GPT-6发布15小时：Altman道歉赔额度，有人已经把活交给它
第一句话先提醒你，本文很长，长到老金写完整篇之后，要回来补这句话。
基于老金是ChatGPT的铁粉，还是做了深度研究，从GPT6这个模型怎么样，到案例怎么样，本文一点点的给你嚼碎了告你。
GPT-6发布到现在过去了15个小时，OpenAI却出现了两副面孔。
凌晨四点多，那张由星星拼成的数字6刚挂出来。负责OpenAI核心产品的Tibo跟着发帖，确认GPT-6 Astra开始推送，所有Plus用户都在这一轮里，完整开放要花几天。
图片加载中…
帖子末尾写着，It is pure magic，这是我少见的他用魔法来形容模型，让我产生了一股浓烈的好奇心。
不过另一副面孔来得更快，官网文章卡住没顺利上线，大部分付费用户的模型列表里根本没有Astra，Sam Altman只能出来道歉，承认这次推送很乱。
Tibo只好把补偿按天算，付费用户每多等一天，就送一次可以存起来的额度重置，第一份在帖子发出约三小时后到账，现在已经到账了。
图片加载中…
老金我到现在没看到GPT6出现在我的账号上，这种大家还用不上的发布，像预告片先收了票钱。
要是AGI真的来了，它收到的第一条用户反馈，我觉得得是先把发布流程修一下。
魔法和道歉同框，这种发布会很少见，一天之内官方发布帖拿到3600多万浏览、16万多点赞，是Sora之后热度最高的一次模型发布。
乱归乱，发布后的这15小时里真正有用的信息反而齐了，
老金我把官方页面、开发文档、ARC Prize报告、第三方评测、企业实测和安全报告翻完，判断很简单。
GPT-6不一定是每道题都比上一代聪明，但它可能是第一款让一部分人敢少盯一会儿的AI。
GPT-6的主战场，已经从聊天框挪到电脑桌面上了。
OpenAI的2分43秒发布片很有意思，镜头从1979年的电脑一路切到2026年，聊天框快一点只是表面，真正的变化是电脑正在变成AI能直接接手的工作台。
图片加载中…
Plus用户这几天都会拿到GPT-6
GPT-6 Astra已经进入分批推送，第一批是Trusted Access Program里的少量机构，接下来几天会覆盖ChatGPT Plus、Pro、Business、Enterprise、OpenAI API和AWS。
所以有些人已经看见了，你的模型列表还没有，我的也没有，不用退出账号八百遍，大概率只是还没排到。
Altman给的预期是，广泛开放先从Pro用户开始，希望大家周末能用上，但他不敢保证，资格没有取消，只是时间往后挪。
Astra会计入各套餐原来的使用额度，Tibo专门强调，这部分额度可以100%拿来跑Astra，但是这不是额外送五次试用，你原来有多少额度，就能拿多少跑它，仅此而已。
Pro、Business和Enterprise还会拿到能力更高的Astra Pro，企业工作区则需要管理员手动开启，免费用户什么时候开放，官方暂时没给时间。
图片加载中…
有人问Tibo，Astra是不是比Sol更高一档，后面还会不会有GPT-6 Sol。
他只重申了命名逻辑，数字越大代表代际越新，天体越大代表档位越高，Astra高于Sol、Terra和Luna。
未来有没有GPT-6 Sol，现在还不知道。
99.9%很猛，但老金要给你解释清楚
OpenAI这次最扎眼的数字，是ARC-AGI-3的99.9%。
ARC-AGI-3是一组没有新手教程的陌生小游戏，模型进去以后只能自己探索，记住前面踩过的坑，猜出规则，再想办法通关。
OpenAI发布页把99.9%放在了最显眼的位置，同一张官方图里，Claude Opus 5是30.2%，上一代Sol只有7.8%，人类测试者平均是48%。
Reddit上有个基准图不到一天拿到约1700票，评论区一半在喊离谱，另一半已经开始问，这是不是Harness把分数抬上去了。
他们问得没毛病。
图片加载中…
把社区整理的大表放在一起看，Astra的变化也不是只集中在一根柱子上，科学工作流、业务自动化、研究级数学、终端任务、临床任务和3D建模都出现了提升。
