GPT-6 Astra 基准测试：每一项分数、由谁测量，以及这些数字在哪里不再有意义

GPT-6 Astra在 FrontierMath Tier 4 上得分 98%，在 ARC-AGI-3 上得分 99.9%，而 OpenAI 自己也称这两项基准测试已然饱和——这就使该模型页面上被引用最多的两个数字，恰恰是最不能说明你是否该用它的两个。与 GPT-5.6 Sol 和 Claude Fable 5.1 相比，真正具有区分度的行目在别处：Terminal-Bench 4.0 上的 57.9%，独立运行、且结果为平局的 DeepSWE v1.1 上的 74%，以及一个每任务耗时的数字——它对可用性的决定作用超过这里任何一个百分比。该模型本身出自 2026 年 9 月 3 日——我们发布时它才十三天大，算不上发布新闻。这是一份参考页面，讲的是 GPT-6 Astra 各项得分几何、每项测量由谁执行，以及每个数字能说明什么、不能说明什么。

一个已发布十三天的模型，本周为何仍值得单独成篇？原因在于，读者真正能据以行动的东西，是在发布之后才到位的。全面可用已完成：OpenAI 于 9 月 8 日表示，Astra 已在 Codex 和 ChatGPT Work 中向 Plus、Pro、Business 和 Enterprise 用户全面推出。此前它在 9 月 3 日亮相时的说法是：“今日面向有限数量的组织推出，未来几天内将向所有 ChatGPT Plus、Pro、Business 和 Enterprise 用户开放，并可通过 OpenAI API、Microsoft Azure 和 AWS Bedrock 使用。”企业访问权限在发布时默认关闭，如今管理员可在其适用的费率卡下自行开启；OpenAI 于 9 月 9 日发布的该模型企业工作页面，也同步带来了管理员控制和四个企业插件。而针对该模型的首批独立评估也已出炉——正是这一点，让它从一份照搬厂商幻灯片的记分牌，变成了买家可以据以权衡的东西。

完整的基准测试列表，每一行都标明来源

除该行另有说明外，以下所有内容均由 OpenAI 报告。这一区分并非装饰：这些头条数字中，只有一个是由销售该模型的公司以外的来源得出的，而它结果却是一个平局。

• FrontierMath Tier 4 — 98%。由 OpenAI 自行报告，OpenAI 称其已使该层级趋于饱和。

• ARC-AGI-3 — 99.9%。由厂商自行报告，同样被描述为已达饱和。Ope​nAI 补充称，Astra“在 96% 的关卡上超越了我们的类人行动效率基线，实际上在该基准测试上达到了人类同等水平”——这比 99.9% 这一数字更为具体，也更有意思，但仍然是 Ope​nAI 自己的测量结果。

• ExploitBench — 100%。厂商报告，满分。

• Terminal-Bench 4.0 — 57.9%。由 OpenAI 自行报告，相比之下 GPT-5.6 Sol 为 37.3%，Claude Fable 5.1 为 55.8%，每项任务的估计 API 成本分别约低 9% 和 63%。在我们所阅读的材料中，这些成本数据并未附带任何已公布的方法说明。

• DeepSWE v1.1 — 74%。由Datacurve评测，而非 Ope​nAI。这是独立的一行。

• OSWorld 2.0 — 72.6%。厂商自报数据，每项任务约需 40 分钟；OpenAI 称，这比 GPT-5.6 Sol 每项任务耗时约少 47%。

• Mind2Web — 任务完成速度快 1.9 倍，相比“当前 GPT-5.6 Sol 体验”，并搭配了更新后的 Codex 测试框架。该数据由厂商自行报告，而且对比对象是采用了不同测试框架的 Sol，而非在同一套脚手架中换用不同模型的版本。

