【#gpt6正式发布# 】GPT‑6 Astra 发布：AI 从"会聊天"到"会干活"，到底变了什么？
当模型不再满足于回答问题，而是开始自己跑完一整套工作流，我们面对的就不只是一次模型升级。
当模型不再满足于回答问题，而是开始自己打开软件、操作浏览器、跑完一整套工作流，我们面对的就不只是一次模型升级，而是一种新的工作方式。
01 发生了什么：一次被称为"AGI 时代"的发布
2026 年 9 月 3 日，OpenAI 正式发布新一代旗舰模型 GPT‑6 Astra。官方将其定义为"世界上最智能、对齐程度最高的模型"，总裁 Greg Brockman 在发布会上以一句"欢迎来到 AGI 时代"收尾。
这不是一次常规的版本迭代。从 GPT‑5 到 GPT‑6，间隔约一年；而 Astra 这个名字本身，就暗示着 OpenAI 对它的定位不同于以往任何一代。
开放节奏：
• 9 月 3 日起，先向有限机构灰度开放
• 未来数天内，逐步开放给 ChatGPT Plus、Pro、Business、Enterprise 全部付费用户
• 接入渠道：ChatGPT 客户端、OpenAI API、AWS 云服务
• 官方推荐使用 ChatGPT 桌面客户端获得完整 Astra 能力
目前 Astra 尚未全面开放，大多数普通用户还需要等待几天。
02 核心能力：从"回答问题"到"完成任务"
Astra 最大的变化，不是它更会聊天了，而是它更会干活了。官方把重心明确从"聊天问答"转向了"自主完成任务"。
王牌能力：Computer Use 计算机自主操作
这是本次升级最重磅的能力。过去的大模型即便能生成办公文档，也需要你手动复制内容、一步步操作软件；而 Astra 可以直接模拟人的键鼠操作，自主操控各类软件程序。
它能做的事情包括：
• 操作浏览器查阅资料、填写表单、整理信息
• 操作 Excel、Power BI 做数据整理、生成图表
• 创建遵循你模板和指令的文档、电子表格和演示文稿
• 调用 KiCad 画电路板、Blender 三维建模
• 命令行调试程序、完成科研数据分析和工程仿真
线上表单填报、CRM 客户数据更新、日程整理、全网资料调研、邮件文档撰写——这些常规办公任务，它可以从头到尾独立闭环完成。
端到端任务执行：不再需要你一步步引导
传统模型的交互模式是"用户问一步、模型答一步"，需要人类持续引导和纠错。Astra 则可以接收一个完整的任务指令，自主拆解为多步骤执行计划，调用相应工具，根据中间结果动态调整路径，直至完成整个任务。
更关键的是，它能在你中途补充要求时，保持原始目标不变，同时接受修改、回答支线问题，再继续完成之前的任务。这解决了此前模型经常"跑偏"的痛点。
其他能力亮点
• 软件工程：复杂开发、调试、代码审查能力大幅提升
• 网络安全：漏洞分析、攻防推理能力强化
• 科学研究：数学、科研数据分析达到新高度，FrontierMath Tier 4 取得 98% 的接近满分成绩
• 上下文窗口：105 万 token，最大输出 12.8 万 token，知识截止 2026 年 4 月 30 日
AI Agent 的端到端工作流：从接收指令到交付成果，中间不再需要人类一步步引导。
真正的变化，不是 AI 变得更会说话，而是它开始能独立走完一条工作链。
03 定价分析：能力翻倍，价格也翻倍
Astra 的能力写进了价格里。这一代模型的 API 定价相比前代有明显上浮。
标准上下文定价（每百万 token）
• Input 普通输入：$10.00
• Cached Input 缓存命中输入：$1.00
• Cache Writes 缓存写入：$12.50
• Output 模型输出：$50.00
长上下文定价（输入超过 27.2 万 token 后）
• Input：$20.00 / 百万 token
• Cached Input：$2.00 / 百万 token
• Cache Writes：$25.00 / 百万 token
• Output：$75.00 / 百万 token
和前代对比
作为对比，上一代 GPT‑5.6 Sol 的定价为输入 4 美元、输出 20 美元（限时降价后）。Astra 的单 token 价格约为前代的 2.5 倍。
这意味着什么？
