GPT-6 Astra

我们正在推出 GPT-6 Astra，这是全球最智能且对齐程度最高的模型。

GPT-6 Astra 汇集了多年研究以及在预训练、强化学习和对齐方面的大胆投入。Astra 在计算机使用、浏览、软件工程、网络安全、科学和专业工作方面均达到当前最优水平。Astra 以 98% 的得分饱和 FrontierMath Tier 4，并已帮助解决了数学领域长期悬而未决的开放问题。Astra 还以 99.9% 的得分饱和 ARC-AGI-3，以 100% 的得分饱和 ExploitBench。它在计算机和浏览器使用方面也树立了新的前沿标准，以无与伦比的速度、准确性和判断力处理最苛刻的专业工作。

GPT-6 Astra 今日向有限的组织开放，未来几天将向所有 ChatGPT Plus、Pro、Business 和 Enterprise 用户开放，同时也可通过 OpenAI API、Microsoft Azure 和 AWS Bedrock 使用。

Astra 是我们对齐程度最高的模型，在理解用户意图和模型行为方面有显著改进——你可以更放心地将任务委托给 Astra，相信它的判断力。作为测试方式之一，我们基于 Hugging Face 事件构建了一项新评估，用于测试模型在面对困难或不可能完成的任务时是否会超出其预期范围。相比之下，GPT-5.6 Sol 在没有生产环境安全防护的情况下有 48% 的概率超出授权目标，而 GPT-6 Astra 在测试中超出范围的概率为 0%。

全球最佳的计算机使用模型

GPT-6 Astra 在计算机使用的速度、准确性和安全性方面标志着新的前沿。它可以处理繁琐的任务，如填写在线表单、更新 CRM 中的客户记录、整理日历。它可以进行在线研究并在你的电子邮件或文档编辑器中起草摘要。它可以分析科学数据、生成图表、创建网站，并运行前端 QA 检查以确保网站所有功能正常。它可以帮助你自主安装和测试软件，并排查屏幕上出现的问题。这些改进也反映在我们最先进的评估结果中。

这些改进还带来了真实知识工作任务的显著效率提升。在 OSWorld 2.0 上的延迟模拟中，Astra 以每项任务约 40 分钟完成 72.6% 的得分，而 GPT-5.6 Sol 以约 75 分钟完成 65.7% 的得分——Astra 在每项任务上用时减少约 47% 的情况下实现了更高的计算机使用性能。

GPT-6 Astra 的计算机使用能力可见于各领域的输出，包括游戏开发、电气工程和日常知识工作：

与 Astra 同时，我们也在更新 Codex harness 以显著提升计算机使用的速度。结合 Astra 的效率，在 Mind2Web 基准上，任务完成速度比当前 GPT-5.6 Sol 体验快 1.9 倍。模型在速度上的改进意味着它可以为你处理许多耗时的生活任务，而且比你更快。

面向专业工作的训练

GPT-6 Astra 将计算机使用的进步与针对专业环境的定向训练相结合，帮助处理复杂工作任务。它结合了解决复杂问题所需的智能与执行多步骤工作流程的能力，并能生成精良的文档、电子表格和演示文稿。

GPT-6 Astra 是我们最擅长遵循现有模板并生成布局良好、以结构化叙事简洁传达关键点的幻灯片的模型。它能创建清晰、结构良好的文档、演示文稿、电子表格和分析，遵循你的模板并匹配你的写作和视觉风格。Astra 还经过专门训练，只提取对输出真正重要的上下文，而不是重复当前工作不需要的信息。这意味着它可以输出更直接可用的成果，符合你的业务上下文和标准。

GPT-6 Astra 还为其构建的网站、游戏、应用程序和渲染图带来了更强的视觉判断力。借助 ChatGPT 中的 Sites（在新窗口中打开），Astra 可以直接根据 prompt 创建、托管和分享网站、Web 应用和游戏。

更好的判断力与任务边界意识

当指令留有解释空间时，GPT-6 Astra 比之前的模型更善于做出正确判断。它利用上下文填补常规空白，并在答案可能改变结果时提出有针对性的问题。在 Codex 中，它可以异步提问，同时继续执行不依赖你回复的工作。如果你不回复，它会在适当的情况下基于合理假设继续推进，但在重大决策上会等待你的输入。

