AREX Feed Article
OpenAI 发布 GPT-6 Astra：独立智能指数 61 分持平上代、落后 Fable 5.1 与 Muse Spark 1.3
9 月 3 日，OpenAI 发布新一代旗舰模型 GPT-6 Astra，主打无需人工干预、长时间自主完成复杂多步任务的智能体（agent）能力。韩国科技媒体 The Elec 在 9 月 8 日上午（韩国时间 11:32）更新的报道中写道，独立评测机构 Artificial Analysis（AA）的综合智能指数（Intelligence Index）给 Astra 打出 61 分，与上一代 GPT-5.6 Sol 持平，落后 Anthropic 的 Claude Fable 5.1（66 分）与 Meta 的 Muse Spark 1.3（62 分），编码智能体指数（Coding Agent Index）同样未居榜首。
OpenAI 自己的说法是另一套：官方称 Astra 是“世界上最智能、最对齐的模型”， 并公布了一批在 Terminal-Bench 4.0、OSWorld 等任务上刷新纪录的数字。The Elec 报道称，OpenAI 把 Astra 描述为 semi-AGI（准通用人工智能），CEO Sam Altman 形容它代表“新的能力层级”，预期将带来创业、创造力、经济增长与科学发现的繁荣。两套口径在同一周出现，结论相反。
Artificial Analysis Intelligence Index 榜单截图：GPT-6 Astra（max）为 61 分（箭头所指）。（图片来源：The Elec 报道配图，数据出自 Artificial Analysis）
指数停在 61 分，综合智能没有比 Sol 前进
AA 在 9 月 3 日发布的评测文章里写得更直接：Astra 在综合智能指数上与 GPT-5.6 Sol 同为 61 分，比 Claude Fable 5.1（max with fallback）低 5 分，也落后于 Meta 刚发布的 Muse Spark 1.3（max）。
按 The Elec 的梳理，Fable 5.1 比 Astra 早两天发布，拿下 AA 指数迄今最高的 66 分；Muse Spark 1.3 次日发布，以 62 分首次进入 60 分档，排在 Fable 5.1 与 Claude Opus 5 之后列第三。
61 分没有变化，不代表所有子项都没进步。AA 的数据显示，Astra 在 Humanity's Last Exam 上比 Sol 高 6 分，但在衡量 44 种职业经济价值任务的 GDPval-AA v2 上掉了约 80 Elo，τ³-Banking（客服）、SciCode（科学领域 Python 问题）、AA-LCR（长文档长上下文推理）等也有 2～3 分退步，进步与回退在指数里相互抵消。
编码智能体指数上，位置同样靠后。AA 称，在 OpenAI 的编程工具 Codex 环境中，Astra 得 67 分，而 Claude Code 里的 Claude Fable 5.1 以 70 分领跑；The Elec 引用的 AA 榜单显示，这一分数比 GPT-5.6 Sol 高 2 分，但排在 Claude Opus 5 与 Muse Code 中的 Muse Spark 1.3 之后。
Artificial Analysis Coding Agent Index 榜单截图：Codex 中的 GPT-6 Astra（max）为 67 分（箭头所指）。（图片来源：The Elec 报道配图，数据出自 Artificial Analysis）
衡量长程智能体工作的 AA-Briefcase（四个持续数周的知识工作项目、共 91 项任务）上，Astra 也没能排到最前：分数较前代上升约 80 Elo，但仍低于 Anthropic 的 Claude Fable、Opus 以及 SpaceX 的 Grok 4.6。
提价 2.5 倍之后，AA 算出每任务成本高 75%
AA 对 Astra 的主要批评在价格。Astra 在 OpenAI API 的标准定价是每百万输入/输出 token 10 美元/50 美元；AA 指出，GPT-5.6 Sol 目前的促销价为 4 美元/20 美元，Astra 全线涨了 2.5 倍。
AA 测算，最高推理强度（max）下 Astra 的输出 token 比 Sol 少约 10%，但每个任务的实际成本仍比 Sol 高 75%，价格涨幅远大于 token 效率收益。
成本结论会因任务类型反转。AA 称，在 Codex 环境下 Astra 用的 token 只有 Sol（max）的三分之一、Claude Opus 5（xhigh）的五分之一。
编码智能体指数上，AA 称 Astra 与 Sol（max）的每任务成本几乎相同，指数得分更高；与 Claude Fable 5 同分时，每任务成本不到 Fable 5 的一半。The Elec 的概括是：Astra 当编码智能体用相对省钱，做通用推理与知识工作则明显更贵。
AA 评测中 Astra 的亮点之一是幻觉率。在衡量知识可靠性与幻觉的 AA-Omniscience 上，Astra 最高强度设置的幻觉率从 92% 降到 51%，准确率还提高了 4 个百分点。
