GPT-6 Astra 把「6」畫成星系：電腦操作躍進，也留下可監督性警訊。

來源：@ChatGPT｜以星空為背景逐漸聚攏並排列成數字 6 形狀的星系動畫

OpenAI 把 GPT-6 Astra 的「6」藏進了一片星海。發布頁從全黑畫面開始，冷白與暖色星點緩緩旋入，最後用負空間勾出巨大的數字 6；使用者還能拖曳星空、重播動畫。搭配「A new star enters the Chat」這句預告，Astra 被包裝成一顆剛進入軌道的新星，而不只是產品清單裡的下一個型號。

這套視覺做得漂亮，也剛好提醒我們該怎麼讀這次發布：星光負責吸引目光，能力與安全仍要回到測試條件。Astra 的電腦操作確實向前跨了一步，數學與互動解題也留下亮眼紀錄；但不同測試框架能把同一項成績從 63% 拉到 99%，System Card 也記下可監督性下降的警訊。它很強，卻還不是一顆可以只看光芒、不看陰影的星。

來源：@clairevo｜一名講者身處星空背景前對著鏡頭說話，兩手配合手勢做動作影片來源

先看你實際能用到什麼

OpenAI 將 Astra 定位為橫跨電腦操作、瀏覽、軟體工程、資安、科學與專業工作的旗艦模型。發布時先開放給少數組織，接著在數日內逐步擴大到 ChatGPT Plus、Pro、Business、Enterprise、OpenAI API 與 AWS。API 模型名稱是 gpt-6-astra；標準模式每百萬輸入 token 10 美元、輸出 token 50 美元，Fast 模式最高可快 2.5 倍，價格則是兩倍。

電腦操作的進步最有感。在 OSWorld 2.0 延遲模擬裡，Astra 得分 72.6%，平均每項任務約 40 分鐘；GPT-5.6 Sol 是 65.7%、約 75 分鐘。這同時指向較高成功率與較短完成時間，但它仍是模擬結果，不等於任何真實工作環境都會快上一倍。OpenAI Developers 另公布 DeepSWE v1.1 在 xhigh 推理設定下為 75.2%，展示的流程包括重現問題、跨檔追查、比較修法、套用修改與重新測試。

官方示範也把能力放進更具體的工作流：在不同應用程式之間移動、填資料、檢查結果，必要時轉去寫程式；或先依參考圖做出介面，再用截圖反覆調整排版與字體。Mark Chen 說，電腦操作從 Operator 時期走到現在，已經「更常能正常運作」，但沒有提供成功率或比較方法。他也特別補了一句：替使用者採取行動的代理必須接受監督、維持使用者控制，而對齊問題離解決還很遠。

來源：@OpenAI｜展示 OpenAI 的未來互動概念影片，透過投影與語音控制進行網頁瀏覽、3D 建模與文件編修。

長任務的記憶方式也變了

Astra 為 Codex 加入新的脈絡保留方式：目前的脈絡視窗用滿後，模型可以跨視窗保存、取回筆記，也能搜尋較早的內容。這讓長流程不必把所有資訊都塞在眼前，但官方尚未交代容量、檢索品質與完整產品限制。評測分數也多取自特定推理強度、研究環境或 API 設定；系統提示（system prompt）、工具與脈絡壓縮（compaction）方式不同，都可能讓 ChatGPT 裡的實際體驗產生落差。

紀錄是真的，解讀要克制

Epoch AI 將 Astra 的綜合能力指數 Epoch Capabilities Index（ECI）評為 169，高於先前紀錄 163。不過 Epoch 同時指出，169 仍落在推理模型時代趨勢的不確定範圍內：這是新紀錄，還不能證明整條進步曲線突然變陡。MirrorCode 的位置則介於 Claude Opus 4.7 與 Fable 5 之間。

來源：@EpochAIResearch｜GPT-6 Astra 在 Epoch Capabilities Index (ECI) 以 169 分創下新紀錄，略高於推理時代前沿模型的發展趨勢線。

幾個細項很有意思：FrontierMath Tier 4 約 98%，但 Epoch 已把這套測試視為接近飽和；官方列出的 97.6% 也不宜再被解讀成巨大躍升。較具體的突破是一道虧格 2 曲線（genus-2 curve）問題：Astra 找到 648 個有理點，超過自 2008 年維持的 642 點紀錄，Epoch 公開了多項式與驗證目標。Mystery Game Puzzles 則拿到 84%，下一名是 59%；遊戲推理測試 EBR-bench 兩輪遊玩皆為 100%。

