GPT-6 Astra 对比 Qwen3.8-Max：两大智能体旗舰及各自的细则

2026年9月有两则"智能体旗舰"的报道，主角分别是GPT-6 Astra和Qwen3.8-Max。OpenAI于9月3日发布GPT-6 Astra，称其为全球在计算机使用、软件工程、科学和网络安全方面最强的模型；阿里巴巴的Qwen3.8-Max自8月3日推出以来，一直是中国最强实验室的智能体旗舰——Artificial Analysis在智能体指数中将其列为业界顶尖，它也是开放生态系统中对前沿模型自主工作主张最有力的挑战者。两款模型确实都很强，且宣传时的头条数字却经不起细究：OpenAI在ARC-AGI-3上99.9%的成绩，在ARC Prize使用自己的中立测试框架复测后降至62.7%；Qwen3.8-Max的智能体表现虽然出色，但独立测评显示其幻觉问题出现回退，并且它习惯于在前代只需14轮就能完成的任务上花费64轮、超过一美元。这是对两款模型的比较——也是对两种基准解读方式的比较。

这两个标题

OpenAI 为 GPT-6 Astra 提出的卖点是广度加自主性：一个模型即可驱动浏览器、编写并修复代码、运行科学分析，而且——独特之处在于——它能发现新的安全漏洞，能力之强让 OpenAI 依据其“预备框架”（Preparedness Framework）将整个模型评为“严重”（critical）级别，并将最高能力设置仅限经审核的合作伙伴使用。发布材料声称，该模型在 ExploitBench 上取得满分 100%，在 FrontierMath Tier 4 上取得 97.6%，在 GPQA Diamond 上取得 96.0%，并拿下 ARC-AGI-3 的饱和分数。阿里巴巴对 Qwen3.8-Max 的卖点则更聚焦但同样犀利：一款定价 $2/$6 的智能体“主力干将”，在独立的智能体评测中位居前列或接近榜首，底层权重以自定义许可证公开发布，而非锁在黑匣子里。

独立记分牌显示的内容

Artificial Analysis目前将GPT-6 Astra（max）的智能得分评为61——在其追踪的202个模型中排名第8——Qwen3.8-Max的智能得分为58，排名第24。这三分的差距小于价格差距，也小于两家厂商各自营销所暗示的差距；在AA单独的智能体指数上，Qwen3.8-Max以58分与专有前沿模型中的最强者持平，而AA至今根本没有为GPT-6 Astra发布智能体指数。诚实的解读是：就纯实测智能而言，这两者是近邻，OpenAI发布材料中“全世界最智能的模型”的表述，并不是AA独立评测所展现的结果。

• 智能 — GPT-6 Astra (max)：AA Intelligence 61，排名 #8/202。Qwen3.8-Max：AA Intelligence 58，排名 #24/202；AA Agentic 58。

• 标价 — GPT-6 Astra：每1M $10.00 / $50.00，缓存读取 $1.00，超过272K token的输入按2倍计费。Qwen3.8-Max：每1M $2.00 / $6.00，缓存读取 $0.25。

• 上下文 / 输出——GPT-6 Astra：1.05M 输入 / 128K 输出。Qwen3.8-Max：1M 输入 / ~128K 输出。

• 智能体证据——GPT-6 Astra：ARC-AGI-3 达 99.9%（OpenAI 评估框架）对比 62.7%（ARC Prize 标准评估框架）；WANDR 0.682，每次任务 $11.98（Perplexity 报告）。Qwen3.8-Max：AA GDPval 在每次任务 64 轮下 Elo 达 1,739（约 $1.14/任务）；Code Arena WebDev 以 Elo 1,691 位列第一。

• 独立危险信号GPT-6 Astra：尚未进入 ChatGPT 的模型选择器，API 分阶段推出，且在可监控性上作出让步。Qwen3.8-Max：与上一代相比，AA-Omniscience 幻觉率从 23% 恶化至 40%。

• 权重——GPT-6 Astra：专有。Qwen3.8-Max：Max 级检查点（Qwen3.8-2.4T-A95B），自8月12日起以自定义许可证公开；AA 仍将托管的旗舰模型列为专有。

细则注释

先看 ARC-AGI-3 的数字，因为它最能说明一个数字如何既真实又具有误导性。OpenAI 在其自家的 provider-adapter 测试框架上报告 GPT-6 Astra 达到 99.9%——这是针对该模型调整过的设置。ARC Prize，即维护该基准测试的组织，在提供商中立的标准化测试框架上运行 GPT-6 Astra，测得 62.7%。两者都是当前最先进的水平；但都不是在模型制造商无法控制的测试框架上取得的 99.9%。同样的谨慎也适用于 Perplexity 的 WANDR 得分 0.682——这是 Perplexity 记录的最高分，但测量方是一家同时将 GPT-6 Astra 集成到自有产品的公司，因此带有商业利益。这种模式值得点名：OpenAI 最耀眼的数字全部来自 OpenAI 或其合作伙伴控制的测试框架，而唯一完全独立的数字——AA 的 Intelligence 61——仅仅是“优秀”而已。

