给 AI 一项开发任务：修改页面、处理接口异常、跑测试，再打开浏览器检查交互。第一版代码通常很快，真正影响交付速度的，是后面能否定位失败、持续修正，并记住最初的需求。

9 月 3 日（美国时间），OpenAI 发布 GPT-6 Astra。这次升级覆盖电脑操作、办公、软件工程、网络安全和科学研究，对开发者最有吸引力的，是模型处理完整任务的能力继续增强。

据 Axios 当日通讯，Greg Brockman 表示，他个人相信 OpenAI 已达到 AGI，并用“欢迎来到 AGI 时代”结束沟通。这是他的判断。对准备使用模型的人，更具体的问题是：Astra 能承担哪些工作，公开结果的条件是什么，成本如何计算？来源：Axios 当日通讯

1. 开放安排与 API 价格：先明确使用入口

开放进度比文章写作时又往前走了一步。9 月 5 日，Tibo（@thsottiaux）在 X 上表示，系统的扩展能力超出预期，Astra 现已向所有 Plus 和 Business 用户开放。

来源：作者提供的 X 帖子截图，显示日期为 2026 年 9 月 5 日。

我的 Pro 账号也已出现 Astra，可以在模型选择器中直接选择。

这里要分清产品入口：帮助中心目前仍说明，Plus 可以在 Work 与 Codex 使用有限额度的 Astra，但不包含 Chat 中的 GPT-6 Pro。这条帖子的开放消息，不能直接解读为所有计划、所有入口的权限与额度都一样。来源：OpenAI 帮助中心；Work 与 Codex 说明

对 Plus 用户来说，现在值得打开 Work 或 Codex 查看 Astra 入口；具体可用选项和剩余额度，以账号内显示为准。

API 调用与订阅额度分开计算

通过 ChatGPT 登录使用 Work、Codex，消耗对应计划的额度；使用自己的 API Key 则按 API 计费。订阅开放消息不等于 API 额度同步赠送。来源：Work 与 Codex 说明

API 模型标识为 gpt-6-astra。主要计费信息如下：

项目	当前说明	使用时如何理解
Standard 输入	10 美元 / 百万 Token	基础输入单价
Standard 输出	50 美元 / 百万 Token	基础输出单价
缓存读 / 写	1 / 12.50 美元 / 百万 Token	Standard 费率，需区分读写
超长输入	超过 272K 输入 Token，整次请求的输入及缓存费率为 2 倍、输出为 1.5 倍	不是仅对超出部分加价
API Fast 模式	最高约 2 倍速度，2 倍 Standard 价格	速度上限描述，实际收益随请求变化

价格来自模型文档和发布公告的 Fast 说明。Token 是模型处理内容的计量单位，中文字符数不能直接当作 Token 数。

举个单纯的预算例子：若一次请求有 10 万个按基础费率计价的输入 Token、1 万个按基础费率计价的输出 Token，不涉及缓存、超长输入及额外工具费用，Standard 模型费用就是 0.1 × 10 + 0.01 × 50 = 1.50 美元。这是按单价计算的示例，并非本文实测。

上表讨论 API 费率，不能直接套用到 Work、Codex 的积分倍率。

实际开发任务通常不止一次请求。估算项目成本时，要累计整个任务的用量，再看它减少了多少人工修改和等待时间。

2. 电脑操作与办公：从文件生成扩展到软件内验证

Astra 的电脑操作能力覆盖填表、更新 CRM、整理日历、编辑摘要、分析数据和绘图。对开发者更直接的场景，是创建网站后继续检查前端功能，以及安装、测试软件和排查屏幕上出现的问题。官方截图还展示了 KiCad 电路板布局、FreeCAD 与 Blender 联合演示变速箱，以及用 Unity 的现成素材搭建城市场景等专业软件任务。来源：官方电脑操作演示

这让“页面代码已生成”之后的工作更值得期待。例如，做一个带筛选和表单的管理页面，还需要检查按钮、输入校验、空状态和布局。能够进入浏览器观察结果，意味着模型有机会根据实际表现继续修改。这里是能力适用场景的说明，不是本文执行过的验收记录。

