GPT-6 Astra 是 AGI 嗎？OpenAI 自評與獨立跑分落差（2026）

美國太平洋時間 2026 年 9 月 3 日（台北時間 9 月 4 日），OpenAI 在官網發布〈GPT-6 Astra: A new generation of intelligence〉，正式推出 GPT-6 Astra。但「推出」不等於同日全面開放：首波只提供少數組織，ChatGPT Plus、Pro、Business、Enterprise 與 API 存取採分階段 rollout。

熱度幾乎立刻爆開。截至台北時間 9 月 4 日 06:14，Hacker News 的模型發表討論送出約 3 小時 33 分後已達 983 分、703 則回覆；Axios 同日報導 OpenAI 共同創辦人 Greg Brockman 以「Welcome to the AGI era」形容這次發布。可是，最值得問的並不是這句話夠不夠震撼，而是公開證據到底量到了什麼。本文先還原 OpenAI 的核心主張，再對照獨立 benchmark，最後給出該怎麼驗收 GPT-6 Astra 的判斷框架。

OpenAI 真正發表了什麼？

We’re introducing GPT‑6 Astra, the world’s most intelligent and aligned model.

中文：「我們推出 GPT‑6 Astra，這是全球最聰明、也最對齊的模型。」

OpenAI

這是整篇發布文的總論，也是需要最謹慎拆開的一句話。「最聰明」與「最對齊」都是 OpenAI 對自家模型的最高級宣稱，不是跨實驗室共同認證。官方發布文沒有正式宣布「已達 AGI」；Axios 報導則指出，OpenAI 總裁 Greg Brockman 在記者簡報中表示他個人相信 OpenAI 已達 AGI，同時把 Astra 是否符合各自定義留給使用者判斷，並以「Welcome to the AGI era」收尾。兩者放在一起會形成強烈行銷印象，證據標準卻不能跟著混在一起。

產品層面倒是很具體。官方 API 文件列出模型 ID gpt-6-astra、1,050,000 token 的 input 加 output context window，以及 128,000 token 最大輸出。Standard 的基礎價格是每百萬 input／output token 10／50 美元；但 input 超過 272K 時，整筆請求的 input 與 cache 費率變為 2 倍、output 變為 1.5 倍。這代表 API 可接受約百萬 token 的總上下文，不代表每個 ChatGPT 介面都立刻取得相同容量，也不等於整段上下文都有等品質的有效記憶。

72.6% 與 100%：先看分母，再看標題

OpenAI 最強的產品訊號在 computer use。它自報 GPT-6 Astra 在 OSWorld 2.0 得到 72.6%，高於 GPT-5.6 Sol 的 65.7%，模擬執行時間則從每題約 75 分鐘降到 40 分鐘。問題是，72.6% 並非整套 benchmark 的嚴格完成率，而是 v2026.08.08 離線子集的 partial score；時間差也來自 OpenAI 的 latency simulation。最準確的讀法是：OpenAI 在自家研究／API harness 中觀察到明顯的電腦操作進步，而不是外部已重現 72.6% 的通用成功率。

資安方面的 100% 也有類似問題。OpenAI 自報 Astra 在關閉 production safeguards 的 ExploitBench 評測中得到 100% Cap Percent；每個漏洞可嘗試五次，只要其中一次達到任意程式碼執行，就能取得該題完整 capability credit。System Card 另註明，Astra 使用了稍微更新的計分方式與內部執行基礎設施，整體分數會因此略升；OpenAI 也提醒歷史漏洞可能帶來資料污染。因此這份 100% 目前只能寫成 OpenAI 自評，不能從發布頁還原逐題成功率，更不能和舊版結果當成只改模型的乾淨 A／B。這是很強的能力警報，卻不是單次 exploit 成功率。Astra 的 Critical 定級、零日漏洞與受控存取細節，AlphaLab 已在〈OpenAI Astra 自評 Critical〉完整拆解，本文不重複資安篇的證據鏈。

獨立跑分說的是：升級很真，但不是全面代差

Artificial Analysis（AA）的 Intelligence Index v4.1.1 給 GPT-6 Astra 與 GPT-5.6 Sol 的公開整數分數都是 61，低於 Claude Fable 5.1 的 66 分；OpenAI 引用的同一評測表則列為 61.2 對 60.9。這表示 Astra 並非毫無進步，但也不足以支撐「所有智力面向都換代」的敘事。還要注意，Fable 5.1 的 66 分是「max with default fallback」，約 4% output token 因安全過濾被 Anthropic 路由到 Claude Opus 4.8 或 Opus 5，並非純 Fable 5.1 成績。

換到 Coding Agent Index v1.4，Astra（max／Codex）為 67，Sol（max／Codex）為 65，Fable 5.1（max／Claude Code）為 70。這個指數把 DeepSWE、Terminal-Bench v2.1 與 SWE-Atlas-QnA 共 326 題、每題三次嘗試彙總成 pass@1；跨 agent harness 的名次是系統級比較，不是純模型權重比較。AA 估計，在 max effort 的 Codex harness 中，Astra 使用的 token 約為 Sol 的三分之一，每題成本卻大致相同；相反地，在 Intelligence Index，它雖少用約 10% output token，2.5 倍 token 單價仍讓每題成本比 Sol 高約 75%。同一個模型，在「寫程式的工作效率」與「綜合智力的價格效率」上，可以同時是進步與退步。