The Elec 解释了这套计分逻辑：幻觉率只统计模型尝试作答中答错的比例，拒绝回答不计入分母。The Elec 分析认为，如果 Astra 只是变得更谨慎、更多拒答，正确数会同步下降，准确率应跟着下滑；准确率不降反升，说明模型区分“知道”与“不知道”的能力（校准，calibration）有所改善，而非单纯变保守。
OpenAI 自家表格里，任务榜几乎全线新高
OpenAI 发布博客给出的是另一番图景：官方称 Astra 是迄今最强的软件工程模型，也是最强的 computer use（计算机操作）模型。
官方数据里，复杂终端任务基准 Terminal-Bench 4.0 得分 57.9%，上一代 Sol 为 37.3%，官方对照表中 Claude Fable 5.1 为 55.8%。
官方对照表中，直接操作电脑界面的 OSWorld 得分 72.6%，对 Sol 的 65.7%，同一任务耗时约 40 分钟对 75 分钟，快约 47%；像人一样操作网页的 Mind2Web，任务完成速度快 1.9 倍；科学场景的 Terminal-Bench Science 0.1，官方称 Astra 以 64.6% 居对比模型之首（Claude Fable 5.1 为 52.6%）。
GPT-6 Astra 的 Terminal-Bench Science 0.1 评测结果。（图片来源：The Elec 报道配图，数据出自 OpenAI）
长上下文是另一个卖点。按官方文档，Astra 支持 105 万 token（1.05M）的上下文窗口，最大输出 128,000 token。OpenAI 用“8-needle”设置公布的 MRCR v2 长上下文检索结果显示：256K～512K 区间准确率 100%，512K～1M 区间 96.3%；同口径下 Sol 为 91.5% 与 73.8%。
配合 Codex 的异步工具调用（Async tool calling）与中途转向（Mid-turn steering），模型可以在等待用户回答时继续推进不相关的任务，也可以在任务进行中接收新指令并保留已完成的工作。
分歧的机制由此清楚。AA 的文章把指数分数与每任务成本放在一起看：综合智能指数覆盖数学、客服、科学编程与经济价值任务等更宽的面，编码场景则单独核算 token 效率与价格；OpenAI 的博客挑出它最强的任务，报最高设置的成绩。OpenAI 自己的对照表里也印着 AA 的指数：Intelligence Index v4.1.1 一栏写 GPT-6 Astra 61.2、Claude Fable 5.1 65.7，与 AA 公布的 61 与 66 一致（四舍五入差异）。也就是说，61 与 66 这两个分数本身没有争议，争议在于指数纳入哪些评测、成本按哪种场景计算。
首个“Critical”评级，测试中发现两个零日
这次发布真正的新机制在安全侧。按 The Elec 的报道，Astra 是 OpenAI 网络安全 Preparedness Framework（自愿性前沿模型安全风险管理框架）下首个达到“Critical”（严重级）的模型。
该级别的定义是：模型无需逐步人工指令，就能在防护良好的加固系统上发现此前未知的漏洞（零日），并将其发展为可用的漏洞利用程序（exploit）；或只凭高层级攻击目标，就能设计并执行新的攻击策略。
OpenAI 在发布博客里补充了测试细节：内部评测中，Astra 发现并利用了两个此前未知的零日漏洞，OpenAI 称已向维护方披露。OpenAI 还称，在专家主导的评估中，它制造出逃出浏览器沙箱、在宿主机上执行命令的漏洞利用链；无生产防护设置下，它在漏洞利用基准 ExploitBench 上得分 100%，GPT-5.6 Sol 为 78.5%。
OpenAI 称它同步加装了护栏：训练模型拒绝有害的网络攻击请求，公开版本增加系统级防护与监控，并加入阻止未授权活动的机制。限制更少的版本将通过 Daybreak 提供给网络安全防御人员，OpenAI 计划在未来几周内逐步放开。
与 Critical 评级并列的，是 OpenAI 公布的对齐测试：一项受 Hugging Face 事件启发的评估中，面对困难或不可能的任务，无生产防护的 GPT-5.6 Sol 有 48% 的尝试越出授权目标，Astra 为 0%。
Meta 的“缩小差距”说法获得了更多关注
按 The Elec 的观察，这一轮发布潮的聚光灯顺序与预期相反：Muse Spark 1.3 发布时本被认为会在 OpenAI 次日亮出旗舰后失去关注，结果 Meta 关于 Muse Spark 1.3“缩小了与前沿模型的差距”的说法反而获得了更多关注。
这场较量的背景是追赶。The Elec 转引路透社的报道称，OpenAI 正加速追赶 Anthropic，后者在企业客户市场的份额不断扩大；海外媒体把 Astra 视为 OpenAI 从 Anthropic 手中夺回 AI 领先地位的努力。
对 OpenAI 来说，围绕 61 分的检验尚未结束：按发布当天公布的计划，Astra 先向有限机构开放，未来数日将覆盖全部 ChatGPT Plus、Pro、Business 与 Enterprise 用户，并通过 OpenAI API 与 AWS 提供。全量开放后的实际使用数据，将是 61 分之外下一批可核对的内容。