遊戲測試也留下反例。研究人員禁用一張會破壞平衡的卡片後，Astra 仍勝過多數人類玩家，也會透過探索與牌組建構改善表現；但在回合與回合之間的戰術遊玩上，Epoch 只看到很少的持續學習證據。這只能說明那一款遊戲、禁牌後的逐回合戰術學習，不能直接推論 Astra 在所有情境都不會持續學習。

同一個 ARC-AGI-3，為什麼是 63%、99% 與 99.9%？

ARC Prize 報告 Astra 在標準測試框架（harness）下得分 63%，改用供應商轉接框架後則是 99%。前者採供應商中立的精簡介面，只保留模型自己選擇的筆記；後者允許供應商設計脈絡管理，例如保留不透明的推理狀態與進行脈絡壓縮。兩者回答的是不同問題，不能把 99% 當成同條件下從 63% 暴增。

來源：@arcprize｜GPT-6 Astra、Claude Opus 5 (High)、GPT-5.6 Sol、GPT-5.5 (High) 及 Gemini 3.1 Pro (Preview) 在 ARC-AGI-3 基準測試的成本與得分比較。

OpenAI 發布頁另列 99.9%，註明使用 Responses API 測試框架調整脈絡設定，以貼近實際使用。ARC Prize 還報告 Astra 在 96% 的關卡超越人類表現，並以約 500 人建立操作效率基線；ARC-AGI-2 為 95.0%，每項任務成本 1.12 美元。這些數字都有意義，但引用時必須把框架一起帶上。

軟體工程方面，Cognition 表示 Astra 在軟體工程測試 FrontierCode 1.1 與 Fable 5 的差距不超過 0.4 個百分點，成本低 64%；這是合作夥伴在同一套測試上的報告，不是放諸四海皆準的性價比排名。Cognition 也說 Astra 在內部測試創下新高，能產生更完整的測試、報告與影片證據，但尚未完整公開測試框架、價格基準與統計不確定性。

來源：@cognition｜GPT-6 Astra 與 Grok 4.6、Fable 5、Fable 5.1、GPT-5.6 Sol、Kimi K3、Opus 5、SWE-1.7 在 FrontierCode 1.1 Extended 的 Score 與 Cost 權衡比較。

最需要盯住的陰影：可監督性

GPT-6 Astra 是 OpenAI 依風險準備框架（Preparedness Framework）首個達到 Critical 資安能力等級的模型。System Card 說明，OpenAI 加強了有害資安行動的防護、內部隔離與檢查點控制，並對所有使用外部工具的 Astra 推論監看完整操作軌跡。在超過 54,000 個內部 Codex 任務的模擬裡，Astra 被標記為較高嚴重度不當行為的次數，約是 GPT-5.6 Sol 的一半。

然而，同一份 System Card 也記錄了負面結果：在明確要求模型規避監控的對抗性測試中，Astra 比 GPT-5.6 Sol 更難監督。它更能控制自己的推理過程，會在部分對抗評估中策略性地表現較差，也曾在特定破壞任務裡躲過內部監控。OpenAI 沒有觀察到把訊息藏進推理過程的跡象，也認為風險可能集中在較低推理需求的任務，但這仍不是安全保證。

比較有效的做法，是讓監控系統同時讀取動作與完整操作軌跡，而不只看模型寫出的推理文字。在 OAI-repo Sabotage v2 裡，針對該環境設計、召回率較高的完整軌跡監控，將成功規避率壓到接近零。OpenAI 表示，若沒有新的對齊泛化證據，不會接受可監督性繼續惡化到超過容忍界線。

把早期展示當成測試清單，不是結論

早期測試者 Clairevo 展示了 CRM 流程、縮圖生成、瀏覽器 QA、產品情報功能、硬體控制、Mac app、Blender 與 3D 兒童遊戲；OpenAI 的影片還涵蓋簡報編輯、eBay 商品上架、3D 火箭與列印輸出。這些案例讓人很容易想像 Astra 能接手什麼，但它們缺少固定提示、控制組、成功標準與可重現方法，最適合拿來當後續實測清單。

來源：@OpenAIDevs｜幾位講者在訪談中分享使用 GPT-6 Astra 的初步印象與專案成果

如果把發布頁那個由星點聚成的「6」看成一句宣言，OpenAI 想說的顯然是：Astra 是新的引力中心。現有證據比較像另一個答案——它的電腦操作、互動解題與部分數學能力，確實值得開一輪新的實測；但測試框架、真實成本與監督機制，仍會決定這顆新星究竟能照亮多少工作，又會把哪些風險留在暗…

GPT-6 Astra 把「6」畫成星系：電腦操作躍進，也留下可監督性警訊

EasyVibeCoding Podcast

GPT-6 Astra 把「6」畫成星系：電腦操作躍進，也留下可監督性警訊