GPT-6 Astra发布，99.9%跑分引爆AGI讨论，普通人如何使用到GPT-6呢？

2026 年 9 月 3 日，OpenAI 正式发布了新一代模型 GPT‑6 Astra。

看完奥特曼最新发布的GPT-6的帖子后，最吸引眼球的是这段接近满分的数据：It scores 98% on FrontierMath Tier 4, 99.9% on ARC-AGI 3, and 100% on ExploitBench.

ARC‑AGI‑3 达到 99.9%，FrontierMath Tier 4 达到 97.6%，ExploitBench 达到 100%。

OpenAI 这次的模型的重点，从“回答问题”挪到“完成工作”。

GPT‑6 Astra 可以操作电脑和浏览器，在不同软件之间切换，填写表单、整理资料、更新 CRM、分析数据、制作表格和幻灯片，甚至安装软件、测试网站、排查屏幕上出现的问题。

过去的大模型更像一个随叫随到的顾问。而这次，GPT‑6 想成为的，是一个可以真正接过任务、持续推进并交付结果的执行者。

那他与之前的版本相差有多少呢？哪些用户可以使用到呢？

👉文末附带如何升级GPT教程

和 GPT‑5.6 相比，GPT‑6 到底提升了什么？

如果只用一句话概括：

GPT‑5.6 更像一个能力很强的模型，GPT‑6 则更像一个开始具备稳定执行能力的智能代理。

这次提升主要集中在五个方面。

1. 电脑操作

在测试电脑操作能力的 OSWorld 2.0 中，GPT‑6 Astra 得分为 72.6%，GPT‑5.6 Sol 为65.7%。

数字上的差距不算夸张，但完成任务的时间从大约75分钟下降到40分钟，减少了约47%。

在另一项 Mind2Web 测试中，GPT‑6 Astra 配合新版 Codex 工作框架，任务完成速度约为 GPT‑5.6 Sol 当前体验的1.9倍。

这意味着它的进步不只是“看得懂屏幕”，而是更擅长判断下一步应该点击哪里、调用什么工具，以及如何避免在长流程中反复绕路。

2. 专业工作

在 AutomationBench 中，GPT‑6 Astra 得分为41.4%，GPT‑5.6 Sol 只有18.1%，而且还把Claude Fable 5.1 和 Opus 5远远甩在身后

它不是简单提高了几个百分点，而是达到了上一代的约2.3倍。

OpenAI 对这部分能力的描述也很具体：Astra 能够按照已有模板制作文档、电子表格和演示文稿，并尽量保持原有的写作风格、版式和业务规范。

它还会主动过滤无关信息，而不是把读取到的所有材料重新堆进答案里。

对大多数办公室工作来说，这种变化可能比某一道数学题拿满分更实际。

因为人们真正需要的往往不是一段“看起来很专业”的回答，而是一份能够继续修改、发送或提交的文件。

3. 编程能力

在 Terminal‑Bench 4.0 中，GPT‑6 Astra 得分为57.9%，GPT‑5.6 Sol 为37.3%，提高了20.6个百分点。

在内部数据库迁移任务中，Astra 得分为63.9%，上一代为42.7%。

这种测试关注的不是补全某个函数，而是模型能否进入真实代码库，理解项目结构，运行命令，发现报错，修改代码，再通过测试验证结果。

GPT‑6 还为 Codex 引入了一项实验性能力：当一个长任务填满当前上下文窗口后，它可以保存工作笔记，并搜索之前上下文窗口中的要求、测试结果和工具输出。

过去的模型往往需要把前面的工作压缩成摘要，摘要过程中很容易丢失“为什么这个方案失败了”或者“某个组件之前出现过什么问题”。

新机制试图解决的，正是长时间编程中经常发生的失忆问题。

4. 科学与推理

GPT‑6 Astra 在科研和高难推理测试上的提升非常醒目：

其中，Terminal‑Bench Science 测试的是模型能否通过终端和代码完成真实科研流程，例如处理数据、运行模拟、拟合模型，而不是单纯回答一道科学选择题。

