GPT-6 Astra 发布：编程能力追平顶级模型，但价格翻倍

Artificial Analysis@ArtificialAnlys GPT-6 Astra 在 Artificial Analysis 编程智能体指数中取得显著进步，以更低的成本获得了与 Fable 5 相同的得分。在智能指数中，它比 GPT-5.6 Sol 使用更少的 token（即模型处理文本时使用的最小单位）就能达到相似性能，但这被更高的价格所抵消。

定价全面是 GPT-5.6 Sol 当前价格的 2.5 倍，从每百万输入/输出 token 的 $4/$20 上涨到 $10/$50，缓存读取仍享受 90% 折扣，缓存写入则有 25% 的溢价。

在我们两个旗舰指数中，我们看到了不同的情况。在 Artificial Analysis 编程智能体指数中，GPT-6 Astra 以不到一半的成本追平 Fable 5，这得益于显著的 token 效率提升。在 Artificial Analysis 智能指数中，GPT-6 Astra 在相似性能下比其前代产品更节省 token，但这被价格上涨所抵消。

Artificial Analysis 编程智能体指数 - 关键要点：

➤ 媲美顶级模型：在 Codex 环境中，GPT-6 Astra 在指数中得分 67——与 Claude Code 中的 Claude Opus 5 和 Fable 5，以及 Muse Code 中的 Muse Spark 1.3 大致相当。Claude Code 中的 Fable 5.1 以 70 分领跑该指数。

➤ 比 GPT-5.6 Sol 节省 70% 的 token：GPT-6 Astra 在 token 效率上有大幅提升，在 Codex 测试环境中使用的 token 仅为 GPT-5.6 Sol（最高努力模式）的三分之一，是 Claude Opus 5（xhigh）的五分之一。该模型的不同努力级别占据了 token 效率的帕累托前沿（即在效率上无法被同时超越的最优组合点）。

➤ 领跑编程智能体指数成本效率前沿：在最高努力模式下，GPT-6 Astra 的成本与 GPT-5.6 Sol（最高努力模式）大致相同，但指数得分高出 2 分。每项任务，该模型的成本不到 Claude Fable 5 的一半，却获得相同得分。

Artificial Analysis 智能指数 - 关键要点：

➤ 智能水平与 GPT-5.6 Sol 相当：GPT-6 Astra 在指数中得分 61，与 GPT-5.6 Sol 持平。这比 Claude Fable 5.1（带回退的最高努力模式）低 5 分。该模型也落后于 Meta 新发布的 Muse Spark 1.3（最高努力模式）。

➤ 输出 token 减少约 10%，但被价格上涨抵消：GPT-6 Astra 在智能指数与每任务输出 token 方面定义了新的帕累托前沿——在最高努力模式下，token 使用量比 GPT-5.6 Sol 减少约 10%。然而，由于价格上涨 2.5 倍，该模型在最高努力模式下每项任务的成本比其前代高出 75%。

➤ 幻觉率比 GPT-5.6 Sol 减少一半：GPT-6 Astra 在我们的知识与幻觉基准测试 AA-Omniscience 中取得了大幅进步。这得益于幻觉率从最高努力模式下的 92% 显著下降到 51%。与某些模型不同，这一改进并未以牺牲准确性为代价——Astra 同时将准确性提升了 4 个百分点。

➤ AA-Briefcase Elo 提升约 80 分：GPT-6 Astra 在我们的前沿长周期知识工作评估 AA-Briefcase 中提升了约 80 分。模型需要接受为期数周的项目测试，其中包含许多关联任务和数千个源文件。与前代相比，Astra 在 AA-Briefcase 中的评分标准和分析质量 Elo 均有显著提升。另一方面，我们观察到演示质量 Elo 有所下降，GPT-5.6 Sol（最高努力模式）在此项上仍领先所有模型。

➤ 其他评估进展不一：该模型在 Humanity's Last Exam（一项长期评估，侧重于数学、科学和人文学科）中提升了 6 分。但这被 GDPval-AA v2 中约 80 个 Elo 分的下降所抵消——这是我们根据 OpenAI 数据集改编的基准测试，衡量 44 个职业中具有经济价值的任务。我们还在其他多项能力评估中观察到 2-3 分的退步，包括 τ³-Banking（客户服务）、SciCode（科学领域的 Python 问题）和 AA-LCR（大型文档上的长上下文推理）的得分下降。

祝贺 @OpenAI 和 @sama 发布新模型！

下午 7:31 · 2026 年 9 月 3 日 55.5K 次查看 94