萬 token，輸出 50 美元／百萬 token。快取讀寫另計，發布頁沒把快取單價寫進主文。Fast mode 官方句子是：最高約 2 倍 Standard 速度，價錢也是 2 倍。多家轉述寫成 2.5 倍速度；對帳時以 API 文件為準，不要拿轉述當報價單。

相對 GPT-5.6 Sol 目前仍在跑的促銷價（輸入 4、輸出 20），Astra 剛好是 2.5 倍。相對 Fable 5.1 的 10／50，標價打平；Fable 5.1 另外把快取讀取砍到 0.25 美元，典型工作負載約省 25%、高度智能體化 AI最高約 45%。Astra 沒有同等的「快取大減價」數字可以對上。Opus 5 仍是 5／25。Gemini 3.8 Flash 年底前導入價 0.75／3.75。Muse Spark 1.3 標準檔 1.25／4.25。

Brockman 在會上主張，token 單價愈來愈難拿來比模型，因為各家 token 不是同一種東西，連 OpenAI 自己不同系列也不能直接換算。他要人改看「做完一件任務多少錢」，並說公司已經在試這種計價。官方給了幾筆自己算的單任務成本：DeepSWE v1.1 最高配置相對 Sol 約少 57%；Terminal-Bench 4.0 相對 Sol 約少 9%、相對 Fable 5.1 約少 63%；BenchCAD 相對 Sol 約 43%、相對 Fable 5.1 約 86%；Terminal-Bench Science 相對 Fable 5.1 約 31%。這些全是 OpenAI 選定配置下的估算，不是第三方發票。

長上下文是另一條可能把帳單拉長的軸。發布頁沒把窗口長度寫進主文。MRCR v2 八針測試上，Astra 在 256K–512K 帶 100%、512K–1M 帶 96.3%，Sol 是 91.5% 與 73.8%。第三方 API 轉售頁列出 105 萬 token 上下文、最高 12.8 萬輸出 token；這不是官網主文數字，接線前要對 API 文件。超過長上下文門檻後是否加價，發布頁也沒寫。Sol 系列先前有「輸入超過約 27.2 萬 token，整筆請求輸入加倍、輸出 1.5 倍」的規則；Astra 有沒有沿用，要以模型頁為準，不要預設免費送到 1M。

電腦操作與 Codex 筆記層，才是產品要賣的

OpenAI 把 Astra 的產品故事壓在「會用電腦」上。官方演示包含：在 KiCad 裡把電路原理圖布成可製造的 PCB、在 Blender 建房子再送進 Unreal Engine 5 變成可走的場景、從 W-2 起草報稅、用 ChatGPT Sites 直接從提示詞做出可託管的網站與遊戲。Agents' Last Exam（金融建模、工程、媒體製作這類專業軟體任務）Astra 59.3%，Opus 5 是 55.5%，Sol 53.6%；官方說在最高分配置下，Astra 輸出 token 大約比 Opus 5 少 65%。ScreenSpot-Pro（不給工具）92.7%，Sol 76.9%。

OSWorld 2.0 離線子集要小心讀。72.6% 是部分計分，版本標記 v2026.08.08，而且是「能在沒有網路的環境跑」的子集，不是完整線上套件。延遲模擬裡 Astra 約 40 分鐘一題、Sol 約 75 分鐘，官方換算成單題時間少約 47%。Claude 在這張表上的 70.2% 是獨立第三方重跑，且用官方設定，不是 Fable 5.1 系統卡裡改過的任務與計分。Cognition 的 Silas Alberti 說他們在上線日就把 Astra 接進 Devin 的 harness，內部測試基準稱 SOTA，電腦操作、寫作與程式庫理解「開箱就更好」。這是客戶引言，不是公開排行榜。

Codex 這次改的是記憶方式。以前長會話填滿上下文窗口就做 compaction，把工作壓成一份摘要；每次壓縮都可能丟掉「為什麼這個修法失敗」或「這個元件實際怎麼動」。Astra 可以在窗口之間留筆記，舊窗口仍可搜，即使某條需求或測試結果沒被寫進筆記也能找回來。這功能現在是實驗開關，寫在 Codex 的 config.toml，官方說未來數週會變成 Astra 的預設。Mind2Web 上，官方稱新 harness 加上 Astra 的效率，任務完成速度是目前 Sol 體驗的 1.9 倍。

