====== GPT-6 Astra ======

**GPT-6 Astra**（简称 **Astra**）是 [[OpenAI]] 于 **2026 年 9 月 3 日**发布的新一代旗舰模型，定位为面向复杂端到端任务的通用人工智能模型。Astra 重点提升了[[推理]]、[[软件工程]]、[[计算机操作]]、[[网页浏览]]、[[科学研究]]、[[网络安全]]以及专业工作等方面的能力。

与主要用于生成文本和回答问题的传统[[大语言模型]]相比，Astra 更强调让模型通过[[工具调用]]直接完成由多个步骤组成的实际任务，因此与[[AI Agent]]的发展方向关系密切。

===== 基本信息 =====

^ 项目 ^ 内容 ^
| 开发者 | [[OpenAI]] |
| 发布时间 | 2026 年 9 月 3 日 |
| 模型名称 | GPT-6 Astra |
| API 模型 ID | gpt-6-astra |
| 模型类型 | 通用多模态模型 |
| 上下文窗口 | 1,050,000 tokens |
| 最大输出长度 | 128,000 tokens |
| 知识截止日期 | 2026 年 4 月 30 日 |

Astra 支持不同程度的推理强度，包括 low、medium、high、xhigh 和 max。较高的推理强度允许模型在复杂任务上投入更多计算资源，但通常也会增加响应时间和计算成本。

===== 背景 =====

Astra 是 OpenAI 在[[大语言模型]]、[[强化学习]]、[[推理]]、[[工具调用]]和[[AI Agent]]等方向长期研究的延续。

现代 AI 模型的发展经历了一个重要变化。早期的大语言模型主要通过[[预训练]]学习语言和世界知识，使用方式通常是“输入问题，生成答案”。随着模型推理能力和工具使用能力不断增强，模型开始能够执行更加复杂的任务，例如编写和测试代码、搜索互联网、分析文件以及操作计算机。

因此，当前前沿模型的竞争已经不仅仅是“谁能够生成更好的文本”，而逐渐转向“谁能够更加可靠地完成复杂任务”。

Astra 正是在这一发展背景下出现的模型。

===== 核心能力 =====

==== 推理 ====

Astra 的重要能力之一是[[推理]]。

普通的语言生成主要是在给定上下文的情况下预测接下来应该生成什么内容，而复杂推理任务要求模型建立中间结论、比较不同方案，并根据前面的结果继续进行分析。

在复杂任务中，Astra 可以先理解目标，再进行规划和行动，并根据行动产生的结果调整后续步骤。

因此，一个复杂任务可以概括为：

理解任务 → 分析问题 → 制定计划 → 执行操作 → 观察结果 → 调整计划 → 验证结果。

这种能力是现代[[推理模型]]和[[AI Agent]]发展的重要基础。

==== Computer Use ====

**Computer Use（计算机操作）**是 Astra 的重要能力之一。

传统大语言模型通常通过文本与用户交互，而 Computer Use 进一步允许模型与计算机环境进行交互。

例如，在获得相应权限的情况下，模型可以：

填写网页表单、操作网页应用、处理日历、使用软件、读取屏幕信息，并根据操作结果继续执行任务。

因此，模型与计算机之间的交互不再只是：

用户 → 模型 → 文本

而可以变成：

用户 → 模型 → 计算机环境 → 观察结果 → 模型 → 下一步操作。

这使得模型能够参与更加完整的工作流程，也是[[AI Agent]]能够真正执行现实任务的重要技术之一。

==== AI Agent ====

Astra 与[[AI Agent]]的关系尤其密切。

传统的大语言模型通常可以理解为“输入 → 输出”的系统，而 Agent 更强调模型在一个持续变化的环境中完成目标。

一个 Agent 通常需要经历：

目标 → [[推理]] → 行动 → 获取反馈 → 再次推理 → 再次行动。

因此，Agent 的核心并不是简单地增加一个聊天界面，而是让模型成为一个能够**观察环境、进行决策、调用工具并根据反馈继续行动**的系统。

Astra 提供的工具调用、Computer Use、Code Interpreter 和 [[MCP]] 等能力，都可以被用于构建这样的 Agent。

==== 软件工程 ====

Astra 在[[软件工程]]方面进行了重点优化。

它不仅能够生成代码，还能够参与更加完整的软件开发流程。例如，模型可以分析项目结构、定位 Bug、修改代码、运行测试，并根据测试结果进一步修改代码。

因此，一个完整的软件工程任务可以表现为：

理解需求 → 阅读代码 → 定位问题 → 修改代码 → 运行测试 → 分析结果 → 修复问题 → 验证结果。

这种工作方式与传统的[[代码补全]]模型存在明显区别。

代码补全模型主要帮助程序员预测接下来应该输入的代码，而 Agent 型模型则试图承担更完整的软件工程任务。

==== 科学研究 ====

Astra 也被用于[[科学研究]]相关任务。

OpenAI 公布的评测涵盖数学、科学、生命科学和医学等领域，并报告了 Astra 在多个专业测试中的成绩。

这类能力的重要意义在于，科学研究通常不是一个“一问一答”的过程。一个研究问题可能需要查阅资料、分析数据、建立假设、编写程序、运行实验，然后根据实验结果修改假设。

因此，能够执行多步骤任务的模型有可能成为科研人员的辅助工具。

不过，**模型在科学类 benchmark 上取得高分，并不意味着模型已经能够独立完成真实科学研究**。真实科研还涉及问题选择、实验设计、证据验证、同行评审以及研究者的专业判断。

