OpenAI公布了GPT-6 Astra，并开始向少量组织开放。接下来几天，ChatGPT Plus、Pro、Business、Enterprise用户，以及API和AWS渠道都将陆续获得访问权限。API价格定在输入每百万Token 10美元、输出每百万Token 50美元，与Claude Fable 5和5.1的报价相同。
这款模型最抢眼的数字是ARC-AGI 3的99.9%。但这个数字不能脱离测试方式单独阅读：ARC Prize披露的结果显示，Astra使用OpenAI定制的“Provider Adapter harness”时达到99.9%，花费约1.9万美元；换回默认测试框架，成绩降至62.7%，花费反而约2.6万美元。真正值得报道的变化，不是“模型突然接近满分”，而是模型本身与运行框架的边界，已经成为评测结果的一部分。
Astra的优势很明确：复杂编码、安全任务和长上下文
OpenAI公布的材料把Astra定位成高价、高能力模型，重点落在几个需要持续推理的场景：
| 测试或指标 | GPT-6 Astra | 对照结果 | 备注 |
|---|---|---|---|
| ARC-AGI 3，Provider Adapter | 99.9% | 默认框架62.7% | 两种测试框架，成本分别约1.9万美元和2.6万美元 |
| ExploitBench | 100% | GPT-5.6 Sol为78.5% | OpenAI披露 |
| ExploitGym | 42.4% | GPT-5.6 Sol为30.3% | OpenAI披露 |
| SRE-Bench二进制逆向，四次内 | 99.2% | GPT-5.6 Sol为68.7% | OpenAI披露 |
| OpenAI八针长上下文测试 | 256K–512K为100% | — | 512K–1M为96.3% |
这些成绩说明，Astra至少把资源集中在了几个高价值难题上。
安全任务的提升尤其明显。ExploitBench达到100%，SRE-Bench在四次尝试内达到99.2%，这类表现对安全研究、漏洞分析和运维自动化团队有现实吸引力。长上下文成绩也很强：在OpenAI自己的八针测试里，256K到512K Token区间保持100%，512K到1M区间仍有96.3%。
但这里有一层容易被忽略的条件。上表中的安全成绩和长上下文成绩主要来自OpenAI披露，第三方对Astra的独立实测还不足。原始信息的作者也明确表示，自己尚未拿到模型进行体验。因此，读者现在能确认的是“公开测试结果很强”，还不能确认它在真实代码库、企业文档和长时间运行中同样稳定。
99.9%背后，评测框架也在参与推理
Provider Adapter并非普通的测速外壳。ARC-AGI的说明称，它会在多次请求之间保留不透明的推理状态，并通过压缩处理更长的对话，让模型能够复用此前的工作。
这会改变测试的含义。
如果一个任务允许系统保留中间推理、压缩上下文、反复调用模型，那么测到的就是“模型加记忆机制、状态管理和调用策略”的综合能力。对真实的Agent产品来说，这种组合当然有价值；开发者本来就会使用缓存、上下文压缩和多轮重试。把这些能力排除在外，反而未必符合产品现实。
问题在于，99.9%这个数字很容易被公众理解成“裸模型能力”。而默认框架的62.7%说明，Astra的成绩对运行方式高度敏感。两者相差37.2个百分点，已经不是小幅波动。它更适合被写成“OpenAI配置的一套推理系统在ARC-AGI 3上达到99.9%”，不适合直接写成“Astra本体达到99.9%”。
这也是它和上一代GPT-5.6 Sol、以及Claude Fable 5之间最重要的比较限制：
- OpenAI称Astra在多数自报基准上高于Fable，但这些结果首先是厂商自己的测试。
- Artificial Analysis的Intelligence Index给Astra打出61分，与GPT-5.6 Sol相同，比Claude Fable 5.1的最高配置低5分。
- 在Coding Agent Index中，Astra的最高推理力度与GPT-5.6 Sol成本大致相当，分数高2分；按任务计算，报道认为它达到与Claude Fable 5相近的成绩，但成本不到后者一半。
这组结果没有导向“谁全面胜出”。它更像是两种产品取向的对照：Astra试图把高强度编码Agent的单位任务成本压下来，Fable 5.1在综合智能榜单上仍占上风。榜单的配置、fallback、任务分布和延迟数据没有完全展开，采购团队不能只拿一个分数作结论。
对开发者和企业，先试用再迁移
对安全团队、逆向工程人员和大型代码库维护者，Astra值得进入测试清单。尤其是那些已经在使用Agent、愿意接受多轮调用，并且按任务结果而非单次请求计费的团队，Provider Adapter体现的状态复用能力可能比裸模型跑分更有用。
但动作不应是立刻替换现有模型。更稳妥的做法是拿自己的任务做一轮小规模对照：
- 同一批代码修复、测试生成和故障排查任务，分别跑Astra、Claude Fable 5和现有模型。
- 同时记录成功率、重试次数、响应延迟和总Token消耗。
- 把“默认API调用”和“带状态复用的Agent流程”分开核算。
- 对安全场景增加人工复核，避免把高分误当成可直接上线的自动化权限。
价格也需要按完整任务成本理解。Astra的API报价是输入每百万Token 10美元、输出每百万Token 50美元。输出价格是输入价格的5倍；如果Agent反复生成长代码、分析报告或修复方案，账单增长会很快。一次任务便宜，不等于整个工作流便宜。
普通ChatGPT订阅用户则不必因为99.9%立刻升级。模型会在Plus、Pro、Business和Enterprise中逐步开放，但具体使用额度、默认模型切换方式和高峰期延迟，公开信息还不够完整。真正影响日常体验的，往往是这些细节，而不是实验室里最漂亮的那一列数字。
Astra目前最可信的判断是：它可能是一个很强的编码和安全Agent组件，也可能是OpenAI用系统工程把模型成绩推到高位的一次展示。两者并不矛盾。接下来最该看的，是独立测试能否复现高分，以及默认API在真实任务里的成功率、延迟和总成本。若只能靠定制框架维持领先，99.9%会留在发布会材料里；若普通开发者也能稳定获得接近的结果，Astra才算真正改变了模型采购的账本。