GPT-6 Astra跑分冲到99.9%，算不算作弊？

智猩猩AI整理

编辑：林夕

今天凌晨，OpenAI发布新一代旗舰模型GPT-6 Astra，并给出了一个相当重量级的判断：

“Welcome to the AGI era.”

它的口号很直白：“Anything you can do on a computer, Astra can do for you.”

但发布之初，Astra并没有直接向所有用户开放，面对用户催问什么时候能用上，OpenAI CEO Sam Altman直接回应：

不过，访问权限确实正在加速放开。

今天上午，OpenAI产品负责人Tibo在X上透露，团队正在为每天付费的ChatGPT用户提供一次Astra访问权限重置。

而就在用户还在等权限的时候，Astra的首批成绩单已经先一步冲了出来，如果只看OpenAI公布的Benchmark，Astra几乎就是一台刷榜机器。

Astra在研究级数学测试FrontierMath Tier 4中拿到97.6%，在科学知识测试GPQA Diamond中拿到96%。

而在长程软件工程测试DeepSWE、CAD绘制测试BenchCAD和漏洞利用能力测试ExploitBench中，Astra分别做到了74.1%、95.9%和100%。

也就是说，GPT-6 Astra已经把很多既有测试刷爆了。OpenAI自己都说，要想完整理解它的能力上限，可能需要设计一些新的测试。

但官方最愿意强调的还是ARC-AGI-3的成绩：99.9%。

今年3月刚公布时，最强AI成绩只有0.51%，GPT-5.6 Sol默认框架下也只有7.8%。

短短几个月，从7.8%到99.9%。

如果只看数字，这几乎已经不是提升了一点，而是直接把通用推理的天花板捅穿了，但问题也恰恰出在这里，这个99.9%，并不是大家通常理解的裸模型成绩。

ARC Prize同时提供了一套所有厂商都可以使用的标准测试框架，在这套Standard Harness下，Astra的最高成绩其实只有62.7%。

而OpenAI公布的99.9%，使用的是自家的Responses API生产配置。

OpenAI针对ARC-AGI-3加入了两个特殊设置：保留推理状态和上下文压缩。

于是，同一个Astra，在两套Harness下出现了62.7%和99.9%两个相差巨大的成绩。

这才是整件事情最值得讨论的地方，OpenAI给出的解释也很合理：

但问题在于，99.9%这个数字，衡量的已经不只是模型本身有多聪明，它衡量的是模型+记忆机制+上下文压缩+API调度这一整套方案的上限。

这就像考试允许你带一台专门为这场考试优化的特制计算器入场，最后考出来的分数当然是真的。

但你很难再用这个分数直接证明：“这个人的裸算力就是其他人的十几倍。”

所以，问题就变成了：离开这套由OpenAI定义的Harness，Astra还能不能维持同样夸张的领先？

Artificial Analysis的独立测试在其通用智能测试Intelligence Index v4.1.1中，Astra max只有61分。

这个成绩和GPT-5.6 Sol max基本持平，反而低于Fable 5.1的66分、Opus 5的63分以及Muse Spark 1.3的62分。

也就是说，如果Astra真的已经在通用智力上完成断层式领先，为什么在另一个相对独立的综合智能测试里，却没有出现同样夸张的差距？

在Artificial Analysis Coding Agent Index中，Astra得到67分，距离榜首Fable 5.1差3分。

但如果把争议放在一边，Astra至少在实际Agent能力和执行效率上，它确实展现出了非常强的竞争力。

Astra使用的token仅相当于5.6 Sol max的三分之一、Opus 5 high的五分之一。

凭借效率优势，在散点图中，Astra在左上角几乎划出了一个专属斩杀区，在相同成本下，它的效率优势非常明显。

另外，Astra的幻觉也明显减少。Artificial Analysis测得Astra max的幻觉率为51%，远低于Sol的92%，拒答率数据也显示它没有依靠频繁拒绝回答来压低幻觉。

但如果把Astra放回整个旗舰模型市场里看，省token，并不等于便宜。

Astra标准模式下，每百万输入token收费10美元、输出50美元，是GPT-5.6 Sol促销价的2.5倍，和Anthropic刚发布的Fable 5.1持平。

目前，GPT-6 Astra在ChatGPT网页端以“GPT-6 Pro”的名称提供，但使用额度同样设置了明确上限：

• 200美元/月：每周200条；

• 100美元/月：每周50条。

折算下来，大约就是每天28条和7条，而Plus用户目前暂时拿不到网页端最强模型的聊天额度。

花200美元/月，买到的并不是一个想聊多少就聊多少的最强模型，而是每周200次的高级模型配额。

这就让Astra的价格变得更加有意思：API按Token收费，网页端按次数限额。

如果输入超过27.2万token，整次请求的输入和缓存价格翻倍，输出价格升至75美元，快速模式则要支付两倍价格。

105万token上下文窗口，最高输出12.8万token，知识截止2026年4月30日，参数漂亮，但钱包压力也实实在在。

OpenAI的解释是，Astra完成任务所需步骤更少，总成本可能反而更低。但单纯比token单价，这确实是目前最贵的旗舰之一。

但问题是，一个月200美元，还只能每周用200次，真的算随便用最强模型吗？

尤其是在Artificial Analysis的独立测试里，Astra的综合智能和Coding Agent成绩都没有拉开明显差距。

所以现在的Astra，更像是一款高效率、高单价的旗舰模型，它确实能少用Token，但你得先接受一个更贵的Token。

所以，Astra到底意味着什么？

它不是那个让所有质疑者闭嘴的完美AGI，独立测试没碾压，价格还贵出一大截，ARC-AGI-3的满分也带着明显的特调痕迹。

少用 Token、减少推理成本，同时维持更强的复杂任务能力——这条路线究竟能不能成立，现在还需要更多独立测试来验证。

至少目前来看，Astra 更像是一场仍在进行中的实验，而不是一个已经被证明的 AGI 答案。

关注+星标，获取AI前沿进展与开源一线动态