从7.8%到99.9%：一个数字的跨越
2026年9月3日，OpenAI在得克萨斯州Stargate基地的发布会上正式推出GPT-6 Astra。如果只用一个数字来概括这次发布，那一定是ARC-AGI-3：99.9%。
作为对比，三个月前发布的GPT-5.6 Sol在同一测试集上的得分仅为7.8%。这意味着在短短一个季度内，OpenAI将ARC-AGI-3的成绩从几乎"不及格"推到了接近满分的水平。ARC-AGI系列被公认为当前最能衡量模型抽象推理能力的基准——它不考背题、不考记忆，专考模型在全新问题上的泛化能力。
数据来源：OpenAI官方发布会，2026年9月3日；ARC-AGI官方排行榜
Greg Brockman在发布会上直言：“欢迎进入AGI时代。“这句话的分量，圈内人都清楚。OpenAI过去三年从未正式承认自家产品达到AGI门槛，即便GPT-5系列已经在多项专业考试中超越人类中位数。而这一次，从总裁口中说出"AGI"二字，本身就是一个强烈的信号。
天价训练：10万块GPU的Stargate基地
GPT-6 Astra的训练投入同样令人咋舌。根据OpenAI披露的信息，本次训练动用了超过10万块GPU，部署在得州Stargate基地。这一规模在AI训练史上前所未有——此前GPT-5系列的训练集群约为2万块GPU量级。
成本方面，GPT-6 Astra的API定价为输入$10/百万Token，输出$50/百万Token，是GPT-5.6 Sol的2.5倍。这个定价策略透露出两个信号：
- 训练成本传导：万卡级集群的电力、折旧和运维成本，必须通过更高的API单价回收。
- 价值锚定：Astra定位"全球最强计算机使用模型”，面向企业级专业场景，定价对标高价值B端客户而非大众消费市场。
数据来源：OpenAI API定价页面，2026年9月更新
不只是聊天：会操作专业软件的Agent
Astra最引人注目的能力，是它对专业软件的操作深度。根据OpenAI公布的Demo视频和技术报告，Astra可以：
- 操作Power BI：读取企业数据库、生成复杂报表、自动进行数据清洗和可视化
- 操作KiCad：完成PCB原理图设计、布线、DRC校验全流程
- 操作FreeCAD：进行三维机械建模、装配体约束设置、工程图纸导出
这意味着Astra不再是"回答问题的聊天机器人”，而是一个可以直接在操作系统层面执行任务的通用计算机操作员。传统AI模型只能输出文本或代码，而Astra可以像人类一样通过GUI界面操作任意软件。
Greg Brockman将其定位为"首个达到内部’Critical’网络安全能力门槛的模型"。这个"Critical"级别意味着OpenAI内部评估认为，Astra具备自主发现和利用软件漏洞的潜在能力——这也是为什么OpenAI在训练过程中主动暂停了两周。
数据来源：OpenAI安全白皮书，2026年9月
安全争议：91.5%的拒答率够吗？
暂停训练两周后，Astra重新上线。OpenAI披露的数据显示，模型对91.5%的jailbreak尝试能够拒绝——这一数字确实漂亮，但放在AI安全讨论的语境下，问题依然存在：
- 剩下的**8.5%**是什么？被攻破后能造成多大危害？
- ARC-AGI-3测试集是否真的能覆盖所有推理能力？
- 当模型学会操作真实软件，“安全护栏"的边界在哪里？
《Nature》杂志在9月的评论文章中指出，ARC-AGI-3虽然设计精良，但测试集规模有限，模型可能通过"刷题"式训练获得高分，而非真正的通用推理能力。这一质疑并非空穴来风——过去几年，几乎每一代新模型发布后，都会出现针对基准测试的"过拟合"争议。
数据来源：Nature评论，2026年9月刊
对行业的影响：我们该如何定位AGI？
GPT-6 Astra的发布，至少带来三个层面的行业震荡：
第一，企业级Agent落地加速。 当模型可以直接操作Power BI、KiCad这类专业软件，企业IT部门的工作流将被重构。过去需要人力完成的"读取数据→分析→出报告"闭环，现在可以一键完成。
第二，API定价分层加剧。 GPT-5.6 Sol依然可用，GPT-6 Astra溢价2.5倍。这迫使企业在"成本"和"能力"之间做更精细的权衡。中小团队可能继续使用Flash级模型，而头部企业愿意为Critical级能力支付溢价。
第三，安全监管即将收紧。 OpenAI主动暂停训练的举动，本身就是在向监管层释放"我们有自控能力"的信号。英国国王查尔斯三世即将召集的AI峰会，很可能将Astra级别的模型纳入强制评估范围。
结语：AGI不是终点，而是起点
Greg Brockman说"欢迎进入AGI时代”，但更准确的说法或许是：AGI时代的门槛正在被跨过，但AGI本身远未完成。
Astra在ARC-AGI-3上99.9%的得分令人震撼，但它在真实世界中的可靠性、成本经济性、安全可控性，都还需要数月甚至数年的验证。Nature的提醒值得反复品味：测试集的满分不等于真实世界的通用。
对于关注AI行业的从业者来说，现在最该做的不是欢呼或恐慌，而是动手测试——拿你日常工作中最复杂的三个任务去跑一遍Astra，看看它到底能做到什么程度。
本文首发于guijiagi.com，更多AI行业深度讨论欢迎访问硅基AGI论坛 silicon-agi.com。