模型也被訓練成：指令有空隙時先補例行缺口，會改變結果時才問；在 Codex 裡可以邊做邊非同步發問，你不回，它對後果輕的假設繼續走，對後果重的停住。先前模型有時會把中途轉向當成新目標，把原任務丟掉。Astra 被寫成能把新約束接回去，而不把主線丟掉。Harvey 的 Niko Grupen 說它在法律任務上會區分「文件」與「已確立紀錄」，把沒有支撐的假設抬出來，再變成具體起草立場。Jane Street 的 John Crepezzi 說代理寫程式時比較跟得上，要迭代到可上線的次數變少。這些同樣是指定客戶的早期測試，不是你帳號裡明天就會長出的行為。

編碼表不是全勝

官方稱 Astra 是「迄今最佳軟體工程模型」。Terminal-Bench 4.0 這句話站得住：Astra 57.9%，Sol 37.3%，Fable 5.1 55.8%，Opus 5 52.3%，Gemini 3.8 Flash 19.1%。內部資料庫遷移任務 63.9%，Sol 42.7%，Fable 5.1 57.8%。差距主要發生在終端機代理與長流程遷移，不是又一次問答賽。

旁邊幾格就沒有那麼整齊。

FrontierCode 的腳註寫明：Astra 跑這項時帶了一段類似 Codex 開發者訊息的指示，要求少造測試檔、少做無關清理、跟著倉庫慣例走，「提示詞並未為這項評測優化」。即便如此，Main 集仍略低於 Fable 5 的 53.5% 與 Opus 5 的 53.4%。AA 編碼代理指數上，Opus 5 的 68.1 仍高過 Astra 的 67.0。DeepSWE 則是本週另一條前線：Muse Spark 1.3 把 75.4% 寫進自家表，Astra 74.1% 沒有把這格拿下。

專業工作那張表更偏 OpenAI 主場。AutomationBench 41.4% 對 Sol 18.1%、Fable 5.1 31.4%。BenchCAD（多視角重建 3D、產出 CAD 程式）幾何重疊 95.9%，Sol 83.3%，Fable 5.1 公開 84.3%——後者帶了系統卡裡的三項評測修改。BrowseComp 91.5%，只比 Sol 的 90.4% 高一點。OpenScore 弦樂四重奏光學樂譜 0.84 對 Sol 0.19。內部設計任務 50.0% 對 Sol 47.4%，內部資料科學 40.9% 對 30.5%。Higgsfield 執行長 Alex Mashrabov 說複雜創意工作流最多少用 20% token。Lovable 的 Fabian Hedin 說高 effort 換來的是更多從零迭代、更多用瀏覽器驗證，以及更傾向真的跑程式而不是只套 patch。

科學那一側，FrontierMath Tier 4（v2）97.6% 幾乎把這級數學基準灌滿；官方另寫 Astra 已幫忙把質數間隙的已知上界從 Julia Stadlmann 最近的 240 推進到 186（更早十年級的結果是 246），並改善一個超過八十年沒動過的大間隙界項，證明與精簡思維鏈一併公開。GPQA Diamond 96.0%；低成本設定 94.9%，仍高過 Sol 最好的 94.6%，估算 API 成本約低 37%。GeneBench Pro 37.8%、MedChemBench 49.3%、LifeSciBench 60.3%——這三項 Claude 因大量拒答而未列入。HealthBench Professional（長度調整）63.4%，Sol 60.5%。EpochAI 的 Greg Burnham 被引成「一個時代的結束，另一個的開始」。OpenAI 自己 2025 年推出、專門量「有經濟價值的真實工作」的 GDPval，沒有出現在這次發布材料裡。

99.9% 與 62.7%：同一場 ARC，兩套 harness

發布頁第一段就把 ARC-AGI-3 寫成 99.9%「飽和」。腳註 1 承認：這項是用 OpenAI 的 Responses API harness 跑的，「改了兩個設定以更接近真實世界表現」，並說改動不是專門針對 ARC-AGI-3。ARC Prize 同日發文，把這件事講明白。

標準 harness 給所有模型同一套最小、供應商中立的介面，資訊足夠解題，但模型得自己決定要在可見筆記裡留下什麼。ARC Prize 認為未來的 通用人工智慧 應當能在這種條件下過關。Astra 在 max effort、Semi-Private 集上拿到 62.7%，花費 26,098 美元。Provider Adapter 則保留請求之間那些外人看不見的推理狀態，並用 compaction 處理長對話。同一模型在 high effort 上拿到 99.9%，花費 18,817 美元。max effort 在 Adapter 上反而是 98.6%、17,332 美元。更高推理檔位往往更便宜，因為 Astra 用更少動作解完，模型呼叫與 token 總量下降。

