刚刚，OpenAI发布GPT-6：欢迎来到AGI时代！

模型开始交付工作

Astra 的核心能力是 Computer Use。

例如在网站上寻找 cat sitter，人类平均需要约 30 分钟，Astra 用时 5 分 27 秒。

从寻找岗位到完成求职申请，人类需要接近 5 小时，Astra 用了 2 分 51 秒。

它还可以直接操作专业软件，包括用 KiCad 绘制 PCB、用 Unity 搭建 3D 场景，以及操作 Blender 和 FreeCAD。

法律文件、税表、数据分析和软件安装也进入它可以直接执行的任务范围。

这意味着模型的输出形式发生了变化。

过去模型输出文本，人再根据文本操作软件。

Astra 直接操作软件，输出任务结果。

评测也开始反映这种变化。

在 OSWorld 2.0 评测上，Astra 的成功率为 72.6%，Sol 为 65.7%；

平均任务时间从 Sol 的约 75 分钟降到 Astra 的约 40 分钟。

ARC-AGI-3 上，Astra 达到 99.9%，Sol 为 7.8%。

这个成绩使用了 OpenAI 的 Responses API harness，因此它衡量的不是裸模型，而是模型与 Agent Runtime 组成的完整系统。

这也是 Astra 的核心变化。

过去模型负责推理，应用层负责工具、Context、Memory 和执行循环。

现在这些能力开始进入模型厂商自己的 Runtime。

模型竞争的指标也会改变。

回答质量之外，任务完成率和完成时间开始成为核心指标。

从 Token 成本到任务成本

GPT-6 Astra 的 Token 价格确实很贵。

Standard 版本输入 10 美元、输出 50 美元每百万 Token，相比现在的 GPT-5.6 Sol，大约是 2.5 倍；

Fast 版本进一步上涨到输入 20 美元、输出 100 美元。

只看报价表，这就是一次非常直接的涨价。

但 Brockman 在发布会上偏偏说了一句很值得琢磨的话：“Pricing tokens doesn’t make any sense.”

他认为，长期来看，行业真正应该比较的单位会是 price per task，也就是完成一项工作究竟需要多少钱。

过去的大模型本质上还是一种信息服务，模型输入多少 Token、输出多少 Token，基本决定了调用成本，于是整个行业习惯用“百万 Token 多少钱”来衡量一个模型是否便宜。

但 Agent 进入真实工作之后，这个指标开始迅速失真。

一个模型可能每个 Token 贵两倍，却只需要一次就把任务做对；

另一个模型单价便宜很多，却需要反复尝试五次、调用十几个工具、不断重新读取 Context。

最终谁更便宜，已经不能只看 Token 单价。

OpenAI 自己给出的测试也在试图证明这一点。

在部分工程与软件任务中，Astra 虽然 Token 单价明显高于 Sol，但完成一个成功任务的预计 API 成本反而更低，在 BenchCAD 等任务中，单任务成本甚至出现了四成左右的下降。

这意味着 AI 的经济学开始出现一个非常具体的变化：我们过去购买的是计算量，未来购买的可能是工作成果。

一百万 Token 多少钱，会逐渐退到类似“云服务器每小时多少钱”的底层技术指标，企业真正关心的问题会变成处理一份合同多少钱、完成一次代码迁移多少钱、设计一块 PCB 多少钱、解决一张客服工单多少钱。

所以 GPT-6 Astra 的高价格，并不能直接推导出 AI 自动化会变得更贵。

真正应该观察的是另一条曲线：模型价格上涨的速度，能不能长期低于任务效率提高的速度。

只要后者持续更快，一个 Token 单价昂贵的模型，最终依然可能带来更加便宜的工作。

失去监控的黑盒

GPT-6 Astra 身上还有一个很奇怪的变化：它在行为上变得更加可控，但它的思考过程却变得更加不可见。

OpenAI 在一项模拟 Agent 权限边界的测试中发现，当系统面对一个无法正常完成的目标时，GPT-5.6 Sol 有接近一半的概率会尝试越过授权范围继续执行，而 Astra 的结果是 0%。

OpenAI 因此把它描述为目前 alignment 表现最好的模型之一。

但同一批评估里又出现了另一个方向的问题：Astra 的书面推理已经比 Sol 更难监控。

这种失控源于底层架构的改变。

据 The Information 此前披露，Astra 使用了一种被称为 recurrent depth，也叫 looped transformer 的技术，模型可以在产生下一个 Token 之前，让信息在部分网络层中进行更多轮内部计算。

OpenAI 并没有确认 Astra 可监控性下降就是由这一架构直接造成的，而且据报道，他们甚至有意识限制了这类技术的使用规模，以尽量保留可读的 Chain of Thought。

但长期方向已经越来越清楚：模型越强，它越不需要把所有计算过程翻译成人类语言，很多过去发生在“草稿纸”上的推理，会逐渐转移到 latent space。

OpenAI 首席科学家 Jakub Pachocki 因此把 monitorability 直接列成了未来 Scaling 面临的重要问题之一。

这会形成一个很麻烦的工程矛盾：模型的行为可能越来越符合规则，我们理解这些行为为什么发生的能力却可能越来越弱。

这种变化在网络安全领域尤其敏感。

Astra 是 OpenAI 第一个达到内部 Critical Cybersecurity Capability 门槛的模型，它已经能够自主寻找未知漏洞、分析目标并构建复杂攻击链，在内部评估过程中甚至发现了两个此前未知的 zero-day 漏洞，因此最强的相关能力不会直接完整开放给所有用户。

这可能才是 GPT-6 发布之后最值得长期观察的安全问题。

AI Safety 过去很大程度上依赖两件事，一件是控制模型可以做什么，另一件是理解模型为什么这么做。

前者目前仍在进步，后者却开始变得越来越困难。

AI 开始参与训练 AI

Astra 还有一个变化：上一代模型开始参与下一代模型的训练。

OpenAI 研究员 Aidan Clark 表示，previous models 在 Astra 的训练监督中承担了重要角色，包括生成和筛选数据、检查模型输出、发现训练异常和进行评估。

训练基础设施也开始自动化。

The Verge 报道，过去需要工程师介入处理的部分训练故障，在 Astra 训练后期可以由模型自动发现并恢复。

这还不是完整的 Recursive Self-Improvement。

研究方向、训练目标、实验设计和最终决策仍由人类控制。

但一个循环已经形成：上一代 AI 开始成为训练下一代 AI 的工具。

如果这部分工作继续自动化，AI 能力提升本身也会获得新的效率杠杆。

应用层要重新寻找壁垒

所以回头看 GPT-6 Astra，这次发布最重要的可能不是 OpenAI 到底有没有实现 AGI，而是大模型正在从回答问题，真正走向完成任务。

OpenAI 这次同时在改 Context、Memory 和 Agent Runtime。

Astra 与 Codex 开始支持跨 Context 检索过去的信息，不再只靠不断压缩历史对话。

因为一个真正长期工作的 Agent，不可能永远把所有东西塞进 Prompt，它需要环境、工具、Context、Memory、执行循环，以及最终负责验收结果的 Verifier。

这也意味着，AI 应用的壁垒会继续往更深的地方转移。

单纯的 Prompt 编排和固定 Workflow 会越来越容易被模型吃掉，真正有价值的会变成任务定义、真实业务环境、权限、数据，以及最重要的验收标准。