大家好 我是为什么叫QQ
9月3日 GPT-6 Astra发布
OpenAI官方博客说 这是新一代智能
arc agi 3拿到99.9% 直接打穿
同一天 第三方评测机构
Artificial Analysis给出另一组数字
它的智能指数是61分 和上一代GPT-5.6 Sol打平
比Claude Fable 5.1低5分
一个模型 两种评价 两边还都没说错
这期视频我从程序员视角聊三件事
Astra到底改了什么 对比Fable 5.1该怎么选
哪些变化会真的影响你的开发流程
基本信息先过一遍
Astra 9月3日发布
当天只开放给Daybreak企业客户
之后几天陆续开放给Plus Pro Business
Enterprise订阅和API AWS的Bedrock同步上线
API价格 输入每百万token 10美元
输出50美元 缓存命中的输入只要1美元
上下文窗口105万token 最大输出12.8万
知识截止到2026年4月30日
推理强度分五档 low medium high xhigh max
另有Fast模式 速度最高快2.5倍 价格翻倍
先说大家最关心的编程
Artificial Analysis的编程智能体指数里
Astra在Codex环境下拿到67分
和Claude Opus 5 Fable 5基本持平
榜单第一名仍然是Claude Code环境里的Fable 5.1
70分 看到这里你可能会想 那Astra也没什么嘛
但这里有个很关键的地方
同样的分数段 成本完全不一样
Astra在max档跑一个编程任务大约4.7美元
Fable 5.1要9.2美元 Opus 5要8.2美元
接近的水平 一半的价格 成本怎么降下来的
靠token效率
同样跑编程指数 Astra消耗的总token只有
5.6 Sol max档的三分之一
是Opus 5 xhigh档的五分之一
OpenAI官方数据也印证了这点
Agents' Last Exam上 Astra拿59.3%
比Opus 5高将近4个点 输出token还少用65%
Terminal-Bench 4.0 Astra 57.9%Sol只有37.3%
Terminal-Bench Science更夸张 Astra 64.6%
Fable 5.1是52.6% Sol只有22.4%
终端操作和科学工作流这两块 提升是实打实的
另一面也要说清楚
智能指数上 Astra和Sol都是61分 原地踏步
Fable 5.1是66分
Meta新发的Muse Spark 1.3也有62分
而且因为单价涨了2.5倍
Astra在max档跑智能指数的单任务成本
比Sol贵了75%
衡量真实工作产出的GDPval-AA
Astra还掉了大约80个Elo分 好消息也有
幻觉率从92% 降到51% 准确率同时涨了4个点
长周期知识工作评测 AA Briefcase
涨了约80个Elo
前面都是跑分
这代模型真正的主角是computer use
OSWorld 2.0 Astra拿72.6% Sol是65.7%
更关键的是时间
Astra平均40分钟做完一个任务 Sol要75分钟
配合新版Codex外壳
Mind2Web上任务完成速度是之前的1.9倍
官方演示里 它在KiCad里画PCB电路板
在Excel里打竞赛 填美国税表1040
做前端QA 操作Power BI
浏览器 Unity Blender Jupyter
这些有按钮有界面的软件 它现在都能直接上手
早期拿到权限的博主Claire做了几个实测
对程序员很有参考价值
她让Codex里的Astra直接操作Chrome
在自己公司的CRM里改一个节点式工作流
加节点 改提示词 重新连线 全程没动手
这件事她自己之前折腾了一个小时没搞定
另一个例子更直接
她把Astra当QA用 让它在预览分支上回归测试
刚修完的流式传输竞态条件
Astra自己打开页面 逐个点击 盯控制台报错
刷新复现
这一跑就是一小时四十五分钟
还顺手修了几个问题
她的原话是 如果你还没用浏览器操作做QA
赶紧试
现在说那个最出圈的数字 arc AGI 3的99.9%
很多人会觉得 这个测试号称专门测量AGI进度
打穿了还得了 关键来了
arc Prize自己的博客写得很清楚
99.9%是在OpenAI定制的
Provider Adapter外壳下跑出来的
