GPT-6 Astra 这两周发了两次：09-03 研究版，09-09 面向工作场景的版本。一句话概括：OpenAI 称它是「全球最智能、最对齐的模型」，核心卖点是 computer use——可以直接操作人们每天用的桌面应用，哪怕这些应用没有 API。我平时写代码、天天跟 AI 工具打交道，关心的是：这个「没有 API 也能用」到底是真价值，还是营销话术？

新在哪里

Astra 上线三个渠道：ChatGPT Work、Codex 和 API；企业访问在发布时默认关闭，管理员可开启。

与 GPT-5.6 Sol 相比，最大的不同在定位。过去企业用大模型，通常要先「准备好数据、重新设计工作流、建好定制集成」；Astra 的卖点是反过来的——它能「在人们每天使用的同一批应用里干活，即使这些应用没有 API」，企业「第一天就能用，不需要大量准备和工程工作」。

配套动作：OpenAI 同时推了四个企业插件（Oracle Analytics、Power BI、Navan、Avalara），全部走「最新 browser use 能力」，本质是把 computer use 封装成企业版插件。

一个有说服力的数据：在 2023 年 Microsoft Excel 世界杯的财务建模题目上，Astra 用 computer use 完成挑战的速度约为人类冠军选手的 4 倍。

基准怎么读

先放硬数字（均为 OpenAI 公布）：

第三方口径（来自各家评测引用，注意立场）：

• DeepSWE v1.1：74% 刷新纪录，步数更少、token 效率更高（Datacurve）
• OfficeQA Pro / Pro V2：Databricks 称其为新 SOTA，文档理解「明显阶梯式提升」，单任务成本低于 GPT-5.6 Sol
• Hebbia：「测过最好的 deck」，遵循 brief 的比例高出第二名 17%，引用来源正确率多 19%
• CodeRabbit：多抓约 20% 的 bug；需要跨文件推理的 PR 上，检出率翻倍以上
• Basis：5 小时以上的端到端 agent 工作流，通过率提升 20%，推理调用次数下降

一个提醒：这些数字大多是自报或友好方测的，基准 ≠ 生产。其中我最信的是「成本效率」：「更少 token、更少重试」是可实测的性质；而「占据成本效率前沿的绝大部分」这种说法很难证伪，读的时候要心里有数。

定价与「什么时候值得换」

定价：输入 $10 / 百万 token，输出 $50 / 百万 token。符合条件的 API 客户可以开零数据保留（ZDR）。

我不建议无脑「换新模型」。按任务匹配度判断：

1. 没有 API 的应用：computer use 是真正的差异化。如果你的工作流要操作桌面软件（ERP、OA、表格工具），Astra 值得测。
2. 长程编码任务：DeepSWE 与 Terminal-Bench 的跳幅意味着「长任务里人工干预更少」。如果你跑多小时的 agent 任务，升级收益最高。
3. 成本敏感的批处理：「更少重试」直接压低单任务成本。成本曲线陡峭的团队，这是最实在的收益。

如果只是日常问答，升级的边际收益有限。

容易被忽略的安全部分

这部分我认为企业用户最该看。

Astra 是 OpenAI Preparedness Framework 下首个达到「Critical 网络安全能力阈值」的模型——意思是它有能力做「坏事」，管控就必须跟上：

• 内部「computer use 安全基准」测的是最坏业务场景（泄露机密信息、把 dashboard 分享范围设得太大、删数据）：非预期结果比 GPT-5.6 Sol 少 89%，比 Claude Fable 5.1 少 74.7%
• 确认策略（confirmation policy）：关键动作先要人工批准；工具调用有自动化审查
• 企业管理控制：限定可用的网站与桌面应用、管理上传下载、管控浏览历史
• 一个内部案例：Astra 帮工程团队定位到一个内存分配瓶颈，切换分配器后延迟降 25 倍、峰值内存高约 30%——模型已经能做「底层调优」这类活了

我的看法：agent 能力越强，「拒绝的权利」与「批准门」越重要。消费者版本对这件事没感觉，企业版本才会为上面这套管控买单——它比基准数字更值钱。

来源：OpenAI：GPT-6 Astra: The next generation in intelligence for work · OpenAI：GPT-6 Astra（研究版） · TechCrunch：Cognition hits $48B valuation（Devin 的 harness 发布首日集成 Astra）