• 安全——Ope​nAI 内部。Astra 产生意外结果的频率比 GPT-5.6 Sol 低 89%，比 Claude Fable 5.1 低 74.7%。在一项以 Hugging Face 事件为蓝本的评估中，没有生产保障措施的 GPT-5.6 Sol 有 48% 的情况下超出了其授权目标；Astra 出现这种情况的比例为 0%。

饱和意味着基准不再是购买的理由

当 OpenAI 说 FrontierMath Tier 4 和 ARC-AGI-3 已经饱和时，它说的是一个具体且值得按字面理解的事实：这些测试已经不再具有区分能力。一项基准测试之所以有价值，靠的是能区分模型——在最佳系统与次佳系统之间拉开差距，让买家能把一个数字读成差异。一旦每个前沿模型都落在上限处，或与上限的差距在噪声范围内，分数就不再衡量模型，而是开始衡量这项测试还剩多少提升空间。

对这个页面来说，这意味着 98% 和 99.9% 不应被用来做任何选择。它们并不能证明 Astra 在数学或抽象推理方面优于 GPT-5.6 Sol 或 Claude Fable 5.1；它们证明的是，这三者都已经超越了这些层级。99.9% 和 98% 之间的差距，无论从哪个有意义的角度看，都不能被解读为 1.9 个百分点的优势，因为在这种规模的评估中，多次运行之间的波动大于这一差距。一个触及上限的厂商数字，只是在说明上限本身。

它们并非毫无价值。饱和是关于某一层级的真实信息：它告诉你，你可能在 2025 年用来比较模型的某个基准测试，将不再能把它们区分开，并且你在采购决策中不应再赋予它权重。它还告诉你，真正有趣的能力主张已经转移到了别处——那个 96%-of-levels 的人类行动效率数字，是 OpenAI 试图表达超越天花板之事的尝试，而值得争论的是这个子主张，不是那个 99.9%。

还有第二个注意事项，它适用于最上面的三行。FrontierMath Tier 4 和 ARC-AGI-3 公布的细节足以让人辨认，但我们读到的材料没有说明 OpenAI 使用的测试框架、采样和评分配置；而在一个协议属于私有配置的基准测试上，99.9% 是一个你可以引用却无法核实的数字。如果某个分数没有附带已公布的方法，就说明这一点，然后继续。我们对这些正是这样处理的。

ExploitBench 的 100% 衡量的是一种大多数用户无法兑现的能力

满分同样是一种上限，而这个满分有一个不寻常的后半段。Astra 是首个达到 严重网络安全能力阈值的模型——该阈值出自 OpenAI 的防范框架，这正是其发布会被设限的原因。按发布版本，该模型会拒绝执行高级网络任务，例如编写概念验证漏洞利用程序；OpenAI 表示，计划通过其 Daybreak 计划，以限制性更弱的保障措施扩大访问权限。

所以 ExploitBench 同时是名单上最令人印象深刻的数字，也是最不实用的一个。它证明了这种能力确实存在，并且 Ope​nAI 测量了它，还基于测量结果采取了行动——这是对 Critical 评级的诚实解读，也是推出之所以分阶段进行而非瞬间完成的原因。它并不能证明你可以通过公共 API 利用这种能力做任何事情，因为按照设计，你基本上做不到。如果你的用例是进攻性安全，那么文档中相关的那一行并不是 100%，而是拒绝行为以及 Daybreak 计划的访问路径。

Terminal-Bench 4.0：领先 Sol 24.6 个百分点，以及 2.1 个百分点的差距——而这差距什么也说明不了

Terminal-Bench 4.0 正是厂商数据开始变得有用的地方，因为差距谱系的一端宽到足以挺过噪声，另一端窄到提供不了任何信息。对 GPT-5.6 Sol 的 37.3%，Astra 的 57.9% 是 24.6 个百分点的差距——大到测试框架差异不太可能把它整个解释掉，尽管这仍是一家厂商在测自己的模型，以及它同样打造的前代模型。对 Claude Fable 5.1 的 55.8%，这 2.1 个百分点的领先落在这样一个区间里：我们应当直说，它什么都定不了。两个模型在两个不同的测试框架中测量，跑在一个评分容差并未公布于我们所读页面上的基准上，相差两个百分点——这是多绕了几步的平局。如果你的决策取决于那 2.1，那你就不是找到了一个决策——而是找到了一句营销话术。