花费约1.9万美元
这个外壳会在请求之间保留隐藏的推理状态
还会自动压缩长对话
换成标准外壳 同一个模型 成绩62.7%
花2.6万美元 62.7% 依然是全场第一
但和99.9% 完全是两个故事
Hacker News上近千赞的讨论帖 吵的也在这个点
有人直接说 换个外壳就能从62% 冲到99.9%
那分数测量的到底是模型还是外壳
还有人吐槽 这大概是史上最平淡的AGI发布
没有发布会 只有一篇博客
arc AGI的作者也出来说话
他原本预计一年左右才会被打穿
结果半年就发生了 进度比他想的快一倍
看到这里 你可能想反驳我
把你的想法打在公屏上
我的判断是 从这一代开始
单看跑分选模型已经不成立了
外壳 工具 推理档位 全都是变量
跑分之外 还有件事程序员应该知道
Astra是第一个在OpenAI准备度框架
里达到网络安全Critical等级的模型
ExploitBench满分100% Sol是78.5%
给它工具和权限
它能独立发现未知漏洞并写出利用代码
所以OpenAI给它上了全套监控
连思维链都在监控范围
系统卡里几个数字值得记住
Sol有5.3%的概率试图绕过
Codex的Auto- Review拦截 Astra是0
遇到环境警告还硬要继续执行的比例
从64.3% 降到19%
提示注入防御成功率 从96.2% 提到99.8%
第三方Gray Swan的1810个注入攻击里
Astra被攻破率8.5% Sol是27%
但系统卡里也有一个让人不安的细节
Astra对自己思维链的控制力变强了
在对抗测试里 它能在部分任务上躲开监控
OpenAI的原话是 可监控性相对于Sol下降了
他们目前没发现思维链里藏暗号的情况
也认为复杂任务仍然藏不住 但这个趋势值得盯着
你可能会问 这跟我写代码有什么关系
关系很直接
你用Astra跑Agent的时候
OpenAI的分类器在全程检查它的推理和行为
任务随时可能被暂停
官方也承认 这有时会打断正常工作
那到底怎么选
我的建议是 忘掉跑分 问自己三个问题
第一 任务瓶颈在哪
纯推理和数学 Fable 5.1仍然领先
智能指数高5分
长程任务 多步骤操作 要在真实软件里点按钮的
Astra的token效率和computer use是断代优势
第二 看单任务成本 别看价签
Astra单价贵2.5倍 但token省掉三分之二
编程任务反而便宜一半 第三 你的外壳配套吗
推理档位 缓存命中率 上下文管理
对最终效果和账单的影响已经超过模型本身
拿你自己的20到50个真实任务建个评测集
两个模型各跑一遍 数据会给你答案
几个落地细节顺带说清
单次请求输入超过27.2万token
输入和缓存价格翻倍 输出涨1.5倍
长上下文任务要把这笔账算进去
Batch和Flex模式打五折
不着急的批处理走这条线能省不少
企业版里Astra默认关闭 需要管理员手动开启
Pro及以上订阅还有专门的Astra Pro档位
API支持零数据保留 合规敏感的团队可以用
知识截止在2026年4月30日 比Sol新一些
但查最新文档时记得开联网搜索
还有个小坑 Artificial Analysis
提到Sol端点最近内容安全过滤变频繁了
迁移前建议两边都跑一遍真实流量 再往后看一步
过去两年 行业的共识是no UI is the next UI
大家都在给Agent造MCP和CLI
Astra这一代把方向掰回来了一半
既然模型能可靠的点按钮
SaaS的图形界面就有了新用户 Agent
做产品的人注意 UI投入不会消失
反而要同时服务人和模型两类用户
对个人开发者 Claire那几个玩具项目是个信号
逆向一个蓝牙像素屏的协议
给Codex套一个90年代AIM聊天界面
用Blender生成3D换装游戏
这些原来要磨几周的东西
现在一次提示就能出个八九成 总结一下
Astra的智能指数没涨 价格涨了
但token效率 computer use 幻觉率 安全性
全都往前走了一大步
它和Fable 5.1的关系 一句话就能说清
Fable还是那个更会考试的
Astra是那个更会干活的
我的日常模型会换成Astra试试 杂活累活交给它
关键编码任务继续用自己的评测集说话
你现在在用什么模型写代码
看完这些数据会考虑换吗 评论区聊聊
觉得有用就一键三连
我是为什么叫QQ
我们下期见