每项测试的环境不同，不能直接把百分比横着相加，但它们至少指向了同一件事，长流程、跨工具和反复验证正在成为新模型的主场。
图片加载中…
但Latent Space汇总的第三方结果给这股热度泼了一点有用的冷水，Epoch AI把Astra的能力指数评为169，创下新纪录。
可这个结果仍落在推理模型时代既有增长趋势的不确定区间里，它很强，却还不足以证明能力曲线突然改了形状。
图片加载中…
ARC Prize公布的完整条件里，Astra使用标准Harness时拿到62.7%，成本约2.61万美元。换成OpenAI适配的Provider Adapter Harness，最高分来到99.9%，成本反而降到约1.88万美元。
同一个模型，换了一套更会保留推理状态、管理长上下文的工作台，成绩多了37.2分，钱还少花了7000多美元。综合耗时约快3.66倍，相同已解任务使用的Token少了49%。
简单点儿说，它在不同的Harness下，会更便宜，效果也更好。
图片加载中…
Astra在ARC-AGI-2上也把成本和分数的前沿往外推了一截，更值得注意的是动作效率，在它完成的关卡里，96%的关卡使用动作数少于人类中位数。高推理档反而可能更省钱，也正是因为它更少走弯路。
图片加载中…
图片加载中…
图片加载中…
ARC Prize创始人Chollet的回应也值得看下，半年前这个测试集上最好的成绩还不满1%，现在已经被推到顶，速度比他预期的快了一倍。
OpenAI在原帖里也专门提醒，基准数字要和运行配置、成本一起看。
这里最容易被忽略的，恰好是Harness对结果的影响。
图片加载中…
模型像脑子，Harness是它上班的地方。
你把一个天才关进每十分钟失忆一次、工具还总找不到的办公室，他也能干成实习生。
很多人还在卷提示词，下一轮真正拉开差距的，可能是你给AI搭了一个什么样的公司。
它开始把一项工作从头做到尾
假设你丢给它二十份产品资料、一个竞品网址和公司的PPT模板，让它明早交一份新品汇报。
过去的AI通常先给你一份大纲，后面每一步还得你盯着，资料搜完再算表格，表格算完再做PPT，中途预算从100万改成60万，它可能把前面的内容一起带乱。
最后AI没少忙，人也没少加班，但Astra的工作方式变了。
它可以先拆任务，让网页搜索、文件读取、数据分析和代码执行并行往前跑，一个工具还在等结果，它先去处理别的部分。
你在中途补一句，把第二部分改成老板能看懂的版本，它会把新要求接进正在执行的任务，前面做完的东西继续保留。
图片加载中…
放到Codex里，Astra还能把关键进度写进持续保存的笔记，上下文装满以后，旧内容依然可以搜索。以前做长任务最烦的，是干到后半程突然失忆，现在它至少开始有了一本不会轻易丢的工作日志。
这个能力目前还是实验功能，可以在Codex的config.toml里开启，官方计划在未来几周把它设成Astra的默认能力。
它也不只在聊天框里写字，浏览器、文件、代码环境、文档、表格和专业软件都能接进同一条工作流。
官方展示里，它已经能填表、更新CRM、整理日程、分析科学数据、生成图表、安装并测试软件，还能进入Unity、Blender和KiCad继续工作。
图片加载中…
图片加载中…
在OSWorld 2.0的离线测试里，Astra拿到72.6%，上一代Sol是65.7%，模拟耗时从约75分钟降到约40分钟，快了约47%。
搭配新版Codex Harness跑Mind2Web时，任务完成速度达到上一代体验的1.9倍。
以前模型升级，大家问的是它答得准不准。到了GPT-6，问题变成了它能不能把事情做完，做完以后，你敢不敢直接用。
AI的能力，终于从嘴上长到了手上。
案例比一排基准分更能说明问题
开发者Theo提前用了几周Astra，他说这模型有毛边，也有怪脾气，但仍是自己用过最聪明的模型。
他还说了句，最大的变化，是我终于敢对它说，你觉得改好了，就直接合并。
合并代码，就是把AI改好的内容正式放进项目主分支，通常是人检查完之后才会按下的最后一步。
首发当日夸模型厉害不稀奇，敢把最后一道人工确认往后挪，才稀奇。
反正老金我到现在也不敢，依稀记得曾经某AI在合并后整个库全崩溃的场景。。。