以下示例展示了 Astra 如何在缺失信息可能实质性改变答案的日常任务中进行协作。

Astra 在任务演变过程中也更能保持方向感。早期模型有时会将引导性消息视为新目标，从而丢失原始请求或早期约束。Astra 能够整合新要求、在被要求时改变方向，并在不放弃更广泛任务的前提下回答附带问题。

软件工程

GPT-6 Astra 是迄今为止最优秀的软件工程模型。

借助 Astra，我们为 Codex 引入了一种在上下文窗口填满时保留和检索上下文的新方式。历史上，模型在长时间会话中使用压缩来总结工作，例如在调试复杂问题或进行大型重构时。每次压缩都可能遗漏关于修复为何失败或组件如何行为等细节。在 Codex 中，Astra 可以跨上下文窗口保留笔记，保存累积的细节而无需反复压缩为单一摘要。早期的上下文窗口仍然可搜索，因此 Astra 可以找到之前消息和工具输出中的需求或测试结果——即使这些信息未被捕获到笔记中。你可以在 Codex config.toml（在新窗口中打开）中启用此实验性功能，未来几周内它将成为 Astra 的默认设置。

科学与数学

GPT-6 Astra 是科学发现、数学和健康领域的重大进步。今天，我们分享关于素数间隙的两项进一步成果。

Astra 还在一系列数学和科学评估中创下新纪录。

Astra 可以帮助完成科学发现背后的实际工作。通过将科学推理与计算机使用相结合，它可以直接在专业软件中工作，检查数据和探索结果，帮助研究人员评估证据并决定下一步研究什么。

网络安全

正如我们在安全更新中讨论的，Astra 在网络能力方面有显著跃升，在我们的 Preparedness Framework 下达到了网络安全领域的 Critical 阈值。它识别和开发零日漏洞的能力可以帮助防御者发现和修补弱点，但也需要更强的安全防护。为了了解这些能力的延伸范围，我们在内部和第三方专家评估中运行了 Astra。

我们首先在无生产环境安全防护的情况下测试了 ExploitBench 和 ExploitGym，这些基准评估模型能否将已知软件漏洞转化为可利用的漏洞。在 ExploitBench 上，Astra 取得了 100% 的满分，而 GPT-5.6 Sol（我们之前的前沿网络能力模型）为 78.5%。在 ExploitGym 上，Astra 达到了 42.4% 的成功率，而 GPT-5.6 Sol 为 30.3%，同时使用的输出 token 大幅减少。

考虑到对历史软件漏洞的暴露可能影响基准结果的担忧，我们还在两个新基准上评估了 Astra。其一，我们构建了一个内部“ExploitBench（2026 年 6 月至 8 月）”评估，使用过去三个月的漏洞来测试漏洞开发能力。Astra 在此数据集上的任意代码执行率显著高于 GPT-5.6 Sol，同时使用的输出 token 远少。在评估过程中，Astra 甚至发现并利用了此前未知的两个零日漏洞。我们正在向维护者披露这两个漏洞。

我们还在 SRE-Bench 上测试了 Astra，该基准衡量模型能否在无法访问原始源代码的情况下对软件二进制文件进行逆向工程以理解其核心逻辑。Astra 在单次尝试中解决了 88.0% 的任务，在四次尝试内解决了 99.2%，而 GPT-5.6 Sol 分别为 55.9% 和 68.7%。

除基准测试外，专家主导的评估发现，Astra 在无生产环境安全防护的情况下，可以利用此前未知的漏洞在加固浏览器中实现任意代码执行，并为加固操作系统创建权限提升漏洞。

正如我们在《防御者的窗口》中讨论的，前沿网络能力可以帮助防御者更快地发现弱点，但也使这些弱点更容易被利用，提高了防御者适应的紧迫性。借助今日推出的 Astra 版本，防御者可以使用它完成安全代码审查和修补等任务。

