Matthew Berman 用游戏和浏览器任务测试 GPT-6 Astra

我提前获得了 OpenAI GPT-6 Astra 的使用权，制作了一系列演示，托管在 here.now。按我的体验，它是我用过的最佳模型，但这些是精选项目，我的评价也带有主观性。一个包含七种生物群系的场景，至少可与我使用 GLM 5.3 和 Fable 5.1 制作的最佳结果相比；仅凭这个例子，我无法有把握地给它们排名。

第一个游戏类似 Fall Guys：角色越过障碍竞速，游戏带有音效和俯冲操作。我最初称它是单次提示生成的项目，随后澄清展示的版本额外收到了 Brian 的一条反馈提示。演示中游戏可以玩，我用约 31 秒完成一局。

After Hours 是一座用 ASCII 字符呈现的 3D 城市。我说它大约用了两条提示，并展示了雨中行走的人群、小地图，以及随着我移动继续填充内容的世界。这个想法借鉴自别人，但我记不起原作者。

对于一个 SimCity 风格项目，我使用了运行五天的目标工作流。我看着它逐一创建消防站、警察局、医院、核电站和大学等资产；我停止时，它仍未完成。画面展示的是一个浏览器城市建设游戏，其中有人群和车辆移动。

城市项目最初有帧率问题，因此我要求它针对浏览器和性能进行优化。我展示了道路、住宅分区、资金、人口、幸福度和突发事件，演示看起来会响应我的操作。这次简短查看并不是对性能或游戏机制的全面测试。

另一条提示生成了一份关于数据中心的幻灯片，使用 Forward Future 品牌风格。我也看重 Astra 在预约或研究待售物品等日常任务中的浏览器控制能力。这些例子展示的是特定任务，并不保证它能可靠完成每笔交易。

我要求智能体执行浏览器任务，自己编写录屏软件并加上计时器。示例包括在 Excalidraw 中绘制研究工作流，以及比较 eBay 上三个 Pokémon 卡片商品；我说比较耗时约 55 秒。屏幕标注录像是剪辑后的精彩片段，且不包括设置和排练，因此计时不能视为总准备时间。

Box 赞助了这期视频，我展示了它自己的 AI Complex Work Eval，比较 GPT-6 Astra 与 GPT-5.6 Sol。画面显示总体得分分别为 77% 和 74%，在该数据集上提高 3 个百分点。这是赞助商报告的企业内容任务评测，并非对所有知识工作表现的独立验证。

Box 图表显示，媒体娱乐和科技领域均从 62% 升至 77%，法律从 64% 升至 72%，消费品从 87% 升至 90%，能源从 77% 升至 86%。这些差值以百分点计；各子集的任务组成不同，不能据此确定模型在每个行业中的普遍表现。Box 还推广了其文档平台，并表示 Astra 将进入 Box AI。

纵观这些项目，我注意到写作和设计中熟悉的 AI 风格：几个独立提示生成的项目都使用不同程度的森林绿色和平面化视觉元素。结果仍然好看，但重复的默认选择可能让项目彼此相似。我发现 Astra 对指示的响应很好，稍微调整提示就能产生不同设计。

一个魔方项目可以打乱和还原魔方，还提供颜色和氛围控制。我认为结果令人印象深刻，但这种演示已相当常见。另一个游戏声称在 500 万根干草中放了一根针，玩家需要逐一寻找。我在别处看到过这个想法，却无法注明来源。

小星球演示展示了一个细节丰富的 3D 世界，角色可以四处移动。我最初称赞物体间距和没有明显穿模，随后发现角色能穿过灌木和一只羊，也注意到冰山附近有一点小问题。我说这个项目由一条提示生成。

到了海滩，角色从行走变成游泳；我无法进入船只。我还选择路径点，看角色自动走过去，其中一个位于火山附近。这些是短暂试玩中展示的功能，并非对导航或碰撞处理的全面测试。

Commons 是一个拥有居民、经济和社会指标的小镇模拟。我将它描述为模拟城镇的回放，并展示了录制和实验控制，比如旱季或停电。界面显示的是本地模拟，本身不能证明语言模型正在实时驱动每位居民。

这个 3D 阈限空间恐怖游戏用了几条提示，而不是一条。我要求真实的环境、隐约出现的对手和后续的惊吓，并探索了走廊、育婴室和水池。我说资产是用 Astra 创建的，并猜测空间会无限延伸；视频没有验证这一范围。

我简要展示了一个小型 GTA 风格项目和一部漫画，然后试玩受 Choo Choo Rocket 启发的游戏。玩家放置箭头，引导移动的老鼠进入火箭，竞争对手则试图改变它们的方向。我更喜欢这些游戏结果，胜过自己用 Fable 5.1 制作的尝试，但我没有提供受控基准比较。

最后，我展示了 Galaxy Z Fold、苹果园和橡皮鸭俱乐部的基础网站。我觉得部分设计过于平面，并调整深色模式来查看其中一个页面。这些作品反映了我的早期使用印象，各项目的提示、迭代和投入时间并不相同。