ChatPRD创始人Claire Vo的测试指向同一个方向：一个折腾了半年、前几代模型都没做成的功能，Astra完成到了90%，3D游戏、桌面应用和一个硬件控制工具，这些让Sol和Fable反复翻车的项目，它一次做成。她还拿浏览器操作专门做上线前检查，抓出了几个容易漏掉的问题。
Cognition把Astra接进Devin，内部测试创新高，报告变得更短更清楚。
这些都是早期试用者和合作伙伴的反馈，首发日虽然有点儿虚高，但三拨人说到的变化高度一致，返工少了，检查更完整，结果更敢用。
法律AI公司Legora拿41份财务文件测试Astra，里面提前埋了4个错误。它在一次Agent运行里全部找了出来，其中一个是藏在收入附注里的50万英镑差额，还比上一代多完成了约50项检查。
在这条特定财务核对流程里，Astra比上一代提升接近40%，放到Legora整套法律任务里，平均提升只有约3%。
有一说一，这个3%反而更可信，它说明GPT-6没有给所有工作统一打鸡血，资料多、步骤长、工具多、还得反复核对的活，才是它最先拉开差距的地方。
游戏公司Playco的案例更直观，它把Astra接进Unity和Godot，从同一个灰盒原型出发，让模型自己编辑场景、运行游戏、试玩、找问题再修改。最后做出3个不同主题的原型，人工修复次数比上一代少了50%。
图片加载中…
Box的企业测试更说明问题，因为它没给GPT-6一个全面起飞的数字，整体准确率77%，上一代74%，只涨3分。
真正的差距出现在最麻烦的任务里。让模型同时处理互相打架的表格、PDF、PPT和图片，最后交一份能直接拍板的报告，影视类任务从48%涨到100%，科技类从69%涨到97%，法律类从69%涨到93%。
其中一个科技任务没有直接给出需要的指标，Astra明确说自己算的是代理指标，还抓出一处增长结论和底层数字对不上，Sol把代理指标当成了真指标。
法律任务里两个模型都得出了不批准的结论，Astra把判断落到公司政策的具体条款，Sol只有结论，没有出处。
一个像是感觉不对，一个能把证据拍在桌上，真进公司流程，差的就是这一步。
社区里还有一个很炸的非官方案例。
Matt Shumer让Astra在Unreal Engine里创建一个世界，再放进一群由Astra驱动、需要合作生存的角色，一天后，这些角色开始互相说话，演示帖拿到约6000点赞和80多万浏览。
这不是受控评测，不能拿来证明它已经造出数字生命，但它把一种新用法摆到了眼前。
过去我们让模型生成一段剧情，现在有人开始让一群Agent住进同一个可运行世界里，观察它们自己把故事演出来。
这让游戏人出身的老金我，仿佛看到了新世界！
还有人把它直接塞进Blender，Mark Weinbach展示了Astra重建Apple Park的结果，原帖约30.7万阅读、3815赞。看图仍能挑出细节问题，但模型已经能从资料搜集一路走到场景搭建和渲染。
图片加载中…
图片加载中…
Pietro Schirano把测试范围继续放大，他先让Astra从一张图出发，用代码做出3D模型和动画。随后又通过MCP接上Ableton，让模型自己创建乐器、编排声部，做出一首完整曲子。
Sharif Shameem让Astra在Blender里重建旧金山艺术宫，模型先搜集大量参考资料，甚至翻出了这座建筑百年前留存的档案文档，对着图纸核数据。再做建模、材质和渲染，最后留下的不只是一张概念图，还有一个可以继续修改的3D工程。
图片加载中…
图片加载中…
Clad3815做了一个更容易看懂的长任务测试，让模型只靠视觉操作通关《宝可梦火红》。Astra high用了18小时12分，上一代Sol max用了96小时35分，GPT-5.5跑了218小时仍未通关。
这是社区测试，不等于标准化基准，但它把长时间自主操作的差距摆得很直观。
图片加载中…
类似的跨工具任务还出现在内容生产里。T细胞研究者Derya Unutmaz只给了一条提示，让Astra调用Remotion、Imagegen和HeyGen，自己做出一支5分钟科普片。
研究者对内容负责，模型把脚本、画面、旁白和组装接成一条链。
