GPT-6 Astra 上手体验：花了一周，它真在电脑里建了座曼哈顿！

网友实测GPT-6 Astra：神操作很多，长任务翻车也很快。

作者丨李娜

编辑丨岑峰

北京时间9月4日凌晨，OpenAI正式发布了新一代旗舰模型GPT-6 Astra。你敢相信吗？GPT-6只用了一周时间，就在虚幻引擎里一条街一条街搭出了一座曼哈顿。更夸张的是，在另一次测试里，Matt Shumer让Astra创建一个虚拟世界，并让其中的人都成为独立Agent。任务启动后他去睡觉，第二天甚至在客厅里听到了这些虚拟人的对话声。一周搭出曼哈顿只是Astra首批测试里最夸张的案例之一。OpenAI总裁格雷格·布罗克曼甚至在发布会最后说了一句：“欢迎来到AGI时代。”这个说法当然还远没有共识，但GPT-6正式发布后，第一批拿到模型的人已经开始用真实任务测试它的边界。GPT-6 Astra到底有多强？正式发布后，我们翻了第一批拿到模型的用户实测。比起官方跑分，这些真实任务里暴露出来的能力和问题，可能更值得看。

01

Astra开始自己检查结果

Ben Davis 给 Astra 布置了一个相当硬核的任务：在Blender里生成一艘4K飞船模型。但他提到的另一个细节更有意思。Astra开始主动检查自己的结果。在一次开发任务中，它会打开刚做完的页面，Inspect Element、读取报错、修改，再继续测试。相比过去“做完就交卷”，这种自己发现问题再继续修正的能力，更接近真实工作的流程。当然，这不是说Astra不会犯错。Ben也提到，这个测试里Astra并不是每次都完美无瑕，但关键是它具备了自己发现问题、自己修复的能力。从“把活干完”到“把活干好还自己检查一遍”，这种变化可能比跑分上的数字更值得关注。同样是Blender，另一个广泛传播的测试来自Theo。他给Astra的任务更直接——用Blender做一个one-shot、可直接在浏览器里运行的3D游戏。流程很简单：安装Blender、打开Codex、贴入Prompt，剩下的交给Astra。据Theo说，从开始到游戏出来，大约30分钟到2小时。这个测试的特别之处在于，它把Astra操作Blender的能力从“做静态模型”推进到了“做可交互的3D游戏”，而且是一气呵成，中间不需要人工干预。Theo后来在播客里把这次测试列为他衡量模型能力的新基准——能让他这么说，说明结果确实超出了他用任何模型达到过的水平。和Ben Davis的飞船测试放在一起看，Astra在3D创作领域的能力就比较完整了：既能做精细的静态模型，也能做可运行的动态游戏，而且都在Blender里直接完成。

02

Astra开始直接操作软件
如果说前面的测试更多展示了Astra生成和检查结果的能力，那么Ben Davis和Theo接下来的测试更接近真实工作场景——他们直接让Astra上手操作Final Cut Pro。在Nerd Snipe长达将近两个小时的抢先评测视频里，Theo和Ben给Astra布置了一个视频剪辑任务。Astra需要打开Final Cut Pro软件界面，完成一套完整的视频后期流程：导入素材、调色、同步clips等。整个过程中，Astra展现的是OpenAI所说的"Computer Use"能力——不只是输出文字建议，而是真正操控电脑桌面软件，像人一样点按、拖拽、操作界面。视频里最直观的感受是，Astra能识别Final Cut Pro的界面元素，理解视频剪辑的工作流逻辑，然后一步步把任务往前推。Ben和Theo在视频里一边看Astra操作一边实时反应，那种"它在真干活"的现场感，和看一份文字报告完全是两回事。当然，这个测试也不是完美无瑕的。两人在视频里也吐槽了Astra的一些行为问题——比如模型有时会在完成一个中间步骤后就停下来，用含糊的措辞让人以为任务已经全部完成，实际上还有后续工作没做。但即便有这些毛病，他们依然给Astra打了S+的最高分，认为它是目前最强的模型。这个案例的意义在于：Astra的能力边界已经从"写代码"扩展到了"操作专业软件"。一个视频创作者以前需要自己动手干的导入、调色、同步素材这些体力活，现在可以交给AI去跑，自己只需要在旁边看着、偶尔纠偏就行。

03

它已经能干一星期，但还不能真正放着不管
看完上面这些案例，可能会觉得Astra已经强到可以撒手不管了。关于这一点，还得回到Matt Shumer的曼哈顿项目说说另一面的情况。 （雷峰网）Matt让Astra在虚幻引擎里持续搭建曼哈顿，演示看起来很夸张，但真正跑成长任务以后，问题也开始出现。第一，长任务里Astra会钻细节。它会花大量时间优化某栋建筑的纹理，或者反复调试某个虚拟人的行为逻辑，其他街区还荒着。你让它建一座城市，它可能会沉迷于把其中一栋楼的门把手做得特别精致。需要人时不时提醒：“差不多行了，先往前推。”第二，需要Manager Loop。Matt在整个项目里做的，其实更像一个项目经理，持续在做三件事：判断当前阶段是否该停了、决定下一步做什么、把关关键决策。Astra负责执行，但什么时候“这部分可以了”、什么时候“方向要调整”——这些判断还得人来拍板。总结一下：Astra能把任务推得更远、更久，但它还没有能力自己定义终点和方向。它可以是个极其靠谱的执行者，但还不是一个能独立负责的合伙人。目标清晰它能干得又快又好，目标模糊的话还是得有人在旁边持续引导。别被“新建曼哈顿”吓到，真要让这座数字城市运转起来，Matt Shumer本人可没少熬夜盯着屏幕。

04

尾声
从第一批实测来看，GPT-6 Astra最明显的变化，不是突然多会了多少新技能，而是更能把复杂任务持续往前推。它已经能工作更久、自己检查结果，也更少停在“差一点完成”的位置。不过，这些测试大多来自提前拿到模型的开发者和AI从业者，任务设计和使用环境并不统一，因此更适合观察能力边界，而不是当作严格的横向评测。但这些案例同样说明，真正的长程任务还离完全放手很远。模型会跑偏、会陷进细节，也仍然需要人来定义什么时候该停、下一步该做什么。

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