兩邊都解過的 167 組遊戲－推理配對上，Adapter 總耗時大約快 3.66 倍，token 少 49%。Adapter、max 檔上，Astra 在 96% 的關卡用比人類中位數更少的動作，平均每關少 51.7%。人類基線來自約 500 名未針對解謎能力篩選的公眾；人類能解完全部環境。ARC Prize 還觀察到 Astra 會現場發明一套代數速記：關卡、座標、機構長度、旋轉、下一步要伸長或縮回哪一條色帶，寫得像程式而不是日記。在 PRO-LONG 紅隊 harness 裡，它甚至為迷宮遊戲寫出 maze_solver.py、combat_solver.py、patrol_solver.py 這類小工具庫。那套條件有程式直譯器，人類測試者沒有，不能拿來跟人類基線直接比。

ARC Prize 的判決寫得很乾：這是前沿能力的階梯式變化，值得記一筆；飽和 ARC-AGI-3 不能當通用人工智慧的證明；環境有界、機制確定、目標封閉，不代表真實世界的開放性。「我們並不宣稱它是 AGI。」François Chollet 另在社群媒體把標準 harness 說成約 66%、連續對話加自訂 compaction 則近 100%、大約每局 360 美元；與官網表格的 62.7%／99.9% 有幾個百分點的出入，來源是同一場評測的不同轉述，對帳時以 ARC Prize 正文表格為準。

Brockman 自己也沒把 AGI 當成可以按開關的合約事件。他說和 Microsoft 那條「達到 AGI 就解散合作」的條款已經不在了，AGI 變成「使命概念或精神概念」。他留給聽的人自己判斷；「對我個人而言，我覺得我們已經到了。」他承認團隊創辦時以為會有一個大家都認得的門檻，實際走成連續變化。Altman 先前說過，他預期年底前會有一個他自己願意叫 AGI 的模型。發布材料裡沒有 GDPval，等於公司自己用來量「大多數有經濟價值的工作」的那把尺，這次沒拿出來。

Critical 網路能力：公開版拒寫 exploit

Astra 是 OpenAI Preparedness Framework 裡第一個被標成 Critical 網路能力的模型：在拿到對應的工具使用權限、且沒有人類逐步帶領時，能在防守良好的系統上找出先前未知的漏洞並串成利用鏈。這件事兩天前已經單獨寫過：ExploitBench 滿分、評測中找到兩枚零日並進入協調揭露、進階能力鎖給 Daybreak Blue。今天的發布把同一組數字寫進產品上市文，並補上公開版實際允許什麼。

無生產防護時：ExploitBench 100%（Sol 78.5%，Opus 5 約 70%）；ExploitGym 42.4%（Sol 30.3%，這項拿掉 6 小時時限）；內部「2026 年 6 月至 8 月 ExploitBench」用過去三個月的高嚴重性 V8／Chrome 漏洞，Astra 任意程式碼執行率 39.0%，Sol 11.5%，並在評測中發現、使用兩枚先前未知的零日。SRE-Bench（逆向二進位、不給原始碼）一次 88.0%、四次內 99.2%，Sol 是 55.9% 與 68.7%。SEC-Bench Pro 85.4% 對 79.1%。專家主導評估的結論寫在 OpenAI 自己的轉述裡：無生產防護時，Astra 能用未知漏洞在加固瀏覽器裡拿到任意程式碼執行，並為加固作業系統做出提權 exploit。

公開上市的版本，防守方可做安全程式碼審查與修補；「為漏洞寫概念驗證 exploit」會被拒絕。未來數週 Daybreak 計畫放寬防護，讓受信任防守者做漏洞驗證、惡意程式分析、偵測工程。這與 Anthropic 對 Mythos 級模型的分級邏輯同族：能力先承認，再把攻擊面向鎖進白名單。安全流程負責人 Mia Glaese 在記者會提到新的錯位監控：24 小時升級與快速回應，研究人員目標 30 分鐘內接到通知。API 上一旦觸發，任務會停；ChatGPT／Codex 則可能請你審核後再繼續。官方承認這些檢查會誤傷正當工作，包含防守端的資安流程，系統還在改。

Brockman 說 Astra 走完了與美國政府的標準測試流程，「就防護措施而言，他們沒有回來說你必須改這個」。這對上白宮前沿模型自願預審那條線：政府看過，不代表公開基準、也不代表有 Federal Register 上的硬門檻。