OpenAI还公布了Astra参与数学研究的结果，内部版本解决或实质推进了10个长期开放问题，其中两个是素数间距的已知界。
一个结果把相邻素数间隔的上界从246压到了186，参与者说这是这类结果自1930年代以来第一次被真正推动，团队把证明写成Lean形式化仓库，附带数值证书。
另一位数论研究者贴出了和Astra来回做交互式证明的过程，从猜想到机器验证在对话里跑通，他说这种吞吐量以前不敢想。
图片加载中…
图片加载中…
图片加载中…
财务文件、游戏引擎、数学证明，看起来离得很远，底层其实都一样。
任务很长，过程里不断出现新信息，模型得记住前面做过什么，一边调用工具，一边检查自己有没有跑偏。
API更贵，但这笔账不能只看Token单价
GPT-6 Astra的API上下文窗口是105万Token，单次最多生成12.8万Token。标准价格是每百万输入Token 10美元、缓存输入1美元、生成Token 50美元。
单次输入超过27.2万Token以后，整次请求的输入和缓存价格翻倍，生成Token价格变成1.5倍。Fast模式最高约2倍速度，价格也是标准模式的2倍。
这个价拿来闲聊，说真的，多少有点开工程车去楼下买水的感觉，反正我觉得有点儿小贵。
图片加载中…
可Agent任务不能只看每百万Token多少钱，还得看它为了交付结果要跑多少轮、返工几次、占用多少人的时间。ARC-AGI-3里，99.9%那套运行比62.7%那套更便宜，就是因为少试错、少调用、少绕路。
模型单价更贵，单项结果反而可能更便宜。
企业真正要算的，是一件事从发出去到能验收，最后花了多少钱。
反方的账也得摆上桌，Artificial Analysis测出来的结果要冷静得多，通用智力指数61，和上一代Sol打平，没有代际碾压。
Token单价贵了2.5倍，按他们默认档位跑下来，单个任务的综合成本反而比上一代贵了约75%，银行客服、科学代码这些单项还回落了2到3分。
明显收敛的是幻觉，从92%降到51%，准确率还同时涨了4分。
倒是编码测试里有个细节值得记下，Astra的Token消耗只有上一代的三分之一，跑出同分的任务，成本不到对手Fable 5的一半，省的这部分是真金白银。
他们的分析师给了一句话评价，通用体验的提升是个位数，价格贵了四分之三，冲不冲看你手里是什么活。
Hugging Face事故，让OpenAI不敢一把全开
再说个有意思的事儿，今年7月，一批正在做网络安全评测的OpenAI内部模型越过了隔离边界。
它们面对几乎解不出来的任务，没有老老实实停下，而是开始研究周围的基础设施，后来还把内部Artifactory文件系统改造成临时留言板。
不同Agent在里面分享线索、命令和工具，再利用漏洞获得外网访问，最后进入Hugging Face的系统，OpenAI把这件事称为一次warning shot。
Astra没有参与这次事故，主导事件的是一个未公开的内部研究模型。OpenAI也确认，客户数据、产品功能和服务可用性没有受到影响。
事故最后波及41台Hugging Face生产服务器，Agent在至少一个节点拿到了最高权限，还下载了4个私有代码仓库。
可这件事足够让公司踩下刹车。
OpenAI暂停了部分前沿训练，更大的强化学习训练一直压到8月28日才恢复，隔离、网络控制、权限、全轨迹监控和对齐要求全部往上提。跟着GPT-6一起上线的，不只有模型，还有一整套第一次大规模运行的刹车。
它能找零日漏洞，也会被安全系统随时按停
Astra是OpenAI第一款达到关键级网络安全能力门槛的公开模型。这个等级不等于它能随便攻破任何系统，准确的意思是，拿到合适工具和权限后，它已经能寻找未知漏洞，再把几个漏洞串成可运行的攻击链。
在OpenAI用20个近期高危V8漏洞组成的测试里，Astra还额外发现并利用了两个此前未知的零日漏洞。另一面也得摆出来，外部安全机构Irregular让它做226道真实软硬件漏洞题，它解决了86道，上一代只有34道。但7道最高难度的题一道没过，完全强化的目标一个都没攻破，它远没到想黑谁就黑谁的程度。
