Matthew Berman 测试 GPT-6 Astra：基准、浏览器智能体与游戏

GPT-6 Astra 来了。抢先体验之后，我认为它是我用过的最好的模型。我会介绍发布时的基准和价格，再展示我在此前一两周制作的项目。对我来说，这次最接近从一条提示词直接得到一个完整、可玩而且真正有趣的游戏。

直播时，OpenAI 表示 Astra 正向有限的一批组织开放，随后几天会向付费用户推出。发布介绍称，这是一次新的前沿模型训练，也是 OpenAI 迄今最大的模型。我尤其关心它在编程、知识工作和浏览器自动化方面的表现。

模型报告有一个有益的变化：实验室越来越多地将每项任务成本与原始基准分数一起展示。Terminal-Bench Science 测试使用代码和终端工具完成科学工作流的能力。OpenAI 的图表中，解决率越高越好，API 成本越低越靠左；在相近或更低的成本下，Astra 的曲线高于对照模型。

ARC-AGI-3 将智能体放进一个陌生的互动游戏，不解释规则，要求它自己找出获胜方法。发布图表报告 Astra 得分 99.9%，Claude Opus 5 为 30.2%，GPT-5.6 Sol 为 7.8%。这些数字针对这项特定评测；图表还注明，Astra 使用了保留先前推理和消息的不同测试框架。

发布资料还称 FrontierMath Tier 4 的成绩已接近上限，并称 Astra 对新的数学知识有所贡献。在 Terminal-Bench 4.0 中，展示的最高分为 57.9%，Claude Fable 5.1 在最大推理强度下为 55.8%。图表显示估算的每项任务 API 成本分别约为 7.21 美元和 19.50 美元，这说明基准图表中的成本轴为什么重要。

AutomationBench 衡量跨应用的多步骤业务工作流；图表显示 Astra 约为 41%，Fable 约为 17%。我的体验是，Astra 擅长编程和制作演示文稿，写作也有进步。文字仍带有一些容易辨认的 AI 风格，但模型也很容易按要求调整。

OpenAI 的 Exploit Gym 蜜罐评估模型在压力下是否会超出授权范围。该测试显示，未使用生产环境安全措施的 GPT-5.6 Sol 结果为 48%，Astra 为零。这是特定评测的证据，不能保证每次部署都安全。我还推测安全护栏可能影响能力，不过我没有测试过没有护栏的模型。

浏览器控制是我关心的另一个领域。GPT-5.6 和 Codex 已经有很大提升，Astra 给我的感觉又进了一步，虽然不如上一代的跃升那么大。我使用时，完成任务通常只需大约一半时间。发布资料还展示了 Agent’s Last Exam、ScreenSpot Pro 和 OSWorld，分别评估专业软件工作与计算机使用的不同方面。

OpenAI 的发布演示包括电子表格竞赛、游戏开发和表单填写。我也用 Astra 完成过实际浏览器任务，包括更新车辆登记，以及向 DMV 报告汽车出售。吸引我的是省下处理行政琐事的时间；稍后我会展示自己的浏览器例子。

最让我惊讶的是 3D：素材创建、游戏和空间推理。在以前的项目中，我经常需要额外提示来修复物体穿模或碰撞问题；Astra 往往一开始就能把场景处理得更好。发布时的 BenchCAD 结果是 95%，不过本次我没有独立测试 CAD 工作流。

一张浏览器相关图表显示，Astra 相比 GPT-5.6 Sol 的提升较小，这与我的体验一致：能力略有进步，但执行快得多。发布资料还展示了一栋 Astra 创建的 Blender 房屋。我对 Blender 和 Unreal 探索得不够，无法亲自评价，所以希望以后再测试。

DeepSWE 的结果更让我意外。我曾认为这个基准能很好地反映工程体验，但它显示 Astra 与 Gemini 3.8 Flash 接近。这与我个人明显更偏爱 Astra 的体验不符。图表显示它的输出 token 用量很高效，但总成本不能只看输出 token 数量，每个 token 的价格也很重要。

Artificial Analysis 的编程智能体比较也显示几个模型成绩接近。我看到过 Meta 的 Muse Spark 是强大编程模型的说法，但自己还没测试。OpenAI 还展示了 GPQA Diamond、HealthBench 和生命科学任务等评测；我查看时，发布页面的一些演示部分没有显示出来。

发布资料显示，在绕过自动审核的评测中结果为零；这也是一项范围有限、数值越低越好的安全测试。OpenAI 还表示，符合条件的 API 客户可以使用零数据保留。发布时的可用范围有限，何时向更多付费用户开放仍不确定。