对普通用户：通过 ChatGPT 订阅使用时，影响相对有限，因为订阅制有使用额度封装。但如果是高频重度使用，可能会感受到额度消耗更快。
对开发者和企业：影响直接。如果用 Astra 跑大规模 Agent 任务，输出端 50 美元/百万 token 的成本会显著拉高单次任务的总开销。OpenAI 总裁 Greg Brockman 也表示，AI 行业最终需要从"token 定价"转向"任务成本"衡量——这本身就承认了当前 token 计价模式下，复杂 Agent 任务的成本压力。
缓存机制是关键：缓存输入仅 1 美元/百万 token，是普通输入的十分之一。对于有大量重复上下文的场景（比如企业知识库、固定工作流模板），善用缓存可以大幅降低实际调用成本。
Astra 单 token 价格约为前代的 2.5 倍，但完成复杂任务的总成本可能更低。
贵不贵，取决于它能帮你省掉多少人力。但在"任务成本"计价模式成熟之前，token 成本仍然是开发者必须算的账。
04 几个需要先排除的误区
误区一："AGI 时代来了，AI 要取代所有人了"
Greg Brockman 说的"欢迎来到 AGI 时代"，更多是一种产品定位和愿景表达，不等于通用人工智能已经完全实现。Astra 在特定任务上表现极强，但它仍然是在预设框架和工具范围内执行任务，离真正意义上的通用智能还有距离。
更准确的说法是：AI 从"辅助工具"向"自主执行者"迈进了一大步，但还没有到"什么都能做"的程度。
误区二："现在所有人都能用了"
目前 Astra 只向有限机构开放，普通 Plus/Pro 用户还需要等待几天逐步开放。而且即使用户列表里出现了 Astra，完整的 Computer Use 能力也需要在 ChatGPT 桌面客户端上才能获得最佳体验，网页端可能存在功能限制。
误区三："跑分全面碾压，所有领域都最强"
Astra 在 FrontierMath Tier 4 等部分基准测试中取得接近满分的成绩，但并不意味着在所有领域都碾压一切。不同模型在不同任务上各有优劣，Astra 的优势集中在计算机操作、软件工程、科研等复杂多步骤任务上，而不是简单的聊天问答。
误区四："价格这么贵，肯定没人用"
价格确实比前代高了 2.5 倍，但要算的不是"token 贵不贵"，而是"完成一个任务的总成本"。如果 Astra 能把一个需要人类 3 小时完成的工作流压缩到 10 分钟，即便 token 成本高，整体性价比仍然可能很高。这也是 OpenAI 强调要从"token 定价"转向"任务成本"的原因。
05 可能影响谁
对普通用户
最直接的变化是：你可以用更自然的语言让 AI 完成更复杂的事情。不再是"帮我写一段文字"，而是"帮我调研这个话题、整理成表格、做成演示文稿"。AI 从"助手"变成了"执行者"。
但同时，使用门槛和学习成本也在上升。要让 Astra 稳定地完成复杂任务，你需要更清楚地描述目标、提供模板和约束、在过程中做必要的检查和修正。
对开发者和企业
Agent 开发的可行性大幅提升。过去很多"理论上可以用 AI 做"的工作流，现在有了真正可以落地的模型支撑。但成本控制成为新挑战——如何设计工作流、如何利用缓存、如何在不同模型间做路由，会成为工程团队的新课题。
对行业竞争
大模型竞争的焦点正在从"比谁更聪明"转向"比谁更能干活"。跑分的边际意义在下降，谁能更好地接入真实工作场景、完成端到端任务，谁才更有商业价值。这会推动所有大模型厂商加速 Agent 能力的布局。
06 接下来该看什么
1. 全面开放的时间和范围：Plus/Pro 用户具体什么时候能用上，是否有使用额度限制
2. 真实场景的稳定性：Computer Use 在复杂、长链条任务中的成功率和容错能力如何
3. 任务成本的实际数据：完成一个典型工作流到底要花多少钱，和人力成本相比是否划算
4. 安全与权限边界：AI 自主操作电脑带来的安全风险如何管控，权限如何设计
5. 竞品的反应：Anthropic、Google、国内大模型厂商会如何跟进 Agent 能力
现在下最终结论还太早。但可以确定的是：当 AI 开始能独立完成一整套工作，我们讨论的就不再是"AI 能不能帮你"，而是"你该怎么和 AI 分工"。
这可能才是 Astra 真正带来的变化。