===== 工具调用 =====

Astra 支持多种工具能力，包括[[Function Calling]]、[[MCP]]、[[Computer Use]]、[[Code Interpreter]]、[[Web Search]]以及文件搜索等。

工具调用使模型能够突破纯文本生成的限制。

例如，模型本身可能无法知道某个网站当前的信息，但可以调用 Web Search 获取信息；模型本身也无法直接改变用户计算机上的文件，但可以在获得相应权限和工具后进行操作。

因此，现代模型的能力可以理解为：

**模型自身能力 + 外部工具 + 环境反馈**

这也是[[AI Agent]]架构的重要基础。

===== API =====

Astra 可以通过 OpenAI API 使用，其模型 ID 为 gpt-6-astra。

例如，在 API 请求中可以指定：

<code>model = "gpt-6-astra"</code>

Astra 支持 OpenAI 的 [[Responses API]]，并能够与工具调用、Structured Outputs、Computer Use、Code Interpreter 和 MCP 等能力结合使用。

对于新的 Agent 应用，OpenAI 推荐使用 Responses API。

===== 上下文窗口 =====

Astra 的上下文窗口为 **1,050,000 tokens**。

上下文窗口决定了模型一次能够处理多少 Token 的输入信息。较大的上下文窗口对于复杂任务非常重要，因为 Agent 在长时间执行任务时，需要持续保留：

任务目标、历史对话、工具调用结果、代码、文件内容以及此前已经完成的工作。

因此，大上下文窗口能够减少模型在长任务中丢失早期信息的问题。

不过，**上下文窗口越大并不意味着模型能够同样可靠地利用其中的所有信息**。实际效果还取决于模型的上下文理解、信息检索和注意力分配能力。

===== 安全与对齐 =====

Astra 的开发也涉及[[AI 对齐]]和[[AI 安全]]研究。

所谓对齐，是指使模型的行为更加符合人类的目标、指令和安全要求。

例如，当用户的要求存在多种合理解释时，模型需要判断应该直接执行还是询问用户；当任务涉及外部系统时，模型还需要理解自己拥有的权限以及行动可能产生的影响。

OpenAI 表示，Astra 在用户意图理解、任务边界和不确定性处理方面进行了改进。

===== 网络安全能力 =====

Astra 的网络安全能力尤其值得注意。

OpenAI 在发布前的安全评估中表示，Astra 达到了其 Preparedness Framework 中的 **Critical（关键）网络安全能力等级**。

这意味着模型在适当的工具和权限条件下，已经能够自主发现某些此前未知的安全漏洞，并进一步开发漏洞利用方法。

这种能力具有明显的双重用途：它可以帮助安全研究人员发现和修复漏洞，也可能被恶意使用。

因此，前沿模型的[[网络安全]]能力必须与模型安全、权限控制、环境隔离和行为监控结合起来考虑。

===== 评测 =====

OpenAI 公布了 Astra 在多个领域的 benchmark 成绩。

在计算机操作方面，Astra 在 OSWorld 2.0 中取得 72.6%，在 ScreenSpot-Pro 中取得 92.7%。

在专业工作方面，Astra 在 AutomationBench 中取得 41.4%，在 BrowseComp 中取得 91.5%。

在数学和通用推理方面，Astra 在 FrontierMath Tier 4 中取得 98%，在 ARC-AGI-3 中取得 99.9%。

在网络安全方面，Astra 在 ExploitBench 中取得 100%。

需要注意的是，benchmark 主要用于衡量模型在特定测试任务上的表现。不同 benchmark 的测试方式、数据来源和评分方法不同，因此不能简单地将这些数字理解为模型在现实世界中的成功概率。

===== 与上一代模型的关系 =====

Astra 是 OpenAI 新一代旗舰模型，而 [[GPT-5.6 Sol]] 属于上一代面向复杂专业任务的旗舰模型。

二者的区别并不只是模型“更聪明”。

Astra 更加强调复杂任务的连续执行能力，包括 Computer Use、Agent 工作流、软件工程、科学研究以及专业工作自动化。

因此，可以把这一发展理解为：

**从“回答问题的模型” → “帮助完成任务的模型” → “能够自主执行复杂工作的 Agent”**

Astra 所代表的正是这一发展方向中的一个阶段。

===== 发展意义 =====

Astra 的意义不仅在于 benchmark 分数的提高，更在于它体现了前沿 AI 模型能力结构的变化。

过去，人们评价语言模型时主要关注：

语言理解、知识、文本生成和单轮推理。

而对于新一代模型，人们越来越需要关注：

复杂推理、长期任务执行、工具调用、计算机操作、环境反馈和任务完成率。

这意味着未来的 AI 系统可能不再只是一个“问答机器人”，而是一个能够理解目标并调用各种工具完成工作的通用接口。

===== 相关条目 =====

  * [[OpenAI]]
  * [[大语言模型]]
  * [[推理模型]]
  * [[AI Agent]]
  * [[Computer Use]]
  * [[工具调用]]
  * [[Codex]]

===== 参考资料 =====

  * OpenAI，''GPT-6 Astra: A new generation of intelligence''，2026 年 9 月 3 日。
  * OpenAI，''GPT-6 Astra Model''，OpenAI API Documentation。
  * OpenAI，''Safety overview: GPT-6 Astra''，2026 年 9 月 3 日。