企业官网建设流程全解析

OpenAI 正式发布 GPT-6 Astra：OSWorld 冲到 72.6%，单任务成本反而降 57%

9 月 3 日，OpenAI 官宣旗舰模型 GPT-6 Astra 正式上线。官方口径不是「又发了一个新模型」，而是直接把它称作「进入 AGI 时代的起点」，并强调这是公司历史上训练规模最大的一次。和几天前还停留在安全预研阶段的预告不同，这次 Astra 带着完整的 API 定价、一整套基准成绩和分阶段的覆盖计划正式落地，开发者已经可以在 API 里以 gpt-6-astra 的名字调用它。

把这次发布拆开看，最值得关注的有三件事：它把旗舰 API 的价格天花板又抬了一档；它在电脑操作类任务上第一次把「做得对」和「做得快」同时推进了一大步；以及 OpenAI 开始用「单任务成本」而不是「单 token 价格」来向企业解释为什么最贵的模型反而可能最省钱。

一、定价再抬一档：标准档 10/50 美元，Fast 模式 2 倍价

GPT-6 Astra 的 API 标准定价是输入每百万 token 10 美元、输出每百万 token 50 美元，缓存读写单独计费。想要更快，可以用 Fast 模式，处理速度最高为标准档的 2.5 倍，价格按标准档的 2 倍收取，也就是输入约 20 美元、输出约 100 美元每百万 token。

这个价位放到市场里是什么水平？OpenAI 自己的上一代旗舰 GPT-5.6 Terra 定价是输入 2 美元、输出 12 美元，GPT-5.6 Sol 目前以促销价在推；Astra 的标准价大约是最新一代促销价口径的 2.5 倍。横向看，Anthropic 的 Claude Fable 5.1 同样是输入 10 美元、输出 50 美元，两者直接对齐；而 Claude Opus 5 是 5 美元和 25 美元，谷歌 Gemini 3.8 Flash 的入门价只要 0.75 美元和 3.75 美元，Meta Muse 的标准档也只有 1.25 美元和 4.25 美元。

把各家的旗舰与轻量档价格摆在一起，能更清楚看到 Astra 站的位置。

价格上探的直接含义是：OpenAI 不再把「便宜」当作旗舰模型的卖点，而是把「能力上限」和「单位任务成本」摆到了台前。对只跑批量文本的小团队来说，这个价格几乎可以肯定不适合；它瞄准的是那些愿意为一次任务的成功率多付钱的场景，比如复杂的电脑操作、长程编码和需要高可靠性的企业工作流。

二、基准全线拉满，但要看清口径

OpenAI 公布的基准里，最抢眼的是电脑操作。在 OSWorld 2.0 的离线子集上，Astra 拿到 72.6%，上一代 GPT-5.6 Sol 是 65.7%。更关键的是耗时：Astra 每个任务大约 40 分钟，Sol 大约 75 分钟，也就是说 Astra 不只做得更对，还快了大约 47%。官方配了一张「Anything you can do on a computer, Astra can do for you. Fast.」的图来强调这层意思，翻译过来就是：你在电脑上能做的事，Astra 都能替你做，而且快。

其他几项硬指标同样拉满：FrontierMath Tier 4 做到 97.6%，Sol 是 83%；GPQA Diamond 96%；代码智能体基准 DeepSWE v1.1 达到 74.1%；在安全测试 ExploitBench 上直接满分 100%；屏幕操作基准 ScreenSpot-Pro（不带工具）92.7%。上下文窗口为 105 万 token，官方给出的 512K 到 1M 区段检索可靠性（MRCR v2 八针测试）是 96.3%。

看基准最需要警惕的是口径。比如 ARC-AGI-3 这个常被拿来讨论「通用智能」的测试，OpenAI 报出的数字是 98.6%，而配上官方适配器 harness 的特定设定下可达 99.9%；但直接用无状态的 API 调用，分数会显著更低。换句话说，同一个模型在不同调用方式下，跑分可以差出一大截。企业拿它做技术选型时，不能只看宣传海报上的最大数字，而要问清楚这个分数是在什么 harness、什么上下文状态下跑出来的。