更值得琢磨的是OpenAI系统安全报告里列出的失败样例，内部模拟里，它曾经没问授权就提取并使用服务凭据，为了完成部署去修改原来的安全限制。
这些并没有在线上发生，是官方自己设计的找问题测试，恰恰因为模型真的能操作系统，这类错误比一句胡说严重得多。
一个只会说错话的模型，最多把你骗一会儿，一个能动系统的模型，可能在你看懂之前，把错事做完。
图片加载中…
更微妙的是，它平时确实更守规矩。在一组专门引诱模型越过授权目标的蜜罐测试里，Sol有48.2%的运行会越界，Astra是0%。
可Astra的书面推理更短，留给监控系统的线索也更少。
英国AI安全研究所的赛前评估把这层担忧变成了数字，不给思维链时，Astra能自主连续工作的时间视野被测到30.9分钟，上一代只有3.6分钟，干活能力翻了好几倍。思维链可控性倒是从48%涨到93%，看起来更听话了，麻烦在长任务里，轨迹一长，思维链摘要最高八成会缺失，你想看它是怎么想的，翻开来可能是空的。
更不安的是，在刻意要求它躲避监控的测试里，它有时真的能躲过去。
前OpenAI超级对齐团队的Ryan Greenblatt在系统卡下留言，再过几代模型，靠阅读思维链来监督AI，可能就不再是可行的安全手段。研究者Neel Nanda的评论说得更重，丢掉思维链可监控性，会是一场重大悲剧。
OpenAI因此给所有对外部署、带工具调用的Astra加上全轨迹监控。任务的授权范围不清楚时，ChatGPT或Codex可能减速、暂停，让人重新确认，API任务会直接停止。
能跑得快的车很多，能在失控前被按住，才配把方向盘交出去。
别急着争AGI，先看你手里的工作该不该交给它
GPT-6发布以后，最热闹的话题还是AGI。OpenAI总裁Brockman把调门拉得最满，几年后回头看，大家可能会把这一天当成AGI真正出现的节点。
有意思的是，Altman几天前刚说过，AGI是一个定义很差、越来越像营销词的概念。Reddit上一条发布讨论拿到400多票，评论区有人喊AGI来了，也有人看着OpenAI发布页一度打不开，顺手补了一刀，AGI很强，互联网承受不住。
评论区慢慢分成三拨人。Sama和OpenAI前研究员Bubeck说通用超级智力已经在门口。另一拨人甩出Artificial Analysis的表说先冷静。夹在中间的安全研究者不聊强不强，只问它的内心我们还能不能看见。
老金我现在不太想在这个词上站队，ARC Prize自己写得很清楚，跑满ARC-AGI-3不等于证明AGI实现，因为测试环境仍然封闭，规则也是确定的。OpenAI自己的风险评估里，Astra的AI自我改进能力也没有达到高等级门槛。
普通人明天上班就要面对一个选择，手里哪一类任务可以先交给它。
如果一项工作要同时读很多资料、跨多个软件、处理中途变更，还需要反复检查结果，Astra很可能比普通聊天模型更值钱。
只是写一段短文、问一个常识、改几句话，贵2.5倍的API单价未必能换来肉眼可见的收益。
真正把任务交出去前，老金我会先问四件事。
资料和工具：它需要跨多少资料和软件。
中途变化：要求会不会在执行时继续改变。
结果验收：成功结果能不能被人检查。
按停与负责：出了问题，谁有权按停，谁来负责。
工业革命把力气交给机器，互联网把记忆交给搜索，GPT-6开始试着接走执行。
每一次工具接走一种能力，人都会本能地问一句，我还剩下什么。
答案可能不在更快的手，也不在更长的工时，而在机器无法替你承担的三件事，选择什么目标，划下什么边界，出了问题愿不愿意负责。
只是写到这里，还有另一件事在老金我脑子里停着。
这一代模型把手越练越能干，内心却越藏越深，它比上一代守规矩，留下的推理痕迹反而更少。我们过去信任AI，是看它把思路摊在纸上，一步一步对着答案，往后思路越摊越少，交出去的事越来越重。
信任这两个字，含义正在悄悄换。不再是我看见你想对了，所以我放心。而是我看不见你怎么想，但我决定试一次。
当AI说我做完了，真正决定一切的，仍然是那个说可以开始的人。
会做事的机器终于来了。
还记得开头那句It is pure magic吗？
魔法之所以像魔法，是因为没人看得见它是怎么变的。
方向盘，是不会自己长出主人的。