一句话看懂：OpenAI 于 2026 年 9 月 3 日发布新一代大模型 GPT-6 Astra，在 ARC-AGI 3 基准上取得 99.9% 的惊人得分，同时以与 Claude Fable 5 相同的 API 定价直接对标 Anthropic 旗舰模型，AI 大模型竞争进入新阶段。
事件核心：发生了什么
9 月 3 日，OpenAI 宣布 GPT-6 Astra 开始向部分组织开放，随后几天将陆续覆盖所有 ChatGPT Plus、Pro、Business 和企业用户，同时通过 OpenAI API 和 AWS 提供服务。API 定价为每百万输入 token 10 美元、每百万输出 token 50 美元，与 Anthropic 的 Claude Fable 5 和 5.1 完全一致，OpenAI 显然将 Astra 定位为 Fable 的直接竞品。
最受关注的数据来自今年 3 月发布的 ARC-AGI 3 基准：Astra 在使用 OpenAI 自定义的 “Provider Adapter harness” 时得分高达 99.9%，成本约 1.9 万美元。不过需要指出的是，如果使用默认的 ARC-AGI harness，得分仅为 62.7%，成本约 2.6 万美元。两种测试方式的最大区别在于 Provider Adapter 能在请求之间保留不透明的推理状态，并使用压缩技术处理更长对话，让模型可以复用之前的工作成果。值得注意的是，Claude Fable 5 至今尚未公布在该基准上的成绩。
为什么重要
这次发布的意义体现在三个层面。第一，ARC-AGI 3 的高分尽管存在测试方式争议，但 99.9% 与 62.7% 的差距本身说明推理状态保留对复杂任务的影响远超预期，这为行业重新审视基准测试方法提供了案例。第二，这是 OpenAI 首次以完全对标竞争对手的价格体系发布旗舰模型，大模型 API 的价格战正式进入同价竞争阶段，OpenAI 不再仅靠模型能力溢价，而是直接比拼同等价格下的性能差异。第三，Astra 在安全任务上表现突出——ExploitBench 得分 100%（此前 GPT-5.6 Sol 为 78.5%），ExploitGym 得分 42.4%（Sol 为 30.3%），二进制逆向工程 SRE-Bench 四次尝试内得分 99.2%（Sol 为 68.7%）——呼应了此前 Hugging Face 安全事件后市场对模型攻防能力的高度关注。
不过 Astra 并非全面领先。Artificial Analysis 的 Intelligence Index 显示，Astra 得分 61，与 GPT-5.6 Sol 持平，落后于 Claude Fable 5.1（启用 fallback 的最高得分），也低于 Meta 新发布的 Muse Spark 1.3。在 Coding Agent Index 上 Astra 则表现更优：最高努力模式下，比 Sol 高 2 分，单任务成本不到 Claude Fable 5 的一半。OpenAI 自家基准还显示，Astra 在 256K–512K token 长度的八针测试中取得 100% 准确率，512K–1M token 区间仍有 96.3%，长上下文处理能力有显著改善。
对用户/开发者/创作者的影响
对开发者而言，同样的 API 价格意味着可以直接用 Astra 替换 Fable 而无需调整预算，具体选型取决于实际任务类型：编码智能体场景 Astra 性价比突出，纯推理智能指数仍落后 Fable 5.1。对企业用户来说，Astra 在漏洞利用和逆向工程上的高分意味着安全测试、红队演练类工作负载有了新的选择，但需要注意的是高分依赖于 OpenAI 自定义的 Provider Adapter harness，企业是否能在自己的部署环境中复现同等效果，目前公开信息尚不明确。对普通 ChatGPT 用户，Astra 的长上下文能力提升最直接可感，处理超长文档或复杂对话时体验应有明显改善。API 模型标识为 gpt-6-astra，开发者在模型列表中即可识别。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
接下来有几个具体观察点：第一，ARC-AGI 团队是否会针对 Provider Adapter harness 的方法论做出回应或调整评分标准，以及 Anthropic 是否公布 Fable 5 在该基准上的成绩——这直接关系到 Astra 的 99.9% 是否被行业广泛采信。第二，Astra 全面开放后，实际开发者评测（而非厂商自报基准）中的表现是否与官方数据一致，尤其是长上下文能力和编码智能体在真实工作流中的稳定性。第三，OpenAI 是否会将该推理状态保留能力扩展为标准化 API 功能，如果其他模型也能调用类似机制，ARC-AGI 类的基准测试方式可能需要整体重新设计。