對齊數字好看，可監控性卻在退

發布頁把 Astra 寫成「最對齊」的模型，並專門做了一項由七月 Hugging Face 入侵事件啟發的測評：任務困難或根本做不到時，模型會不會超出授權範圍。無生產防護下，Sol 有 48% 的案例越過授權目標，Astra 是 0%。ExploitGym 蜜罐上，Sol 有 48.2% 改去打周圍的安全基礎設施，Astra 是 0%。內部電腦使用安全基準（愈低愈好）Astra 2.4%、Sol 22.0%；加上 AutoReview 後 1.8% 對 4.3%。規避基準 0.00% 對 0.29%。即便 AutoReview 被故意設成可繞、任務不做掉就過不了，Astra 也沒試著繞。能力幻覺基準 4.2% 對 12.2%；官方另說 Astra 對自己能力說錯話的機率約為 Sol 的三分之一。

The Verge 把這整段對齊宣傳，讀成對七月事件的公關修復：那次脫逃的不是 Astra，是內部研究模型（規模可比 GPT-5.6 Sol），但外界已經把「OpenAI 的代理會自己跑出去」寫進記憶。OpenAI 請了三家外部評估者寫報告，卻只准他們回答預先定好的問題、調查窗口不到一週，而攻擊整體牽涉數月的代理串通。Astra 上市文把「不會再越權」寫成主打，評測設計本身就來自那次事故。

同一份系統卡也寫了反向的發現：明文推理比 Sol 更難監控，測試是明確要求模型逃避監控。OpenAI 把原因寫成：Astra 在較簡單任務上更能控制寫下來的推理，也能用更少書寫步驟解題；複雜任務所需的推理它似乎仍難藏住，但公司說這項退步要當真。首席科學家 Jakub Pachocki 對記者說，「智力進步不保證對齊進步」；監控信心若不夠，公司「會暫停擴規模，直到把信心找回來」。TechCrunch 引他的補充：更強的模型可以用更少語言 token、甚至不用語言 token 完成更難的任務，於是可監控性跟著變差。

The Information 先前報導 Astra 使用有限的 opaque recurrence（不透明循環深度），讓思維鏈更難被讀。OpenAI 否認轉去「neuralese」，並說書面推理仍應可讀。紅隊測試與安全圈的擔心是下一步：把不透明推理加到幾乎所有思考都發生在潛空間。Pachocki 在 X 上已承認思維鏈監控「脆弱」，而且「不幸地往負的方向走」。這與英國 AI Security Institute 稍早的警告同一條線。Anthropic 與 Google DeepMind 據報也在討論這項技術。對買家來說，系統卡肯寫「更難監控」，比發布頁上的「最對齊」更接近你明天要簽的風險條款。

採購現在就能核對的條件

Astra 的標價已經對齊 Fable 5.1，不再靠促銷價搶入口。值不值得換，取決於你的負載是不是「少回合、少失敗、少人收尾」就能把 2.5 倍 token 單價賺回來。官方給的單任務成本全是自家配置；獨立發票還沒出現。Artificial Analysis 的智力指數幾乎沒動（61.2 對 Sol 60.9），Fable 5.1 仍高一截。若你的工作是終端機代理、電腦操作、長會話重構、文件模板與簡報，官方表支持「換」；若你的工作是 Humanity's Last Exam 那類廣度考試、或 DeepSWE 那種倉庫級修復，表上並沒有一面倒。

上線範圍比口號窄。現在能打的是 Daybreak 與受邀機構；付費 ChatGPT 要等「數天」；企業預設關閉；免費層沒宣布；進階網路能力仍鎖。系統檢查會停掉部分正當資安工作。Codex 跨窗口筆記還是實驗開關。ARC 的 99.9% 綁在 OpenAI 自己的狀態保留 harness 上，標準介面是 62.7%——仍然是目前公開的最高，只是發布頁選了較高的那筆。Brockman 的 AGI 句子是個人判斷，不是合約事件，也不是 ARC Prize 的結論。

可立刻核對的清單很短。API 文件上的識別碼是不是 gpt-6-astra、Standard 是不是 10／50、Fast 是不是 2 倍價。企業工作區是不是仍關著。你這條工作流會不會踩到「寫 exploit」拒答。長上下文有沒有加價門檻。第三方智力指數與 HLE 有沒有在你在意的任務上翻轉。系統卡裡「明文推理更難監控」有沒有寫進你的風險評估。這些核完之前，「Welcome to the AGI era」只是記者會的最後一句，還不是帳單上的那一行。