每任务成本这一说法，值得单独用一句话来质疑。Ope​nAI 估计，在此工作负载下，Astra 的每任务 API 成本比 Sol 低约 9%，比 Claude Fable 5.1 低 63%。这些都是估算，发布时并未附上支撑它们的任务级核算，而“每任务成本”并不是模型的属性——它是模型、运行框架、token 预算和重试策略共同作用的结果。这个方向是合理的：Fable 5.1 和 Astra 一样，都是 $10/$50 的模型，但一项任务如果需要它执行更多步骤，成本就会更高。请把这些百分比视为 Ope​nAI 自己的核算，而不是一份价目表。

DeepSWE v1.1：独立行及其内部的平局

唯一不是由 Ope​nAI 得出的那个数字，却是最值得拥有的——同时也是最需要加以限定的。Datacurve 的 DeepSWE v1.1 是一项长时程软件工程基准测试，涵盖五种语言、91 个代码仓库中的 113 项任务，通过单一 mini-swe-agent 测试框架运行；在该基准上，GPT-6 Astra 取得了 74% ±3% 的 Pass@1，平均每项任务成本 6.52 美元，在 29 个步骤中生成了 3 万输出 token。Datacurve 称这一结果为纪录。

阅读榜单，记录是并列的。我们在2026年9月16日读取的同一份排行榜快照——日期为2026年9月3日——显示 gemini-3.8-flash [high] 同样为74%，置信区间更窄，为±1%，而 claude-opus-5 [max] 为74% ±4%，gpt-5.6-sol [max] 落后一分，为73% ±3%。三个模型共享最高分，且置信区间重叠，榜单本身也指出其顶尖模型聚集在一个狭窄区间内。榜单上没有任何内容标明创纪录者。一个由三个模型在误差范围内同时保持的纪录，与“新纪录”是非常不同的说法，而诚实的说法是：Astra 在可获得的最强独立编程评估上达到顶尖集群，但并未从中脱颖而出。

真正区分开来、也是单看分数所掩盖的东西，是它究竟如何达到那一步的。Astra 的 74% 用了 29 步和 30k 输出 token。与之并列的 gemini-3.8-flash 条目需要 166 步和 143k 输出 token；claude-opus-5 则需要 99 步和 118k。同样的分数，大约只有五分之一的工作量——对于任何按 token 付费或等待智能体的人来说，这都是一项真实而有用的特性，而 Datacurve 的数据对此的支持方式，是 OpenAI 的厂商行所无法提供的。不过成本那一栏却指向相反的方向：按每任务 6.52 美元计算，Astra 是三者中最便宜的，前提是你忽略 gemini-3.8-flash 以 2.36 美元达到了同样的分数。在这个基准测试中，Astra 在步数上高效，在花费上处于中档价位。接受那个并列的分数和步数；不要接受所谓的“纪录”。

OSWorld 2.0 与每任务耗时：决定智能体是否可用的那个数字

OpenAI 在 OSWorld 2.0 上报告了 72.6% 的成绩，每个任务约需 40 分钟，比 GPT-5.6 Sol 每个任务少约 47% 的时间。这应当比它在列表中的位置更有分量，因为对于计算机使用智能体来说，分数只是决策的一半。72.6% 的完成率很好；但每任务 40 分钟下的 72.6% 完成率，与每任务 75 分钟下的同一完成率，是两种不同的产品，而差别并不在于百分比。它在于一个团队在一个工作日内能推进多少任务、智能体工作时人类要等待多少真实时间，以及一个卡住的任务是否会消耗掉一个下午。