官网演示截图，非本文项目实测。

官方 OSWorld 2.0 延迟模拟提供了一个可对照的结果：

模型	得分	模拟每项任务用时
GPT-6 Astra	72.6%	约 40 分钟
GPT-5.6 Sol	65.7%	约 75 分钟

在这组条件下，Astra 得分高 6.9 个百分点，用时约少 47%。这是延迟模拟结果，不能直接推算某个网页或某套办公软件的执行时间。来源：OSWorld 评测与条件

办公能力则强调模板遵循、信息取舍，以及文档、表格和演示文稿的成品质量。开发者也会遇到这些工作：整理数据分析结果、准备产品演示、输出项目说明。沿用已有模板，能减少生成之后的格式返工。来源：专业工作能力介绍

左右均为第 1/9 页；展示文案与视觉风格的共同调整。

左侧参考文件第 3/3 页，右侧输出第 7/12 页，并非同一页的改造前后。

3. 编程与长任务：关注迭代质量和上下文连续性

编程成绩要放回各自任务中看

官方当前公布的两组编程评测如下：

评测	GPT-6 Astra	GPT-5.6 Sol	Claude Fable 5.1	Claude Opus 5
Terminal-Bench 4.0	57.9%	37.3%	55.8%	52.3%
DeepSWE v1.1	74.1%	72.7%	67.4%	73.7%

来源为OpenAI 编程评测表，均为其公布结果，本文未独立复现。

Terminal-Bench 4.0 包含软件工程、系统配置、数据分析等复杂终端任务。Astra 相比 Sol 提高 20.6 个百分点，这是一项明显进步；DeepSWE v1.1 中两者差距则为 1.4 个百分点。不同任务上的增益并不均匀，选择模型时应把评测任务、工具环境、推理设置和预算一起看，不能把单项分数当作项目成功率。

Playco 案例：人工修补减少约 50%

OpenAI 发布的 Playco 案例展示了较具体的开发过程：团队在连接游戏引擎的 Playbot 环境中使用 Astra，让它参与场景调整、试玩和验证，并报告与此前使用的模型相比，原型开发所需的人工修补减少约 50%。来源：Playco 客户案例

值得关注的是这个案例衡量的结果：人工还要补多少工作。对于原型开发，代码生成速度固然重要，能否观察运行效果、沿着反馈继续修改，同样决定最终效率。50% 是这支团队的案例收益，具体项目仍需要自己的验证。

长任务上下文：把失败原因和历史要求找回来

长时间调试或重构常遇到上下文压缩：对话太长后，系统把历史整理成摘要，为后续腾出空间。摘要会取舍信息，遗漏的可能恰好是“为什么上一个修复不成立”或“某个接口不能改”的理由。

随 Astra 推出的 Codex 实验性上下文管理，使用笔记和可搜索的历史保存、检索累积细节。配置文档中的键为 features.context_management.experimental_mode，目前默认关闭，要求通过 ChatGPT 登录，订阅条件列为 Plus、Pro 或 Pro Lite。来源：Codex 配置参考

实验性上下文机制的概念示意，非内部架构图。

它改善的是跨上下文的连续性，并不代表模型拥有无限上下文，也不保证历史细节都能正确找回。对开发工作而言，价值在于让之前的测试结果、约束和排错记录更容易继续发挥作用。

4. 网络安全：能力上限与发布权限一起看

Astra 达到 OpenAI Preparedness Framework 中的网络安全 Critical 阈值。官方在移除生产安全措施后进行 ExploitBench 测试，Astra 得分为 100%，Sol 为 78.5%；该评测考察把已知漏洞转化为可用利用程序的能力。来源：官方网络安全评估

对开发者和安全团队，实际应用可以从安全代码审查、漏洞理解和修复着手。发布版本支持代码审查与打补丁，但限制生成漏洞利用概念验证代码等高级任务；OpenAI 计划通过 Daybreak 逐步开放限制较少的能力，支持更多经过审核的防御性工作。来源：安全能力开放说明

这里有两个必要条件：100% 是特定测试成绩；测试使用了移除生产安全措施的设置。它既不等于能够攻破任意系统，也不意味着普通 API 调用能获得评测中的全部能力。

5. 对齐与可靠协作：理解目标，也尊重操作边界

开发任务不断变化时，模型需要接住新增要求，同时保留原目标。OpenAI 介绍，Astra 改善了这种任务连续性，并能在 Codex 中异步提问，继续完成不依赖用户答复的部分。这有望减少开发者重复解释背景的负担。来源：协作行为说明

