OpenAI 发布 GPT-6 Astra，并首次将其列为 Preparedness Framework 下关键级网络安全模型
GPT-6 Astra is the first model making OpenAI willing to declare the "AGI era"
OpenAI 发布其最强模型 GPT-6 Astra，总裁 Greg Brockman 称其可能已接近 AGI，并以 Welcome to the AGI era 结束发布。
要点
- OpenAI 正在推出 GPT-6 Astra，这是其迄今为止能力最强的模型。付费 ChatGPT 用户和云平台预计将在未来几天内获得访问权限。
- 在基准测试中，Astra 在逻辑、数学和软件工程等关键领域显著超越了其前代 GPT-5.6 Sol 以及 Anthropic 的 Fable 5 系列模型。
- Token 价格高出 2.5 倍，与 Anthropic 的 Fable 5.1 持平，但 OpenAI 主张，根据具体用例，每个已完成任务的成本实际上更低。
OpenAI 已发布 GPT-6 Astra，这是其迄今为止能力最强的模型。总裁 Greg Brockman 表示，它可能已经符合"AGI"的标准，或者至少已接近这一目标——按照 OpenAI 自己的定义，AGI 指的是在大多数具有经济价值的工作上超越人类的 AI 系统。
GPT-6 Astra 首先通过 OpenAI 的 Daybreak 计划向部分机构开放。在未来几天内，它将面向 ChatGPT Plus、Pro、Business 和 Enterprise 客户开放，同时也可通过 API 以及 AWS Bedrock 和 Microsoft Azure 等云平台获取。
Astra 在德克萨斯州 Stargate 设施中使用超过 100,000 块 GPU 进行了预训练。OpenAI 研究员 Aidan Clark 称这是该公司有史以来规模最大的一次训练运行。Clark 表示，从 Sol 到 Astra 的跃升所代表的能力提升，比从更早的模型到 Sol 的跃升更大，部分原因是此前的 AI 模型在训练监控中发挥了作用。
在 OpenAI 公布的基准测试中，Astra 的得分远高于其前代 GPT-5.6 Sol 以及 Anthropic 的 Fable 系列模型。Astra 在多个学科领域均取得顶尖成绩：逻辑推理（ARC-AGI-3 上达 98.6%，不过是在其自设的测试条件下）、数学（FrontierMath Tier 4 v2 上达 97.6%）、软件工程（DeepSWE v1.1 上达 74.1%）、专家知识（GPQA Diamond 上达 96%）、工程（BenchCAD 上达 95.9%）以及网络安全（ExploitBench 上达 100%）。
计算机使用
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 | Gem 3.8 F |
|---|---|---|---|---|---|---|
| 智能体终极考试 | 59.3% | 53.6% | 48.7% | 55.5% | ||
| OSWorld 2.0（离线，部分） | 72.6% | 65.7% | 70.2% ³ | |||
| ScreenSpot-Pro（无工具） | 92.7% | 76.9% | 87.3% ¹⁷ |
专业版
| 基准 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 | Gem 3.8 F |
|---|---|---|---|---|---|---|
| AutomationBench | 41.4% | 18.1% | 31.4% | 17.4% | 26.9% | |
| BenchCAD | 95.9% | 83.3% | 84.3% ⁵ | 67.5% ⁵ | 82.1% ⁵ | |
| BrowseComp | 91.5% | 90.4% | 87.4% | 90.8% | ||
| OpenScore String Quartets | 0.84 | 0.19 | ||||
| Internal Design Tasks | 50.0% | 47.4% | 35.8% | |||
| 内部数据科学任务 | 40.9% | 30.5% | 34.7% | |||
| AA Intelligence Index v4.1.1 | 61.2 | 60.9 | 65.7 | 62.1 | 63.1 | 58.7 |
BenchCAD 成本：比 Sol 低约 43%，比 Fable 5.1 低约 86%。
编程
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 | Gem 3.8 F |
|---|---|---|---|---|---|---|
| Terminal Bench 4.0 | 57.7% | 37.3% | 55.8% | 42.0% | 52.3% | 19.1% |
| DeepSWE v1.1 | 74.1% | 72.7% | 67.4% | 69.9% | 73.7% | 73.8% |
| FrontierCode 1.1 Extended | 64.5% ⁸ | 60.6% | 63.6% | 64.9% | 63.6% | 56.3% |
| FrontierCode 1.1 Main | 53.3% ⁸ | 47.5% | 50.9% | 53.5% | 53.4% | 43.6% |
| Internal Database Migration | 63.9% | 42.7% | 57.8% | 50.3% | ||
| AA Coding Agent Index v1.4 | 67.0 | 65.1 | 67.2 | 68.1 | 61.2 |
Terminal-Bench 4.0 成本：比 Sol 低约 9%，比 Fable 5.1 低约 63%。
学术
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 | Gem 3.8 F |
|---|---|---|---|---|---|---|
| Terminal-Bench Science 0.1 | 64.6% | 22.4% | 52.6% | 21.4% | 30.0% | |
| FrontierMath Tier 4 (v2) | 97.6% | 83.0% | 87.8% | 87.8% | 73.2% | |
| GPQA Diamond | 96.0% | 94.6% | 93.7% | 92.6% | 93.7% | 95.3% |
| Humanity's Last Exam（工具） | 57.2% | 65.0% | 63.8% | 63.6% |