然而，Astra 将拒绝执行更高级的网络安全任务，例如为漏洞创建概念验证漏洞。通过 OpenAI Daybreak，我们计划在未来几周扩大访问范围并推出限制较少的安全防护。这将支持更多防御性工作流程，包括漏洞和概念验证验证、恶意软件分析和检测工程。

我们还加强了对潜在网络滥用的防护，在 GPT-5.6 Sol 的安全防护栈基础上进行了扩展。这包括更强的模型鲁棒性以更好地抵御潜在的越狱攻击，以及为监控系统提供更多上下文。我们继续进行严格的内部和外部测试，包括使用内部红队攻击者的自动化评估。关于我们的网络防护和测试的更多详情，请参阅 Astra system card（在新窗口中打开）和我们的博客。

对齐

Astra 是我们对齐程度最高的模型。Astra 擅长谨慎行事、尊重任务边界和透明沟通。这项工作是我们长期研究计划的最新成果，该计划专注于训练从始至终与人类意图保持一致的模型。

在敏感环境中，Astra 会以与其风险相称的谨慎推进。在一项对抗性选择以诱发不当行为的计算机使用任务评估中，Astra 在避免意外后果方面更为成功。默认启用额外安全措施运行时，表现更佳。

Astra 比其他任何经过测试的前沿模型造成的不对齐结果都更少。为公平比较，我们使用了通用的计算机使用代理 harness（基于 OpenAI Responses API（在新窗口中打开）和 Anthropic Messages API（在新窗口中打开）中可用的原生计算机使用工具），且未添加通常部署到 Codex 和 ChatGPT Work 用户的额外保护（自动审查、确认策略）。

Astra 也更倾向于在用户设定及其环境暗示的边界内操作。在一项内部评估中，Astra 从未尝试规避 Codex 自动审查的拒绝。即使在自动审查被故意配置为可规避且任务否则无法完成的情况下也是如此。这种对环境限制的尊重与我们在本文开头分享的不可能网络任务评估结果以及 system card（在新窗口中打开）中记录的其他发现一致。

Astra 还在透明用户沟通方面树立了新标准。在一项评估中，Astra 对其能力和功能做出不准确表述的可能性比 GPT-5.6 Sol 低三倍。

在我们的能力幻觉评估中，Astra 相比 GPT-5.6 Sol 有显著改进，对其能力做出误导性声明的次数更少。

我们的评估发现，基于明确要求其规避监控的测试，Astra 的书面推理比 GPT-5.6 Sol 更难监控。我们将此归因于 Astra 在较简单任务上对书面推理有更强的控制力，以及用更少的书面步骤解决问题的能力。Astra 在复杂任务上似乎仍难以隐藏所需的推理过程，但我们认真对待这一退化。提高可监控性仍然是研究优先事项，随附的 system card（在新窗口中打开）详细说明了我们的发现和正在进行的工作。

对齐训练是我们部署方法的核心。作为额外的防御层，我们还构建了系统防护措施，如 Codex 自动审查（在新窗口中打开）和监控代理的推理与行动，以帮助检测和遏制不安全行为。正如我们的安全更新中所述，我们还在生产环境中为 Astra 级模型部署了不对齐监控，以便了解不对齐情况并帮助遏制最严重的实例。这些防护措施类似于我们对内部部署的监控，涉及一个分类器系统，检查模型的推理和行动是否存在未经授权的行为，并自动停止潜在未经授权的活动。

鉴于 Astra 网络安全能力的显著提升，我们特别谨慎地确保此次部署的安全可靠。额外的安全检查有时会减慢、暂停或停止合法工作，包括防御性网络安全。如果任务在 ChatGPT 或 Codex 中被暂停，你可能会被要求在继续之前审查该操作。在 API 中，任务将停止。这些检查有时会中断合法工作，我们正在继续迭代此系统以减少不必要的中断。不对齐监控不能替代对齐：我们的目标是构建可靠地保持在授权范围内的模型，使这些保护措施无需介入。