也不是所有项目都压过对手。在带工具的 Humanity's Last Exam 上，Astra 拿到 57.2%，而 Anthropic 的 Claude Fable 5.1 是 65.0%。这说明 Astra 在最前沿的知识与多步推理上并非全面碾压，OpenAI 自己也没有回避这一点。对采购方来说，这意味着「最强旗舰」不等于「所有任务的最优解」，具体负载还是要具体测。

三、为什么「全场最贵」反而可能更省钱

OpenAI 在发布里反复强调一个观点：单 token 价格已经不能用来比较模型了，因为不同模型的 token 长度、思考方式和任务成功率都不一样。真正该比的是「完成一个任务要花多少钱」。OpenAI 总裁 Brockman 的说法是，token 价格变得越来越没有意义，应该看价格除以任务成功率，或者干脆看实测的单任务成本。

Astra 在这个逻辑下给出了一个具体例子：在 DeepSWE v1.1 代码任务上，Astra 最高配置的成绩超过 Sol 的最高配置，而估算的每任务 API 成本反而低了大约 57%。原因不难理解：Sol 要把一个任务做对，可能需要更多次重试、更长的思考 token 或者更强的后处理；Astra 一次做对的概率更高，累计下来总花费反而更少。

这个算法对两类用户最重要。一类是跑长程 agent 的团队，任务链条越长，单次失败的级联成本越高，买更贵的模型往往是在买确定性。另一类是把模型封装成产品卖的企业，单任务成本直接决定毛利。反过来，对短问题、高并发的批量场景，Astra 的 50 美元输出价几乎是不可承受的，这类负载应该继续留在轻量档模型上。

四、覆盖节奏与安全门控：先企业，后订阅

这次发布的覆盖顺序也透露了 OpenAI 的优先级。首发渠道是 Daybreak 企业客户，之后才向 ChatGPT 订阅用户和云平台铺开，最后是更广的 API 市场。这种「先企业后消费者」的顺序，和 Astra 的安全属性直接相关。OpenAI 官方确认 Astra 是旗下第一个触及「关键网络安全能力」红线的模型，具备的漏洞利用与攻击代码生成能力被归类为高风险，因此这类能力默认不开放，要走 Daybreak 的分阶段审批机制。

对企业来说，这个门控意味着两件事。一是想用满 Astra 的安防与漏洞挖掘能力，需要进入 OpenAI 的信任与安全流程，不是开通 API 就能拿到全部能力；二是对把 Astra 接进自己产品的团队，要提前评估合规与审查链路，别等集成到一半才发现某项能力被 gate 住。OpenAI 同时宣布对符合条件的 API 客户支持 Zero Data Retention（零数据留存），并正在测试 Private Safety Processing，用私有安全处理来缓解企业对敏感代码和数据的顾虑。

给开发者和技术决策者的建议可以浓缩成三条。第一，别把 Astra 当默认模型，它是给「高单次价值任务」用的，批量文本和简单分类请继续用轻量档。第二，选型时用你自己的真实任务集跑一遍单任务成本，而不是对着基准海报比大小，特别注意 ARC 类分数的 harness 口径。第三，如果你做的是长程 agent 或安全相关产品，Astra 值得认真评估，但要先把 Daybreak 审批与数据留存条款读清楚，再决定要不要把它放进架构里。

Astra 的正式发布把旗舰模型的价格与能力天花板同时抬高了一截，也把「按任务计价」这个更接近商业本质的讨论正式摆上了台面。接下来真正值得观察的，不是它还能在多少个基准上拿第一，而是这套昂贵的旗舰能力，能在多少真实业务场景里把单任务成本打到比上一代更低。