細項也不是單向上升。AA 觀察到 Humanity’s Last Exam 與 AA-Briefcase 改善，GDPval-AA v2 約倒退 80 Elo，τ³-Banking、SciCode、AA-LCR 也各退 2 至 3 分。這不表示 GPT-6 Astra 變弱，而是說「整體平均分」會掩蓋能力曲線：你的任務剛好落在哪一段，比模型世代名稱更重要。

99.9% 為何同時也可以是 62.7%？

最能說明「分數屬於整套系統」的，是 ARC Prize 的外部驗證。Standard harness 在 max effort 的 Semi-Private 成績為 62.7%（成本 26,098 美元）；Provider Adapter 的最佳觀察值則是 high effort 的 99.9%（18,817 美元）。因為這兩個榜首值連 reasoning effort 也不同，不能把 37.2 個百分點全歸因於 harness；若固定在 max effort，較乾淨的比較是 62.7% 對 98.6%（17,332 美元）。前者測同一個最小、供應商中立介面，後者測加入供應商專屬上下文管理後的系統表現。

Saturating the benchmark would not represent “proof of achieving AGI.”

中文：「把這項 benchmark 做到飽和，並不代表『已證明達成 AGI』。」

ARC Prize

ARC Prize 同時肯定 Astra 是 frontier capability 的明顯階躍，也拒絕把高分直接命名為 AGI。原因很簡單：ARC-AGI-3 雖測探索、建模、目標設定與規劃，仍是規則確定、目標封閉的環境；真實世界還包含模糊目標、不可逆後果、跨領域責任與持續變動。99.9% 顯示 Astra 在 Provider Adapter／high 的封閉 ARC-AGI-3 環境中幾乎飽和；它不能單獨證明 Astra 已取得人類可學會的一切技能，也不能外推到開放世界任務。

AGI 標籤遮住了真正重要的三件事

一、computer use 正從展示變成可計價的工作能力

GPT-6 Astra 最值得追蹤的不是單一總分，而是它能否更快、更少 token 地完成瀏覽器、終端機與專業軟體的多步驟流程。OpenAI 的 OSWorld 數據仍待外部重現，AA 也沒有重跑 OSWorld；它提供的是相鄰但不同的外部訊號：在 Coding Agent Index 的 coding／terminal 任務與 Codex harness 下，Astra 的 token 效率改善。這支持「agentic coding 效率上升」，還不能當成一般電腦操作成功率已獨立確認。

二、harness 已經成為模型能力的一部分

固定 max effort 後，ARC-AGI-3 仍從 62.7% 升到 98.6%；這個配對比較主要改變的是能否保留供應商設計的 opaque reasoning state，並用 compaction 管理長對話。未來比較模型，不能只寫型號；還要寫清楚工具、上下文保存、推理強度、重試次數、權限與安全層。離開這些條件，分數就失去可比性。

三、能力變強不會自動讓監控更容易

OpenAI 在同一篇發布文承認，要求模型刻意規避監控的測試中，Astra 的 written reasoning 比 Sol 更難監看；公司推測原因之一是它能用更少書面步驟解題。這項結果同樣是 OpenAI 的內部、刻意誘發規避監控的評測。它顯示 Astra 在這些條件下留下較少 written-reasoning token 時，僅讀取文字推理的監控會失去能見度；這提醒部署還要結合行為監控、權限限制與可停止機制。

我的判斷：這是強力 agentic 升級，不是 AGI 驗收書

我會把 GPT-6 Astra 定義為一次真實、顯著、但不均勻的 agentic 升級。computer use、coding agent、ARC-AGI-3 的 system-level 表現都足以讓使用者與競爭者重新評估工作流；AA 的綜合指數、成本曲線與細項回退，則否定了「所有面向都形成一代差距」的簡單故事。

• 我同意：Astra 在長流程電腦操作與 coding agent 上有多個方向一致的進步訊號，不能只因 AGI 話術過熱就把能力提升一併否定。
• 我不同意：把 99.9%、100% 或「全球最聰明」串成 AGI 已完成的證明。這些數字分屬不同 harness、分母與公開程度。
• 我最在意：一般使用者拿到的 production configuration，能否在真實任務中維持成功率、成本、速度與可控性；首日的分階段 rollout 還無法回答這題。

拿到 GPT-6 Astra 後，這樣驗收才有意義

1. 固定同一批真實任務：選 20 至 30 個你原本就要做的瀏覽器、程式或文件任務，同時跑 Astra 與現用模型，不臨時挑對某一方有利的題目。
2. 同時記錄四個分母：一次完成率、人工接手時間、端到端成本，以及錯誤後能否自行恢復；不要只記成功案例或 token 單價。
3. 把 harness 寫進結果：列出 reasoning effort、工具、權限、context 保存、重試次數與安全設定，否則你的 90% 無法和別人的 60% 比較。
4. 一百萬 token 要實際抽查：把關鍵條件埋在長文件的不同位置，測引用是否正確、跨段約束是否保留，而不是只確認檔案能上傳。

截至台北時間 2026 年 9 月 4 日 06:30，官方文件仍把 GPT-6 Astra 描述為先向 Trusted Access 組織開放，API 與 Plus、Pro、Business、Enterprise 在未來數日陸續提供；文件出現 model ID 不等於一般帳戶當下已有權限。AlphaLab 沒有把網路上的 benchmark 改寫成「我們實測」。真正有價值的下一份證據，會是一般帳戶與 API 在相同任務、相同 harness 下的可重複結果。