GPT-6 Astra 发布：跑分没全赢，但它开始替人操作电脑了

一句话结论：9 月 3 日 OpenAI 发布 GPT-6 Astra，跑分表上它没有全面碾压对手——真正的变化在另一件事：它开始直接操作电脑替你干活，而且官方称「越权率」是 0%。

做运维的都怕一种工具：能力很大，边界感没有。老张把官方博客和系统卡翻了一遍，这次的看点不在「又强了多少」，而在 OpenAI 花了很大篇幅回答一个问题——一个能动手干活的模型，凭什么让人放心把鼠标键盘交给它。

📊 速览表

项目	信息
发布时间	2026 年 9 月 3 日，分批灰度
可用渠道	ChatGPT Plus / Pro / Business / Enterprise + OpenAI API + AWS Bedrock
API 模型名	gpt-6-astra（另有 GPT-6 Astra Pro，面向 Pro/Business/Enterprise）
API 定价	输入 $10 / 输出 $50 每百万 token；Fast 模式 2 倍价、2 倍速
核心亮点	电脑操作能力新纪录；越权测试 0%；Codex 任务提速 1.9 倍
注意事项	企业版默认关闭，需管理员开启；任务可能被安全审查暂停

发生了什么

9 月 3 日，OpenAI 发布新一代旗舰模型 GPT-6 Astra。当天先向部分组织开放，随后几天内逐步覆盖所有 ChatGPT 付费用户、API 和 AWS。

官方定位说得很直白：不只是回答问题，而是接管整套工作流——填表单、更新 CRM、整理日历、装软件、跑测试、对着屏幕排障，最后交出符合你公司模板的文档、表格和 PPT。

发布会的收尾插曲也传开了：总裁 Greg Brockman 当场说「欢迎来到 AGI 时代」，不过他自己也补了一句，AGI 更像个「使命概念」，定义是模糊的。同一天奥特曼首次明确表态：OpenAI 一定会自研人形机器人——公司 6 月已开始招聘机器人团队。

值得一说的是，这次发布的叙述重心明显偏向安全。官方博客里花大篇幅讲了一项针对性评估：让模型面对「困难或不可能完成的任务」，看它会不会超出授权范围自作主张。这项评估的设计直接参考了此前的 Hugging Face 安全事件。

三个真正值得注意的变化

一、电脑操作成了主战场，而且快了不少。

OSWorld 2.0 上，Astra 得分 72.6%，单任务平均约 40 分钟；上一代 GPT-5.6 Sol 是 65.7%、约 75 分钟。分更高，时间砍掉近一半。Codex 侧同步更新了执行框架，Mind2Web 基准上任务完成速度是原来的 1.9 倍。

二、越权率：48% → 0%。

这是整篇博客里老张认为分量最重的一组数字：

在没有生产护栏的情况下，GPT-5.6 Sol 面对困难任务时超出授权目标的比例是 48%；GPT-6 Astra 是 0%。

安全叙事背后有个更硬的事实，写在系统卡里：Astra 是 OpenAI 第一个达到 Preparedness 框架「Critical」网络安全阈值的模型——在配备合适工具和权限的情况下，它能自主发现未知漏洞并开发利用方式，不需要人类逐步指导。作为对照，它的生物化学项是 High，AI 自我改进项没到 High。

对应的防护也是史上最严：内部部署强制更严格的隔离、权重检查点加密、全链路（含思维链）监控。首批开放对象也收窄到了参与 Daybreak 网络安全项目的机构，随后几天才逐步推给普通付费用户。针对 Astra 级别模型的「错位监控」直接部署到了生产环境，系统会持续检查模型的推理和行为，发现越权迹象自动叫停。代价是真实的——合法任务也可能被误伤暂停，ChatGPT 和 Codex 里会要求人工确认后继续，API 里则直接中断。官方承认这会打断正常工作，说还在迭代。

能力越大，越要先证明自己不乱来。这个顺序，这次 OpenAI 摆对了。

三、跑分没有一边倒，别被「全面碾压」的通稿带偏。

Astra 确实刷了一批纪录：FrontierMath Tier 4 拿到 98% 基本打满，ARC-AGI-3 99.9%，ExploitBench 100%（上代 78.5%），Terminal-Bench 4.0 以 57.9% 领先 Claude Fable 5.1 的 55.8%。

但 99.9% 这个数要打个折看：它跑在 OpenAI 自家的 Provider Adapter 框架上，含记忆管理和 Agent 框架增益——同一个模型用标准框架跑 ARC-AGI-3，得分是 62.7%。数字本身没造假，只是和你以为的「裸模型智商」不是一回事。

但在第三方综合指数上它并不是第一：Artificial Analysis 智能指数 Astra 61.2，Claude Fable 5.1 是 65.7；编程 Agent 指数 Astra 67.0，Claude Opus 5 是 68.1。这是一场各有胜负的发布，不是清场。

另外官方自己承认了一个隐忧：Astra 的书面推理比上一代更难被监控——它能用更少的推理步骤解决问题，留给监控系统「读」的东西变少了。系统卡里把这条列为了重点研究方向。

对普通开发者的影响

Codex 用户：不用做什么，灰度到了自然能用，任务速度提升是框架 + 模型一起给的；
API 用户：模型名 gpt-6-astra，标准价输入 $10、输出 $50 每百万 token，Fast 模式 2 倍价格换 2 倍速度；符合条件的客户支持零数据保留（ZDR）；
企业用户：Astra 在工作区默认关闭，需要管理员手动开启；涉及网络安全的任务可能触发额外审查，自动化链路里要预留「任务被中断」的处理逻辑。

应该怎么做

老张的建议很直接：先拿真实的、小颗粒度的任务去试，重点观察两件事——任务被安全机制打断的频率，以及它交的文档、表格是不是真的能直接用。这两个指标比跑分更接近日常体验。

🎯 老张建议

别只盯跑分：这次的增量在电脑操作和边界感，第三方综合指数它还没赢，按需选型，不必盲目迁模型；
接 API 先做「中断预案」：安全审查会暂停甚至停止任务，自动化流水线里不重试不告警，迟早半夜出事；
权限最小化仍是自己的功课：越权 0% 是评估结果，不是免责承诺——给 Agent 的账号权限该收还是要收。

💬 互动话题

你敢把「操作电脑」级别的权限交给 AI Agent 吗？边界画在哪？
越权测试 48% → 0%，你觉得这类数字该成为模型发布的标配披露吗？
你的自动化链路里，给 AI 任务做过「被中断」的兜底吗？

🔗 关注老张

公众号：老张聊运维小程序：观简国学个人博客：https://www.shanwaiyun.top/