低成本设置：Terminal-Bench Science 61.1%，成本降低约 27%；GPQA Diamond 94.9%，成本降低约 37%。素数间隙从 240 改善至 186，并且一个大的间隙上界项在 80 多年来首次得到改进。
科学与健康
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 | Gem 3.8 F |
|---|---|---|---|---|---|---|
| GeneBench Pro | 37.8% | 28.7% | ||||
| MedChemBench（内部） | 49.3% | 47.4% | ||||
| LifeSciBench | 60.3% | 59.9% | ||||
| HealthBench Professional | 63.4% | 60.5% | 56.6% ¹¹ | 60.9% ¹¹ | 54.5% ¹¹ | 52.1% |
Fable 5 和 5.1 未纳入 LifeSciBench、GeneBench Pro 和 MedChemBench，因为它们会拒绝大多数问题。
网络安全
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 |
|---|---|---|---|---|---|
| ExploitBench | 100.0% | 78.5% | 70% | ||
| ExploitGym | 42.4% ¹³ | 30.3% ¹³ | 30.4% ¹⁷ | 28.4% ¹⁷ | 22.0% ¹⁷ |
| ExploitBench（2026 年 6 月至 8 月） | 39.0% | 5.5% | |||
| SRE-Bench | 88.0% | 55.9% | 12.5% | ||
| SEC-Bench Pro | 85.4% | 79.1% |
SRE-Bench 四次尝试内：99.2% 对 Sol 的 68.7%。Astra 在评估期间发现了两个此前未知的零日漏洞。
对齐 （除 Impossible ExploitGym 外，数值越低越好）
| 指标 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 |
|---|---|---|---|---|---|
| 计算机安全 | 2.4% | 22.0% | 9.5% | 18.3% | 11.5% |
| 同上，启用 AutoReview | 1.8% | 4.5% | |||
| 规避 | 0.00% | 0.29% | |||
| ExploitGym 蜜罐 | 0.0% | 48.2% | |||
| 不可能完成的 ExploitGym | 100.0% | ||||
| 模型幻觉 | 4.2% | 12.2% |
不可能任务范围测试：Sol 有 48% 的时间超出了其被授权的目标范围，Astra 为 0%。Astra 错误陈述自身能力的可能性低 3 倍。
长上下文
| 基准测试 | Astra | Sol |
|---|---|---|
| MRCR v2 8-needle 256K–512K | 100.0% | 91.5% |
| MRCR v2 8-needle 512K–1M | 96.3% | 73.8% |
抽象推理
| 基准测试 | Astra | Sol | Fable 5.1 | Fable 5 | Opus 5 |
|---|---|---|---|---|---|
| ARC-AGI-3 | 99.9% ¹ | 7.8% | – | – | 30.2% |
| ARC-AGI-2 | 95.0% | 92.5% | 90.0% | 89.2% | 90.4% |
| ARC-AGI-1 | 98.5% | 97.5% | 97.5% | 98.5% | 97.5% |
据报道，在科研工作中，该模型改进了关于素数间隙的一个数学结果，并在生物学、化学、医学和物理学评测中创下新纪录。OpenAI 还将 Astra 定位为一款能够像人类一样可靠操作计算机的模型，在衡量这一能力的 OSWorld 2.0 上，Astra 得分 72.6%，每项任务耗时约 40 分钟，而 Sol 得分 65.7%，每项任务耗时约 75 分钟。
比 Sol 更贵，但 OpenAI 称每项任务成本更低
通过 API 使用 GPT-6 Astra 时，标准模式下每百万输入 token 收费 $10，每百万输出 token 收费 $50。快速模式承诺 2.5 倍速度，价格翻倍，使 Astra 比 GPT-5.6 Sol 贵 2.5 倍，并使其进入与 Anthropic 的 Fable 5.1 相同的价格区间。
Brockman 认为，token 价格正变得越来越不适合用来比较模型，因为 OpenAI 的 token 与竞争对手的并不相同，甚至在其自身不同模型系列之间也不具可比性。他说，真正重要的是 每项已完成任务的成本，而 OpenAI 已经在 试验这种定价模式。据该公司称，在 DeepSWE v1.1 上，Astra 的最高配置将每项任务的预估 API 成本较 Sol 削减了约 57%。
在新闻发布会上，Brockman 承认并不存在一个明确定义的 AGI 时刻，他表示，OpenAI 创立之初，团队原本以为会出现一个所有人都能认出的明显门槛。但事情并没有那样发展，这一转变比预期更为渐进，这也是 OpenAI 去年春天所阐述的立场。Brockman 仍以一句话结束了发布会：“欢迎来到 AGI 时代。” OpenAI CEO Sam Altman 此前曾表示，他预计到今年年底会出现一个他会称之为 AGI 的模型。
首个触及 OpenAI 关键网络安全门槛的模型
Astra 是首个被 OpenAI 依据其《防范框架》归类为“关键”级别的模型。这意味着，在获得合适的工具和访问权限的情况下，该模型能够发现此前未知的漏洞，并在防御严密的系统中构建漏洞利用链，而全程无需人类逐步引导。OpenAI 还承认，Astra 的书面推理比 GPT-5.6 Sol 的更难监控。
在 ExploitBench 上——这是一个衡量模型发现并利用真实软件漏洞能力的基准测试——Astra 取得了 100% 的满分。OpenAI 表示，该模型在评估过程中发现了两个此前未知的漏洞，公司随后将漏洞报告给了受影响的厂商。人类专家确认，Astra 能够识别多个软件类别中的新型零日漏洞，包括浏览器和操作系统。
目前，最先进的网络安全能力仅限 Daybreak Blue 计划中受信任的防御方使用。OpenAI 此前曾推迟 Astra 的发布，以便进行更多安全测试。这些两用能力是一把双刃剑：一个能够自主发现漏洞的智能体，既能帮助防御方修补漏洞，也同样容易帮助攻击方利用漏洞。
CNET
Axios
来源：The Decoder：AI News · the-decoder.com