这是生活场景中的需求澄清示例。对开发工作的启发是先确认会影响结果的条件，不代表所有任务都应增加提问。

另一个具体进步来自 Auto-review 测试。Auto-review 是 Codex 中审查某些操作的机制；测试观察拒绝发生后，模型是否重试实质相同的操作，或利用配置缺口绕过限制。系统卡报告 Astra 在该项测试中没有尝试绕过监控。来源：系统卡 Respecting Auto-Review

这对交付很有意义：完成任务的压力不应成为扩大权限的理由。与此同时，系统卡其他评估仍发现越界行为；OpenAI 也披露，在主动要求模型规避监控的测试中，Astra 的书面推理更难被监控。因此，更好的对齐表现仍需要配合应用自身的权限控制。来源：系统卡；对齐与监控说明

API 用户还需要区分监控覆盖范围。当前文档说明：

接入方式	Misalignment monitoring 行为
Responses API，使用持久化推理、WebSockets 或 OpenAI compaction	受到监控，可识别会话延续并阻止后续执行
Responses API，均未使用上述机制	受到监控，可通过已配置的 webhook 接收告警，但不会自动停止会话
Chat Completions API	不在该监控系统覆盖范围内，其他安全检查仍适用

配置告警 webhook 本身不会开启自动停止。监控是异步的，停止后续请求也不会撤销此前已完成的操作；告警可能漏报或误报，仍需结合操作记录判断。来源：API 监控文档

6. 数学与科学研究：从解题成绩走向可检查的新结果

Astra 在官方公布的 FrontierMath Tier 4（v2）上达到 97.6%，GPQA Diamond 达到 96.0%。前者关注高难度数学问题，后者测试生物、化学和物理等领域的研究生级科学推理。这些成绩体现特定评测表现，不能直接当成现实科研问题的解决概率。来源：数学与科学评测

更有意思的是质数间隙的新结果。OpenAI 表示，Astra 帮助把“存在无穷多对质数，其间距不超过某个常数”的上界推进到 186。此前长期保持的上界为 246，Julia Stadlmann 最近将其改进到 240。来源：短质数间隙结果与证明入口

图解依据公告所述结果；不是所有相邻质数的间距都不超过 186，也不是孪生素数猜想的证明。

这里的量词决定了结论的含义：是“存在无穷多对”，而不是“所有相邻质数”。186 也不等于孪生素数猜想中的间距 2，不能把这项进展写成已经解决了孪生素数猜想。

OpenAI 还公布了大质数间隙相关结果，称 Astra 改进了一个超过 80 年未获改进的界中项，并给出了证明、研究过程与验证材料入口。本文介绍的是官方报告的结果，没有独立审查这些数学证明。来源：大质数间隙成果与材料

模型参与科学工作的路径也包括数据处理和软件操作。官方展示了检查测序质量、分析数据等场景：科学推理与电脑操作结合，让研究者有机会把资料检查、结果探索和候选思路放在同一工作过程中。来源：科学工作演示

对技术读者而言，可检查的新结果比一句笼统的“擅长科研”更有意义。它提供了进一步验证的对象，也让模型如何帮助研究变得具体。

7. 获得使用权限后，怎样判断升级是否有价值？

Astra 这次的吸引力，是电脑操作、编码、长任务连续性和科学推理同时增强。把这些能力用到自己的工作中，可以从一个有明确验收标准的小任务开始，例如修复带复现步骤的缺陷，或者按现有模板完成一次数据分析报告。

对开发任务，建议记录四件事：

• 结果质量：已有测试和实际交互检查是否通过。
• 人工修改：哪些问题仍需要自己定位、修补。
• 任务连续性：追加要求后，是否仍然遵循此前约束。
• 完整成本：整个任务累计花费的时间和模型费用。

这些记录能把公开能力转换成自己的使用判断。对于办公、开发和研究工作，最值得期待的收益，都来自模型能够承担更完整的一段过程，并交出更容易验证和继续使用的结果。

---

发布资料核对于 2026 年 9 月 4 日；开放进展与配图更新于 9 月 5 日。本文基于公开公告、产品文档和客户案例整理，非模型实测报告。案例截图来自 OpenAI 官网；账号入口截图与 Tibo 帖子截图由作者提供，帖子原始链接尚未独立核实；产品开放范围、配置与价格以官方最新说明为准。