Artificial Analysis 的智能指数将 Claude Fable 5.1 排在第一，后面是 Opus 5 和 Muse Spark 1.3，Astra 排名更低。对于我自己的知识工作和日常自动化任务组合，我会把 Astra 排在第一。这种分歧提醒我们，综合指数和个人工作负载可能得出不同判断。

公布的 API 价格是每百万输入 token 10 美元、每百万输出 token 50 美元，缓存另有费率。更快的选项按标准价格的两倍收费，标称速度为 2.5 倍。它的每 token 价格很高，但如果完成任务需要的 token 更少，每项完成任务的成本仍可能更低。

Artificial Analysis 报告，在其指数任务的最大推理强度下，Astra 的输出 token 用量比 GPT-5.6 Sol 少约 10%。只看 token 效率图会忽略每个 token 的价格。其每任务成本图显示，Astra 在最大强度下约为 1.67 美元、超高强度 1.20 美元、中等强度 0.75 美元、低强度 0.46 美元；同一指标下 GLM 5.3 Flash 约为 0.09 美元。

Artificial Analysis 报告智能体知识工作的结果有好有坏：AA-Briefcase 大幅提升，GDPval 则出现幅度相近的下降。我个人在 PDF、研究、数据分析、幻灯片和写作方面的体验比 GPT-5.6 好得多。例如，我最近视频里的大多数幻灯片都是 Astra 做的，通常只用了一条提示词。

我发布了一组演示，大家可以亲自尝试。其中一个场景包含七种生物群系；我也用 GLM 5.3 和 Fable 5.1 做过类似测试，在我看来这个结果至少处于第一梯队。很难断言哪一个更好，但这个例子里我没看到明显错误。

Cloudtop Chaos 是一款 Fall Guys 风格的障碍赛。最初的游戏由一条提示词生成，但展示的版本还收到 Brian 的一轮反馈：让鼠标控制镜头、加大平衡平台的下沉幅度，并修复从边缘俯冲穿过去的问题。它有音效、俯冲动作和其他参赛者，我觉得玩起来很有趣。

这并不意味着人只投入四分钟就能做出一款完成的商业游戏。我可以想象，有游戏设计品味的人会再花几天打磨它。尽管如此，少量指导就能生成这么多可玩内容仍然令人印象深刻，而且每次运行的赛道都会变化。

另一个项目 After Hours 是一座用 ASCII 字符渲染、可以漫游的 3D 城市。场景中有行人、雨和小地图，我走动时世界还会不断生成。它用了大约两条提示词。这个想法来自我看到的别人的作品，但直播时我没能找到原始出处。

城市建设游戏是一个耗时长得多的实验。我用 Astra 的 /goal 让它工作了五天，逐个生成消防站、警察局、医院、发电厂和大学等素材。我为了发布可玩版本而停止运行时，它还没有完成。

生成的城市里有人和车辆移动，还有道路、分区、服务、资金、人口、幸福度和紧急事件。早期版本在浏览器里卡得厉害，因此我要求模型优化 HTML 和 JavaScript 的帧率。画面中的版本在这次演示里运行流畅。

我添加了道路、住宅分区和医疗服务。演示期间，一个新区域似乎没有居民迁入，我不确定原因，不过另一区域显示了新的发展。新游戏还提供不同地图尺寸。这个例子内容丰富，但不能证明每项功能都完美运行。

作为知识工作的例子，我让 Astra 用 Forward Future 品牌制作一套数据中心幻灯片。我觉得成果不错，对经常制作演示文稿的人来说很有价值。我不知道城市游戏用了多少 token；几千万只是粗略猜测，并非实测总数。

浏览器控制很重要，因为我希望把预约和网上卖东西等任务交出去。在这些例子中，我要求 Astra 执行任务、编写自己的浏览器录制软件并添加计时器。录像经过剪辑，有些地方会跳过，但计时器显示任务实际经过的时间。

第一段录像在 Excalidraw 中绘制研究工作流。另一段搜索 eBay，比较三个昂贵的 Pokémon 卡牌商品；我说这次比较用了 55 秒。第三段打开 Google Maps，规划一条途经京都多个地点的步行路线。这些是挑选出来的演示，并非系统性的可靠性测试。

纵观这些演示，我发现一个反复出现的设计偏好：几个独立项目都使用不同深浅的森林绿和扁平视觉元素，尽管我没有要求这样的配色。文字和设计仍带有一些 AI 味。好消息是，Astra 对提示调整的反应很好，因此明确指导可以带来更多变化。