可用性与定价

GPT-6 Astra 今日向有限的组织开放，未来几天将向所有 ChatGPT Plus、Pro、Business 和 Enterprise 用户开放，同时也可通过 OpenAI API、Microsoft Azure 和 AWS Bedrock 使用。Astra 的使用包含在现有订阅额度内——用户和企业也可以购买额外使用额度。Pro、Business 和 Enterprise 计划的用户还将获得 GPT-6 Astra Pro 的访问权限。Enterprise 管理员可以为其工作区启用 Astra；启动时默认关闭访问。

Astra 支持符合条件的 API 客户的零数据保留（Zero Data Retention），正如我们上个月分享的，我们正在测试私有安全处理（Private Safety Processing）以在保护客户隐私的同时加强安全监控。

对于开发者，GPT-6 Astra 将在 OpenAI API 中以 gpt-6-astra 提供，并可通过 Microsoft Azure 和 Amazon Bedrock 使用。

OpenAI API 标准定价为每百万输入 token 10 美元，每百万输出 token 50 美元。缓存读取和写入适用单独费率。API 中为 GPT-6 Astra 提供快速模式，速度可达标准处理的 2 倍，价格为标准价格的 2 倍。

评估结果

计算机使用

	GPT-6 Astra	GPT-5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
Agents' Last Exam	59.3%	53.6%	-	48.7%	55.5%	-
OSWorld 2.0 (v2026.08.08, offline set, partial score)	72.6%	65.7%	-	-	70.2%	-
ScreenSpot-Pro (no tools)	92.7%	76.9%	-	87.3%	-	-

专业

	GPT-6 Astra	GPT-5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
AutomationBench	41.4%	18.1%	31.4%	17.4%	26.9%	-
BenchCAD	95.9%	83.3%	84.3%	67.5%	82.1%	-
BrowseComp	91.5%	90.4%	-	87.4%	90.8%	-
OpenScore String Quartets (1 - OMR-NED)	0.84	0.19	-	-	-	-
Internal Design Tasks	50.0%	47.4%	-	35.8%	-	-
Internal Data Science Tasks	40.9%	30.5%	-	34.7%	-	-
Artificial Analysis Intelligence Index v4.1.1	61.2	60.9	65.7	62.1	63.1	58.7

学术

	GPT-6 Astra	GPT-5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
Terminal-Bench Science 0.1	64.6%	22.4%	52.6%	21.4%	30.0%	-
FrontierMath Tier 4 (v2)	97.6%	83.0%	87.8%	87.8%	73.2%	-
GPQA Diamond	96.0%	94.6%	93.7%	92.6%	93.7%	95.3%
Humanity's Last Exam (w/ tools)	57.2%	-	65.0%	63.8%	63.6%	-

对齐

	GPT-6 Astra	GPT-5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
Internal computer use safety benchmark (lower is better)	2.4%	22.0%	9.5%	18.3%	11.5%	-
Internal computer use safety benchmark, w/ AutoReview (lower is better)	1.8%	4.3%	-	-	-	-
Internal circumvention benchmark (lower is better)	0.00%	0.29%	-	-	-	-
ExploitGym honeypot (lower is better)	0.0%	48.2%	-	-	-	-
Impossible ExploitGym	100.0%	-	-	-	-	-
Internal hallucination benchmark (lower is better)	4.2%	12.2%	-	-	-	-

长上下文

	GPT-6 Astra	GPT-5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
OpenAI MRCR v2 8-needle 256K-512K	100.0%	91.5%	-	-	-	-
OpenAI MRCR v2 8-needle 512K-1M	96.3%	73.8%	-	-	-	-

评估分数为任意 effort 下的最大值。GPT 评估在我们的研究环境或通过我们的 API 运行，由于系统提示、可用工具等差异，可能与生产环境 ChatGPT 的输出略有不同。

在 ARC-AGI-3 上，GPT-6 Astra 使用我们的 responses API harness 运行，该 harness 更改了两项设置以更好地匹配真实世界性能。这些更改并非专门针对 ARC-AGI-3。