Qwen3.8-Max 的细则所揭示的情况恰恰相反：它的优势是独立测得的，它的弱点也是独立测得的。GDPval 的 1,739 Elo 分数是真实的——但 Artificial Analysis 的运行显示，Qwen3.8-Max 达到这一分数需要花费 64 轮和每项任务约 1.14 美元，而前一代只需要 14 轮和 0.53 美元。这就是一种“努力税”：该模型用推理 token 来换取其智能体能力上限，这对任何按 token 付费的人都很重要。此外，AA 的 Omniscience 评估测得其幻觉率相对于前一代 Qwen 从 23% 恶化到 40%——这是一个真实的独立警示，恰恰指向那些自主、多步骤的工作负载，在这些场景中，自信的错误答案代价最为高昂。一个在 64 轮中把自己绕进错误的模型，与一个其制造者承认可监控性已经下降的模型相比，释放出去并不显然更安全。

价格、部署与诚实的选择方式

在价格上毫无悬念：Qwen3.8-Max 每百万 token 输入价 2.00 美元、输出价 6.00 美元，仅为 GPT-6 Astra 输入价的五分之一、输出价的八分之一；还提供 100 万 token 的上下文窗口，且不像 Astra 那样收取长提示附加费。在可部署性上，Qwen3.8-Max 本周还有另一项优势——今天即可调用，而且它已按 Alibaba 的官方标价在 OrcaRouter 上线，以 0% 加价直通并带自动故障转移。GPT-6 Astra 仍在逐步推出，截至 9 月 4 日，多数用户还不能在 ChatGPT 中选用；不过它已可通过 OpenAI 自己的 API 以及各大云市场访问，而且开放范围还在扩大。对于构建 agentic 管线的团队，务实的做法是：把工作负载放到今天就能调用的模型上，把另一个当作持续观察的基准。如果你想验证“agentic”的说法，而不是照单全收，路由层就是合适的工具：在 OrcaRouter 上，Qwen3.8-Max、Kimi K3、Grok 4.6 以及另外 200 多个模型都只需同一个 key 即可访问，并且这套路由 DSL 可以把其中多个模型编排成一次调用——这样，你就可以在这些候选模型上运行自己的任务套件，亲自读取结果，而不必在两个厂商的细则之间做选择。

这场对决不断提出的两个问题

为什么OpenAI报告{{1}}ARC-AGI-3上的99.9%{{/1}}，而ARC Prize却测得{{2}}62.7%{{/2}}？因为它们并不是同一个测试。{{3}}OpenAI的provider-adapter评测框架是按GPT-6 Astra在生产环境中的调用方式来配置的基准测试版本{{/3}}；{{4}}ARC Prize的标准评测框架则是为了公平比较任何模型而设计的中性配置{{/4}}。而{{5}}62.7%{{/5}}才是能泛化到{{6}}“如果我自己调用这个模型会怎样”{{/6}}的那个结果，而且它仍然是{{7}}ARC Prize在该评测框架上记录到的最佳成绩{{/7}}。

Qwen3.8-Max 是开放权重的吗？部分是，但带有许可限制。阿里巴巴于 8 月 12 日以自定义许可证发布了 Max 级检查点 Qwen3.8-2.4T-A95B——权重可下载，但它并不像较小的 Qwen3.8-27B 那样具备 Apache-2.0 式的开放性，而且 Artificial Analysis 仍将托管的旗舰型号列为专有。如果你的要求是“能运行我付费购买的那款确切模型”，那么这种区别就很重要；如果你的要求是“能检查架构并自行托管一个相近的变体”，那么 Qwen3.8-Max 符合条件，而 GPT-6 Astra 则不符合。

要点

如果你需要的是 GPT-6 Astra 目前独有的东西——攻击性安全工作、前沿科学推理、最难完成的自主计算机使用任务——并且你的组织能通过它的门槛审查、承担得起它的价格，那就选 GPT-6 Astra。如果你想要一个真正能在这周以 $2/$6 部署的顶级智能体模型，那就选 Qwen3.8-Max：权重就是一条退路，另外还有一个你现在已经知道要测的幻觉回退。更深一层的教训恰恰藏在细则里：2026 年 9 月，两款领先的“智能体”旗舰产品，标榜的核心数字都不是哪家厂商能完全掌控的；理性的买家会读懂评测框架、数清轮数，在选边之前先跑一遍自己的任务。