魔方演示能打乱并还原魔方，还提供颜色和氛围控制。我认为它使用的是一种已知求解算法，而不是简单地倒放打乱步骤，不过直播时没有验证。一位观众估计五天的城市项目花了 800 至 1,000 美元，我觉得听起来有可能，但不知道实际成本。

另一个有趣的演示叫 Needle：一个干草堆里有五百万根草和一根针，玩家要逐根查看。我借用了自己看过的视频中的创意，但没能找回创作者的名字。这是一个刻意荒诞的例子，而非实用的生产力应用。

Little Planet 是一个用一条提示词生成的 3D 世界，角色可以在小星球上行走。大多数物体的间距看起来正确，但角色能穿过灌木和一只羊，冰山附近似乎也有小问题。虽然整体场景让我印象深刻，这些局限仍然看得见。

角色进入水中时，行走动画会变成游泳。游戏还有路径点，让角色自动前往火山等地点，到达后可以触发互动。这些细节让成果不只是静态 3D 插画，尽管我没法登上船。

Commons 是一个小镇模拟，包含居民、经济和社会关系。我把它看作模拟小镇活动的可视化。它还提供旱季、零号病人和停电等实验，这些功能并不是我在简单提示词中明确要求的。

一个 3D 过渡空间恐怖游戏用了几条提示词。我要求真实的环境、隐约出现的敌人和后期的惊吓效果；Astra 生成了素材和纹理。我探索了走廊、育儿室和泳池，但预期中的黑影没有在展示的部分出现。

其他实验包括一个小型 GTA 风格游戏、一部漫画和写作样本。另一个更大的 GTA 项目运行了几天，但完成起来太慢。我还尝试了洗衣店模拟器；尽管之前见它运行过，直播演示时我没能让互动正常工作。

一个受 Choo Choo Rocket 启发的游戏使用箭头引导老鼠进入玩家的火箭，对手则试图改变它们的方向。这个游戏用了几条提示词，我认为它比我用 Fable 5.1 做出的游戏更好。我还展示了手机、苹果园和橡皮鸭的基础网站；它们默认的扁平设计没有那么令人印象深刻。

这些网站例子都是用一条提示词制作的，我预计稍加指导就能改善设计。回到 Cloudtop Chaos，我估计自己总共投入了约四分钟的注意力，模型可能工作了约一小时。这些数字都是估算，之前那条后续提示词也是制作过程的一部分。

谈到图像生成，我没有听到新图像模型得到确认，认为它仍在使用 GPT Image 2。我没有运行观众要求的 FreeCAD 或 OpenCAD 基准；准备其他演示时，一次 Blender 实验让电脑变得很慢。我希望以后测试专门的 3D 工作流。

在前端设计方面，我认为不给指导的初始结果中 Fable 可能略占优势，而 Astra 更容易按要求调整。有人问我是否测试过可维护、可扩展的应用，而不只是单页游戏，我的回答基本是没有。使用更灵活的技术栈进行更长时间的 /goal 运行，会更适合测试这个问题。

对于自己的任务，我更喜欢 Astra 而非 Fable，也认为它按每项完成任务计算的成本更低，但每 token 不一定更便宜。我没有将它与 Hermes 一起使用；维护 OpenClaw 花了不少力气，我不愿再经历一遍设置，因此改用 Grokbot。我计划收集并发布这些演示的提示词。

我觉得 Astra 很快，虽然赶不上最快的模型，而且我还没有测试它的快速模式。我掌握的底层变化确认信息很少。我提出它可能有六万亿至十万亿参数，只是猜测，并非公布的规格。

最初，无论任务难度如何，我的运行往往在约 30 分钟后结束。改进提示词帮助任务运行更久；城市建设的 /goal 会话持续了五天，直到我将它停止，并在直播中重新启动。我不知道如果不停止，它何时才会结束。

我预计之后会出现更小、更便宜的版本，并推测它们可能从 Astra 蒸馏而来。蒸馏是用大型模型的输出训练较小的模型，但任何此类变体的名称和发布情况都只是预测，并非官方公告。我也不知道 GDPval 是否涵盖市场调研工作。

直播时，Astra 只向有限的一批人开放，更大范围的开放仍在进行。根据早期使用，我认为它在游戏生成、知识工作和浏览器控制方面尤其出色，同时基准排名、默认设计选择和长时间运行的成本仍值得仔细审视。随着更多测试，我计划继续展示演示。