跑分99.9%、自主操作电脑，GPT-6到底强到什么程度？

2026年9月3日，OpenAI正式发布了GPT-6 Astra。Astra在拉丁语中意为“星辰”，而OpenAI总裁格雷格·布罗克曼在发布会上的措辞比这个命名更激进——“欢迎来到AGI时代。”

这句话不是营销话术那么简单。当你看到GPT-6在ARC-AGI-3测试中拿到99.9%的分数，而它的上一代GPT-5.6 Sol只有7.8%时，你会理解这种底气从何而来。这不是渐进式升级，而是一次代际跃迁。

但问题是：GPT-6到底强在哪里？这种强大对普通人、对行业、对整个人类意味着什么？

先看最硬核的指标。

ARC-AGI-3是衡量AI在陌生环境中抽象推理和学习能力的核心测试。这套测试没有说明书、没有规则，甚至不告诉你目标是什么，模型只能自己摸索规律。2026年3月这套测试刚发布时，最强AI的得分不到1%，人类受试者的通关率也只有48%左右。而GPT-6 Astra在OpenAI自家的测试环境下做到了99.9%，并且在96%的关卡中，它用比人类更少的动作完成了任务。

FrontierMath Tier 4得分98%，这是衡量高等数学推理能力的极限测试，GPT-6已经接近饱和。ExploitBench网络安全测试满分100%，它能在没有逐步指导的情况下，自主发现防护严密的系统中未知的漏洞，成为OpenAI首个触及“关键级”网络安全能力门槛的模型。

在软件工程领域，Terminal-Bench 4.0得分57.7%，GPT-5.6 Sol只有37.3%；DeepSWE v1.1得分74.1%，比Anthropic最强的Claude Fable 5.1高出6.7个百分点。

不过这里要泼一点冷水。ARC-AGI-3的99.9%是在OpenAI自己的Responses API测试框架下跑出来的——这个框架会保留推理状态、对长上下文做压缩处理。换成标准中立框架，同一模型的分数只有62.7%。换句话说，这99.9%里有相当一部分是“Agent系统”的功劳，而非模型裸智力。

这并不意味着GPT-6不强，只是说明跑分的“水分”需要理性看待。

GPT-6真正令人震撼的变化，不在跑分数字上，而在它从“会说话”变成了“会干活”。

Astra的上下文窗口达到105万Token，最大输出12.8万Token。

这个数字不只是“记忆力变强”，而是让模型终于能够“连续工作”——在真实环境中持续跟踪系统状态、记录执行过的命令，并在下一步操作中参考前面的结果。

这意味着什么？意味着你可以直接对它说“帮我整理一份财务分析并做成演示文稿”，或者“开发一个游戏原型并测试它是否能正常运行”。它不再是回答问题的聊天机器人，而是自己拆解任务、调用工具、持续执行、交付结果的数字员工。

在OSWorld 2.0电脑操作测试中，Astra得分72.6%，GPT-5.6 Sol为65.7%。更关键的是效率——Astra完成一项任务平均约40分钟，GPT-5.6 Sol约75分钟，任务耗时减少约47%。

发布24小时内，全网已经涌现大量实测案例：

• 它可以操作Blender，从一张蒸汽火车平面设计图生成包含3295个独立可编辑构件的高精度三维工业资产
• 它可以用KiCad完成PCB电路板设计，把电子原理图转换成可制造的布局
• 它能自主在网络上检索历史建筑照片作为参考，在Blender里复原旧金山艺术宫
• 它可以直接操作浏览器填表单、更新CRM系统、整理日程、制作财务模型
• 有开发者让它用一句话指令创建出完整的水下探索3D游戏，包含3D元素、声音和可交互玩法

一位开发者坦言，用GPT-5.6 Sol做同样的3D河流场景，从设计到落地至少需要两周；换成Astra，第一次交互就直接输出了能跑的原型。

更关键的是，它学会了“自己拿主意”。

当指令中缺少不影响最终结果的细节时，它会利用上下文自行补全；只有当缺失信息可能真正改变结果时，它才会提问。在Codex中，它甚至可以一边继续处理不依赖用户回答的工作，一边异步等待回复。

强大是一把双刃剑。一个能自主操作电脑、发现系统漏洞的AI，如果失控，后果不堪设想。

OpenAI显然意识到了这一点。GPT-6 Astra被称为“对齐程度最高的模型”——在测试中，GPT-5.6 Sol有48%的测试案例超出了授权目标，而GPT-6 Astra的越界比例为0%。

它不仅能做事，还知道什么不该做。

在网络安全领域，尽管Astra在ExploitBench上拿了满分，但它被限制在安全代码审查和补丁修复范围内，拒绝生成漏洞利用代码。当Agent可能没有正确理解指令时，系统会自动暂停或停止对话，让用户审查后决定如何继续。

这是一个重要的信号：AI的进化方向不只是“更强”，还有“更可控”。

如果说它还有什么缺点的话，那就是贵。

GPT-6的API定价为每百万输入Token 10美元、输出Token 50美元，是GPT-5.6 Sol的2.5倍，与Anthropic Fable 5.1持平。如果选择低延迟的快速模式，价格还要翻倍。

消费端的限制同样严苛。200美元/月的Pro套餐，每周只有200条GPT-6 Pro的调用额度；100美元/月的套餐直接腰斩到50条；企业端Business Standard每月只有15条，即便是昂贵的Business Premium每周也卡在50条。

这意味着，GPT-6的“强大”目前还是有钱人的特权。

对个人开发者和中小企业来说，它更像是一个偶尔用来处理关键任务的“奢侈品”，而非日常生产力工具。

但对行业来说：这意味着有一大批公司要凉了。

没有独特业务和独家数据的“伪行业大模型”公司基本被判了死刑。那些拿开源模型加点行业语料微调一下、包装成“金融大模型”“法律大模型”去卖的，通用能力一上来，那点微调优势瞬间清零。

简单套壳的AI应用也是如此——模型一升级，这些产品的功能就被原厂免费覆盖了。甚至各类垂直Agent应用，同质化严重的生存空间也在急速收窄——模型公司自己的Agent越来越强，发几个官方技能就能替代你的产品。

但另一类公司会越来越好。

有完整数据链路的公司，每天都在沉淀库存变化、销售记录、客户偏好等私有数据，这些东西OpenAI拿不到，GPT-6再强也学不会你家仓库的周转规律。

有真实业务支撑的ERP、供应链管理公司，AI是它们业务能力的增强器。具备工程能力的Agent公司，真正的壁垒不在模型本身，而在任务拆解、子任务调度、执行监督、错误恢复这一整套工程体系。

对个人来说：不是AI取代你，而是会用AI的人取代你。

当AI能直接操作电脑、完成复杂任务时，人类与计算机交互的方式正在发生根本性改变。过去，我们需要学习各种专业软件的操作逻辑，一步步告诉计算机该做什么；未来，越来越多工作会变成向AI描述目标，由它调度背后的工具链完成执行。

但AGI真的来了吗？

未必。Greg Brockman说AGI来了，但也有观察者认为，几年后回头看，现在的AI可能还像玩具一样。AI已经开始理解目标、制定路径、主动干活，但它还缺乏真正的自主意识、长期规划和跨领域创造性突破。

有一点是确定的：模型每半年就来一次大升级，窗口期越来越短。

对企业和个人来说，看清楚自己的核心能力，及时调整生态位，才能确保始终留在牌桌上。

GPT-6 Astra不是终点，它是一个新起点。AI进化的速度，已经快过了绝大多数人的适应速度。这不是一个可以“等等看”的时代，这是一个必须“现在就动”的时代。