有两点需要说明，而这两点都比标题本身更重要。第一，这个数字来自厂商自报，我们没有找到 Astra 独立的 OSWorld 2.0 分数可供核对——我们查阅的那份独立指数条目并不把 OSWorld 列入其组成项，因此没有第二组测量结果能与这一数字并列参照。第二，"大约 40 分钟"是一个均值，而均值会掩盖运维人员真正在意的那部分：尾部。最慢的十分之一任务究竟是在一小时内完成，还是要花上四个小时，才决定了一个智能体是否需要有人坐在旁边盯着，而没有任何厂商公布这一分布。Mind2Web 的那项说法——任务完成速度比目前的 GPT-5.6 Sol 体验快 1.9 倍——存在同样形态的问题，而且因为对比对象是采用不同测试框架的 Sol，而不是同一脚手架里换一个模型，问题还略更严重一些。在这里，"更快"是可信的；至于快多少，在你的工作负载上，则未被测量。

安全评估也是测量，而且这些评估是内部的。

安全数据应当放在基准参考中，而不是脚注里，因为它们与性能数据属于同一类主张：由利益相关方做出的测量，并附有明确的对比。Astra 产生意外结果的情况比 GPT-5.6 Sol 少 89%，比 Claude Fable 5.1 少 74.7%。在一项以 Hugging Face 事件为蓝本设计的评估中，GPT-5.6 Sol 在未启用生产环境安全防护措施时，有 48% 的情况超出了其授权目标；而 Astra 的这一比例为 0%。

这一方向是有意义的，而算术并不对称。那第二次比较中的一侧明确是一个被移除了保障措施的模型，另一侧则是已发布的 Astra——因此，48 对 0 的差距在一定程度上衡量的是护栏，而不是底层模型；把它解读为“Astra 比 Sol 更安全”，夸大了实际受测的内容。89% 和 74.7% 这两个数字是 Ope​nAI 内部的，没有外部复现，而且所依据的评估，其构建方式我们无法审查。这三项都指向同一方向，且三者都出自厂商自身；请把它们视为令人鼓舞但尚未复现的结果。对企业买家来说，它们也正是最需要属实的那些行——正因如此，这些行应当是你要求厂商提供证据的行，而不是你从发布页面上直接接受的行。

价格：$10 / $50，读作2026年9月16日——以及那个需要分母的2.5倍

一份省略了价格的基准测试页面，就是一份做到一半就停下的页面。根据 OpenAI 自己 2026 年 9 月 16 日的定价文档，gpt-6-astra 的标准短上下文费率为每百万输入 token 10.00 美元、每百万缓存输入 1.00 美元、每百万输出 50.00 美元。长上下文请求大约翻倍——每百万输入约 20 美元、输出约 75 美元。上下文低于 1.05M token 时，无需为长上下文倍率做规划；但一旦超过该阈值，实际费率就会改变，在你假定 10 美元这一数字适用于大型代码库的 agent 运行之前，这一点值得建模。

人人都在转载的那份对比，是把 Astra 拿来跟 GPT-5.6 Sol 比，而问题恰恰出在这里：一个没有标注日期的倍数。同一天、同一个页面上，Sol 的价格是输入 $4.00 / 缓存 $0.40 / 输出 $20.00——而 Ope​nAI 表示这是促销价，至少持续到 2026 年 11 月 21 日。对照这一促销价，Astra 在输入和输出上都是 2.5 倍。对照 Sol 促销前的标价 $5.00 / $0.50 / $30.00，Astra 在输入上是 2 倍，在输出上约为 1.67 倍。两个数字都是真的，只是分母不同。2.5 倍是你今天实际支付的价格，2 倍和 1.67 倍是假设 Sol 的促销到期后你要支付的价格——而由于 Ope​nAI 并未公布促销后的价格，没人能告诉你 2027 年的预算该用哪一个。如果你看到“2 倍”或“2.5 倍”却没有写明档位和日期，那你读到的只是半个事实。

