AGI来没来不好说，但GPT-6真把Token省下来了

文｜光锥智能，作者 | 魏琳华 ，编辑｜刘俊宏 多年以后，人类或许会想起AGI时代的到来，是在一个平平无奇的夜晚。 9月3日，整个AI圈可能都没睡好。先是晚间全球AI大宕机，就当所有人准备洗洗睡的时候，9月4日凌晨三点半，GPT-6 Astra亮相了。 虽然发布会上OpenAI宣布还只对部分企业用户开放，不过好在它没让我们等太久。9月5日，OpenAI全量推送了GPT-6 Astra，让付费用户们及时体验上了新模型。 “欢迎来到AGI时代。”在介绍GPT-6 Astra时，OpenAI总裁Greg Brockman说。 和前几代大模型相比，OpenAI交出的新模型成绩上确实相当耀眼，正如模型的名字“星辰”，它在多个关键基准上跑出了“饱和”的成绩，把编程、长程任务的能力往上拔了一截。 但“会刷题”算不得什么，能干活才真有用。 实际干活时，GPT-6 Astra能做到“又快又省”——交付质量更高的同时，它单次任务的Token消耗和任务耗时都明显低于上一代。Perplexity在自家AI研究智能体评估框架中甚至测出，Astra的单次任务花销低于Fable 5.1。 发布不到一周，Anthropic的新模型Fable 5.1就被GPT-6 Astra抢去了风头。 现场演示和网友实测里，各种复杂的活儿都被丢给了它：操作电脑、填表单、建网站，甚至把电子原理图排成可投产的PCB、在Blender里建好房间模型，再转进虚幻引擎，让用户可以在建模场景中走动查看房屋细节。 支撑这一跃迁的，是又一次“大力出奇迹”：据外媒报道，GPT-6 Astra的训练动用了10万 GPU 的集群，是OpenAI迄今最大规模的一次训练。 那么，这一代模型到底变了什么？所谓AGI时刻到底是真的，还是只是又一次宣言？ 性能“饱和”的GPT-6 Astra，成色几何？ 这次GPT-6 Astra没有“见光死”，实际体验和演示效果差距不大。 昨天，GPT-6 Astra已经正式全量向所有订阅用户开放使用。早上晒出的一众测评案例中，有人惊叹它干活的交付质量，有人提到它跑任务更省Token、成本低。 具体到能力表现层面，GPT-6 Astra在一些特定领域跑出了接近满分的极限分数。人类的考卷已经快“考不下”了。 比如，它在研究级数学基准FrontierMath Tier 4跑到98，官方形容为“饱和”，也就是它的分数已经达到了测试的上限；在强调陌生环境中学习与抽象推理的ARC-AGI-3上，GPT-6 Astra从上一代GPT-5.6 Sol的7.8%直接跳到99.9%。可以说是直接实现了“从0到100”的突破；漏洞利用测试ExploitBench则直接满分100%，GPT-5.6 Sol为78.5%。 最夸张的是ARC-AGI-3，它相当于把大模型扔进一个陌生环境，不给规则说明，看它能不能自己摸索规则并做出正确决策。这个测试对人类来说并不难，100分轻轻松松，但AI之前一直搞不定，徘徊在不及格的区间。 然后，GPT-6 Astra就满分了。三个月时间，AI就进化成人类了？ 用ARC Prize Foundation的Greg Kamradt的话来说：“在96%的测试层级上，Astra超越了我们的人类行为效率基线，实际上达到了人类水平。” OpenAI是怎么做到的？还是用了一点“手段”的——将模型和Harness打配合。 这个99.9%的高分的前提是，它跑在OpenAI为自家模型适配的Harness上，所以效果会更突出。但这并不意味着去掉Harness就立刻“拉胯”。根据X上ARC Prize发布的测评结果是62.7%，这已经是第二名Claude Opus 5的两倍。 但这种成绩还是容易令人质疑。自家模型+自家特调测出来的分，这不是忽悠人么？ 厂商自报分数用自家框架，确实是常规操作：DeepSeek上月底发布的DeepSeek V4 Flash，官方在注释里写明基于自家DeepSeek Harness测得，它还同步把Harness作为独立产品推向市场。所以这并不是问题。 不过，GPT-6 Astra的提升也有些许“偏科”。从OpenAI给出的成绩来看，它在部分任务上出现了“倒退”的情况。 以测评模型Agent能力的指标之一——人类终极测试（Humanity’s Last Exam）上，GPT-6 Astra的成绩为57.2%，反而低于GPT-5.6 Sol与Fable 5.1。 这样的偏科成绩，也让测评机构给出了不一样的评估分数。 比如按照Artificial Analysis的通用智能指数，Astra 为61.2，与Sol的60.9基本持平，导致新模型也被不少网友戏称是“更贵版本的Sol”。但实际上，AA测评的指标更多集中在知识、推理等能力上，GPT-6 Astra的强项，多数不在它的测评范围内。 说完上面这些“虚的”测试，我们来看看GPT-6 Astra在商业化已经被验证领域的表现。 在Coding场景上，GPT-6 Astra显然是冲着最强目标冲击的。 它在Terminal-Bench 4.0（测评智能体在复杂终端任务上的表现）为57.9%，超过了Fable 5.1的55.8%，而GPT-5.6 Sol在这个基准上只有37.3%。 得益于编程能力的提升，现在人们拿GPT-6 Astra已经能做出媲美真实游戏的作品。不少网友已经晒出了他们拿新模型做出的射击游戏、开放世界冒险游戏等等。从建模和实际体验来看，已经可以算得上成品级别。 智能体维度，相较于上一代，GPT-6 Astra在长程任务的处理能力上了一个台阶。 单看智能体维度的跑分，其中，GPT-6 Astra在Agents' Last Exam（真实软件中完成金融建模、工程设计、媒体制作等专业任务）拿到59.3%，略高于上代Sol的53.6%；OSWorld 2.0（真实桌面环境里看屏幕、点鼠标、敲键盘完成操作）72.6%；在跨系统业务流程的AutomationBench一项上，GPT-6 Astra的得分从GPT-5.6 Sol的18.1%大幅提升至41.4%。 那么，强大能力的代价是什么？ 训练出这样的模型，OpenAI靠的是又一次“大力出奇迹”。 据外媒报道，GPT-6 Astra的训练动用了10万GPU的集群，这是OpenAI迄今为止最大的训练规模。不得不感慨，Scaling Law的强度还是立竿见影。 但AI圈还有一个共识：高分不一定就“高能”，模型到底好不好用，还得干活层面见真章。 响应更快、Token消耗更少，GPT-6更擅长“干活” 比起跑分，本次大家讨论的一个共识是，GPT-6 Astra充分展示了它“干活能力”的跃升——操作电脑、长任务、端到端交付等能力，它的演示效果都让打工人心动不已。 X上展示的测评也高度一致地落在干活测评上。多数测评图中，GPT-6 Astra在“干的快、干的好”这两项上遥遥领先：Perplexity在自家面向AI研究智能体的评估框架中测试，GPT-6 Astra不仅分数最高，它花的钱也比Fable 5.1更便宜。 是什么让用户纷纷“爽歪歪”？主要是两个关键体验：一是降低成本，二是压缩任务的处理时长。GPT-6 Astra讨人喜欢就在于这