GPT-6 Astra跑分全面领先，细账里全是险胜和翻车

发布视频1分59秒，一只鹈鹕骑着自行车驶过画面，脖子上系着红领巾。这是OpenAI给Simon Willison的一个彩蛋——多年来他用“画一只骑自行车的鹈鹕”当作检验模型的非正式标尺，现在OpenAI把这个梗直接放进了GPT-6 Astra的发布视频。彩蛋本身挺可爱，但翻开Astra的定价单和跑分细则，会发现比彩蛋更值得琢磨的，是官方叙事和实际表现之间的落差。

又贵又长，先看清计费方式

Astra在9月3日先对部分组织开放，随后铺开到ChatGPT各档位和API、Azure、AWS Bedrock。定价不便宜：标准输入每百万token 10美元，输出高达50美元，知识截止到2026年4月30日。上下文窗口拉到105万token，但有个容易漏看的细节——单次请求输入一旦超过27.2万token，输入和缓存费率直接翻倍，输出费率也涨到1.5倍。长文档、长代码库场景下，账单可能比想象中涨得更快。

跑分全面领先？细看是险胜

官方给出的数字确实亮眼：FrontierMath Tier 4达98%，ARC-AGI-399.9%，ExploitBench满分，几何理解基准BenchCAD从上代GPT-5.6 Sol的83.3%跳到95.9%。但把编程类基准拆到具体项，故事就没那么单纯了。

至于价格，Gemini 3.8 Flash的输入价只有Astra的十三分之一（0.75美元 vs 10美元），DeepSWE分数还几乎持平。对成本敏感的团队，这笔账不难算。

3D和幻觉率：两个被放大的亮点

视频里那些花园、船厂、戴森球渲染看起来惊艳，但Astra并不是原生3D生成模型——它靠生成CAD代码去驱动Blender、Unreal这类外部工具完成建模。它擅长的是BenchCAD衡量的几何精确性，不代表游戏资产制作里常见的贴图、UV展开、骨骼绑定这些环节也一并变强了。视频演示和窄口径基准之间，隔着一层。

幻觉率数据同理。官方宣称Astra的幻觉错误率是4.2%，远低于GPT-5.6 Sol的12.2%，听着像是解决了大模型的老毛病。但这个数字来自专门设计、题目冷门、禁止联网检索的高难度测试集，跟日常生产环境里的错误率是两回事。

• 提醒.跑分基准是厂商自己设计、自己公布的尺子，几何精确度高不等于3D工作流全能，幻觉率低不等于生产环境不瞎编。

开发者不买账，鹈鹕也没完全服气

跑分之外，社区的反馈更扎心。有开发者反馈Astra会在没确认方案的情况下擅自实施架构决策，生成不合理的数据库schema、把状态变更接口写成GET请求、漏掉关键的成本日志——这些都是能直接捅娄子的生产风险。更古怪的是，Astra的最高推理档（max）在两项编程评测上得分反而略低于次高档（high），社区猜测是“过度思考”在作怪。

Willison自己那套非正式的鹈鹕测试，倒是给出了一个务实的参照：Astra在最低推理档、成本约9.55美分时，画得就已经超过GPT-5.6 Sol的所有档位；把成本推到最高档63美分，视觉效果确实更细腻，但只要不是拉满推理强度，鹈鹕的腿和车架位置错位依然常见。

这也是鹈鹕测试的价值所在——它足够简单，简单到能暴露一个模型在空间关系上到底有没有真本事，比冷门的高难度基准更贴近直觉。但它也足够简单，简单到容易被针对性优化。发布视频里出现的鹈鹕形象风格和Willison测试的画风高度接近，社区已经有人怀疑这是不是一次刻意的“对题作画”。

跑分是自家量的尺子，尺子准不准，得看开发者拿代码去量

对普通开发者来说，选型的现实建议并不复杂：追求长时程任务的性价比，Gemini 3.8 Flash值得先试；需要极致的几何精确度和CAD输出，Astra的BenchCAD优势是实打实的；但只要涉及架构决策和数据库改动，把Astra的输出当草稿看待，比当成品直接合并要安全得多。