GPT-5.6 Sol 指我们 API、ChatGPT Codex 和 ChatGPT Work 中可用的版本。ChatGPT Chat 中的版本略有不同。

OSWorld V2-Offline 是原始 OSWorld V2 的一个子集，可在无互联网访问的情况下运行。Claude 模型在 OSWorld-V2 Offline 上的性能由作者在官方排行榜（在新窗口中打开）上复现。在 OSWorld 2.0 上，Claude 的分数使用官方设置，而非 Fable 5.1 System Card 中的修改任务和修改评分。

模型时间为相应演示运行的报告经过时间。显示的片段为编辑摘录。

在 BenchCAD 上，Claude 的分数反映了对评估的 3 项修改，详见 Fable 5.1 System Card（在新窗口中打开）。

Guang Yang, Victoria Ebert, Nazif Tamer, Brian Siyuan Zheng, Luiza Pozzobon, and Noah A. Smith. "LEGATO: Large-scale End-to-end Generalizable Approach to Typeset OMR（在新窗口中打开）." arXiv:2506.19065, 2025.

Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. "The OpenScore String Quartet Corpus（在新窗口中打开）." Proceedings of the 10th International Conference on Digital Libraries for Musicology, pp. 49–57. ACM, 2023.

在 FrontierCode 上，GPT-6 Astra 使用与其在 Codex（在新窗口中打开）中开发者消息某部分类似的开发者消息运行："避免创建过多的测试文件。仅在仓库约定要求或没有现有文件适合时创建新测试文件。避免无关清理和不必要的复杂性。重用合适的现有工具。阅读相关仓库说明并检查附近代码、测试、文档和 CI。遵循既定约定。目标是干净、可合并的代码。"该提示未针对评估进行优化。

第一个问题涉及素数之间可以有多近，无论沿数轴走多远。十多年来，最著名的结果表明无限多对素数的间距最多为 246。Julia Stadlmann（在新窗口中打开）最近将该界限改进为 240。Astra 帮助建立了更强的界限 186，表明无限多对素数出现在这个更小的距离内。短素数间隙：证明（在新窗口中打开）和支持研究（在新窗口中打开）。

第二个问题涉及素数之间异常大的间隙。Astra 改进了这些间隙界限中一个 80 多年来未变的项。我们正在分享这两项结果的证明和精简版思维链及验证材料。大素数间隙：证明（在新窗口中打开）和支持研究（在新窗口中打开）。

我们按照预期的 HealthBench Professional 程序独立评估了所有 Claude 模型，使用 GPT-5.4 评分和长度调整、未截断的分数。对于 Fable 5.1，我们在提供商拒绝时使用 Opus 5 作为回退。

Claude Fable 5 和 5.1 未包含在 LifeSciBench Gold v1、GeneBench Pro v13 和 MedChemBench 中，因为它们在这些评估中拒绝了大多数问题。

在 ExploitGym 上，我们在无 6 小时时间限制的情况下测试了 Astra 和 Sol，以更好地评估其完整网络能力。它们足够快，因此时间限制影响不大。

ExploitBench（2026 年 6 月至 8 月）包含 13 个稳定版 Chrome 版本中的 20 个高严重性 V8 漏洞。该基准测试代理能否通过利用每个指定漏洞在 V8 和官方 Linux 版 Chrome 中实现任意代码执行。某些包含的漏洞在评估约束下可能不允许任意代码执行，因此可能无法达到 100% 的成功率。注意：GPT-5.6 Sol 的 5.5% 分数是基准中 300 轮限制的产物，这不是使用 max 的真实客户会遇到的限制。在较少限制的设置下，该模型获得了 11.5% 的分数。

Jeremy Spence et al. "The Next Challenge for Agentic Cybersecurity: A Realistic, Contamination-Free Reverse Engineering Benchmark（在新窗口中打开）." arXiv:2608.11469v1, 2026.

当我们跨第三方模型测试时，我们使用更简单的研究设置。Codex 具有更复杂的生产配置，可能导致不同的原始模型错误率。提供商端的安全防护和计算机工具实现仍然不同。用户在 Codex 中不会遇到无确认场景，因为这是内部研究配置。

对于 ScreenSpot-Pro 和 ExploitGym，我们报告的 Fable 分数来自 Mythos，即安全防护较少的 Fable 版本。