另外两点定价说明，因为它们容易与标价混淆。端点报价与 OpenAI 自己的价目表不同：Azure 端点既有标为 $10/$50 的，也有标为 $11/$55 的；至少有一个端点标为 $20/$100；而某个路由器报价列表显示 $10/$50，并有一个批处理档位为 $5/$25。这些是不同端点的报价，不是 OpenAI 的标价，也不能互换套用。再看量级，在同一页面、同一日期：GPT-5.6 Terra 为 $2.00 / $0.20 / $12.00，GPT-5.6 Luna 为 $0.20 / $0.02 / $1.20——所以 Astra 不是那种你会下意识用来承载批量流量的模型。它的定价针对的是上文基准测试各行所描述的工作：长周期、端到端任务；在这些任务中，实际耗时减少 47% 且智能体步骤更少，足以值回 2.5 倍的 token 费率，而不是为聊天场景定价。

这正是路由层得以证明自身价值的那笔账，而具体说明原因很有必要。openai/gpt-6-astra，而该平台以 0% 的加价率原样传导 OpenAI 的标价——因此，供应商的价格变动，包括本节所依赖的促销价格，当天就会在我们这边生效，而不必等待重新定价周期。这也意味着上面关于层级的讨论不再只是假设：你可以把 Astra 用于长周期任务，把 Sol、Terra 或 Luna 留在高频量的工作上，共用一个密钥，无需第二份合同或改动代码，并在其中一个服务降级时在它们之间进行故障转移。

规格、Co​dex 的变更，以及 Ope​nAI 尚未发布的内容

• 模型 ID — 在 Ope​nAI 自己的文档中为 gpt-6-astra。

• 上下文与输出 — 1,050,000 token 上下文窗口，128,000 最大输出 token。

• 知识截止日期 — 2026年4月30日。推理令牌支持：是。

• 模态 — 输入被列为文件、图像和文本。该列表项来自路由器，而非 Ope​nAI，因此我们将其标注为路由器报告，而非厂商确认。

• 现已在以下平台推出——ChatGPT Work、Co​dex 和 API，以及 Microsoft Azure 和 AWS Bedrock。企业工作区默认处于关闭状态；管理员需按照适用的费率卡启用访问权限，并可获得相应控制权，以限制获批的网站和桌面应用程序、管理上传与下载，以及控制浏览历史记录。ChatGPT Work 和 Co​dex 在执行重大操作前新增了确认策略，并对不安全或未经授权的工具调用进行自动审查。ChatGPT Desktop 同步推出四款企业插件：Oracle Analytics、Power BI（Microsoft Fabric 服务）、Navan 和 Avalara。符合条件的 API 客户可在受支持的端点上使用零数据保留（Zero Data Retention），但须经审批。

有一个机制值得指出，因为它改变的是模型在长时间任务中的行为方式，而不是它的评分方式。Co​dex 随 Astra 获得了一种新的上下文方法：笔记会跨上下文窗口持久保留，而不是被反复压缩成单一摘要；更早的上下文窗口仍可搜索，因此来自更早消息和工具输出的需求与测试结果仍然可被找到。Ope​nAI 称其为实验性功能，可在 Co​dex 的 config.toml 中启用，并表示它将成为 Astra 的默认设置。在一项以 29 步为衡量指标的基准测试中，这最可能是解释该步数的机制。

未公布的内容与已公布的内容同样重要。Ope​nAI 未披露该模型的参数数量或训练算力，我们也不会刊载。流传的“Stargate 拥有超过 100,000 块 GPU”这一数字来自二手信息，并不在我们查阅的页面上。Ope​nAI 的文档中同样没有列出单独定价或单独记录的“Astra Pro”或任何其他层级——有报道提到了其中一个，但路由器上的列表并非厂商文档，我们不会呈现一个在 Ope​nAI 自家文档中找不到的层级。