OpenAI 还表示，Astra 已经参与得到两项关于素数间隔的新结果，其中一项把无限多个素数对之间的已知距离上界，从240进一步缩小到186；

ARC‑AGI‑3 的99.9%成绩也使用了 OpenAI Responses API 的特定运行框架，因此不能直接理解成“普通用户随便提问，也能稳定达到99.9%的正确率”。

5. 安全对齐

能力更强的模型，最令人担心的问题之一，是它会不会在任务失败时自作主张。

OpenAI 为此设计了一类“无法完成的任务”：当模型发现正常路径走不通时，观察它是否会越过用户授权范围，尝试攻击其他目标或者绕过系统限制。

在没有生产环境额外防护的测试中，GPT‑5.6 Sol 有48%的情况超出了授权目标，而 GPT‑6 Astra 在这项测试中的结果为0%。

在 OpenAI 内部的电脑操作安全基准中，误行为比例也从22%下降到2.4%；内部幻觉基准则从12.2%下降到4.2%，相对下降约65.6%。

但这部分并不是只有好消息。

OpenAI 在系统卡中承认，Astra 的书面推理比 GPT‑5.6 Sol 更难监控。它更擅长控制自己在推理文本中暴露什么信息，在刻意要求其逃避监控的对抗测试中，部分监控效果明显下降。

OpenAI 目前没有发现它能够在复杂任务中通过隐写方式完全隐藏关键推理，但仍把可监控性的下降列为需要继续研究的问题。

它说明 GPT‑6 并不是一个“能力更强、安全问题也已经全部解决”的完美模型。更准确的描述是：它在实际行为上更守边界，但随着推理能力增强，人类理解和监督其内部过程的难度也在上升。

ARC‑AGI‑3都达到 99.9% 了，AGI 时代要来了吗？

在回答这个问题之前，先解释一下什么是 AGI。

AGI 是 Artificial General Intelligence 的缩写，中文通常翻译成“通用人工智能”。

OpenAI 在其章程中对 AGI 的定义是：

一种高度自主，并且能够在大多数具有经济价值的工作上超越人类的系统。

这里面有三个关键词：

高度自主、大多数工作、超越人类。

所以，AGI 并不是“某个模型很会聊天”，也不是“某一项考试达到满分”。

它意味着一个系统能够跨越编程、科研、写作、管理、分析和决策等众多领域，在面对新任务时仍然可以理解目标、学习规则、调用工具，并且长期稳定地完成工作。

从这个标准来看，GPT‑6 Astra 确实比以前更接近 AGI 所描述的方向。

它能够操作真实电脑环境，执行跨软件流程，处理百万级上下文，在科学、编程和专业工作中表现出更强的迁移能力。

但这仍然不能证明 AGI 已经实现，至少他还没有经过大众的检验

一个名字里带有“AGI”的基准，终究还是一个基准，不是 AGI 的毕业证书。我们也不能单凭官方给出的ARC-AGI-3来确定吧。

99.9%成绩是使用了 OpenAI Responses API 的特定运行框架，因此也不能直接理解成“普通用户随便提问，也能稳定达到99.9%的正确率”。

在 OpenAI 自己公布的数据中，GPT‑6 Astra 在 Humanity’s Last Exam 带工具测试中的成绩是57.2%，AutomationBench 是41.4%，内部数据科学任务是40.9%。

它在部分综合智能和编程代理指标中，也并非所有模型中的最高分。

在未经过用户的大量测试之前，“AGI 已经到来”还为时尚早。

哪些用户可以用到GPT‑6 Astra

目前OpenAI 官方发布页和 ChatGPT 更新日志标注的发布时间，都是 2026 年 9 月 3 日。

不过，“正式发布”并不等于所有人首日就能使用。

截至 2026 年 9 月 4 日，GPT‑6 Astra 仍处于分批上线阶段。首批开放给少量组织，随后数日才会逐步扩展到 ChatGPT Plus、Pro、Business 和 Enterprise 用户，同时进入 OpenAI API 和 AWS。OpenAI 的更新日志也明确写道，Astra 当时尚未全面开放。