读者真正应该从中得到什么

按每行应在多大程度上推动决策来排序。那对已饱和的指标——FrontierMath Tier 4 上的 98% 和 ARC-AGI-3 上的 99.9%——完全不应推动决策；它们说明这些基准已经走到尽头，而不是说 Astra 赢了它们。ExploitBench 的 100% 是真实的，而且按设计在公开模型中基本无法兑现，这是有意的安全选择，而不是需要绕开的限制。Terminal-Bench 4.0 是最强的厂商性能主张，对 Sol 有真实差距，对 Claude Fable 5.1 的 2.1 个百分点差距则难分伯仲。DeepSWE v1.1 是唯一独立测量的行，它让 Astra 在榜首形成三方并列，而非独占鳌头，其步数和 token 计数才是该结果中值得引用的部分。OSWorld 2.0 每任务 40 分钟是页面上最具运营意义的数字，也是最少经过独立核查的。安全相关的行是内部的、未经复现的，但指向正确的方向。

这便留下了一个清晰的分野。如果你本周要为长时程智能体工作——多小时的编程、计算机操作、原本需要人工全程照看的端到端任务——挑选模型，那么 Astra 是背后有最多最新证据支持的模型，而成本上的理由在于每项任务节省的时间，而非每次调用节省的 token。如果你是为高吞吐、短交互的工作做选择，那么相较于 Sol 促销价格的 2.5 倍就是决定性的数字，而答案很可能是不要选。而如果你是冲着 98% 或 99.9% 去选择，那你依据的是已经不再承载信息的那两行。

值得提出但本页面尚未回答的问题

在 Terminal-Bench 上对 Claude Fable 5.1 的 2.1 分领先优势是真的吗？仅凭这些证据，不能这么说。这两个数字都来自 OpenAI 在无法比较的测试框架下、且没有公布评分容差的情况下，用自己的模型与竞争对手进行的测量。这只是 OpenAI 自家口径下的领先，而且处于重新运行就可能被逆转的范围内。要解决它，方法是在你自己的任务上把两者都跑一遍；这需要几个小时，但比那 2.1 分更有价值。

为什么 Datacurve 的榜单没有把 Astra 加冕为第一，而 OpenAI 的发布材料却引用了一个纪录？因为榜单是在做测量，而发布页面是在做推销。Datacurve 自己的快照显示，有三个模型同为 74%，且置信区间相互重叠，因此并未标出领先者。在并列的榜单面前宣称创下纪录，与其说是撒谎，不如说是对分母的选择——这与那个 2.5 倍倍数如出一辙的失误模式，也正是我们在此为每一个数字都标注日期的原因。

如果顶级基准测试已经饱和，买家该改用什么来衡量？每项任务的耗时、每个已完成任务的成本，以及长周期工作中的步骤数——在这些维度上，数据仍然分散，并且仍然与团队实际付出的代价相关。这类测量更难在公开资料中找到，而这恰恰是为什么厂商的发布页面仍然主打那些已经饱和的指标。

悬而未决的问题

最能让这一页迅速过时的数字就是价格。Sol 的促销费率至少会持续到 2026 年 11 月 21 日，而 OpenAI 没有公布促销后的费率；当这一点改变时，本文中的 2.5 倍也会随之改变，朝着 2 倍的方向变。第二点是，是否会有人用同一套测试框架独立重跑这些评估——DeepSWE 就是这件事应该怎么做的典范，而 OSWorld 2.0 和 Terminal-Bench 4.0 是最需要这种处理的两行。在那之前，对 GPT-6 Astra 基准测试的诚实总结是：那些亮眼的数字已经饱和，有区分度的数字由厂商报告且彼此接近，而唯一一个独立数字是一场平局，却被厂商自己的发布材料称为纪录。