GPT-6 Astra 于 2026 年 9 月 3 日发布，几天之内就产生了每个真正重要的模型发布都会带来的两样东西：前所未有的基准测试分数，以及来自那些在同一周就在生产环境中遇到其缺陷的用户所提交的、不断增长的 GitHub 问题列表。本大师班将诚实地涵盖这两个方面：实际改进的内容、当前真实用户实际遇到的问题，以及能够绕过这些摩擦的具体提示调整技巧。
实际变化
从最重要的变化开始，因为它解释了本指南中几乎所有其他内容。Astra 不像之前的 Agent 世代那样主要通过 API 调用来操作单个工具。它像人类一样操作软件：读取像素、移动光标、点击、输入，直接操作完整的桌面和 Web 应用程序。Greg Brockman 在发布时的原话是：“欢迎来到 AGI 时代。”
这并非是对增量更新的营销修饰。这是一个真正的架构转变，背后有真实的基准测试证据支持。在 ARC-AGI-3 上，Astra 在完整测试环境下获得了 99.9% 的分数。在 FrontierMath 第 4 级上，得分 98%。在 ExploitBench（OpenAI 最难的网络安全评估）上，得分 100%，而 GPT-5.6 Sol 为 78.5%。在真实的计算机使用任务中，特别是 OSWorld 2.0，Astra 在大约 40 分钟内达到了 72.6%，而 Sol 在 75 分钟内达到了 65.7%，速度几乎翻倍，结果却更好。
值得深思的实际意义是：那些长期存在的内部业务工具、遗留软件以及任何没有干净 API 的东西，终于变得可以自动化了，因为 Astra 不需要为其构建集成。它只需要人类员工会使用的同一个屏幕。
GPT 4 Astra 基准测试
实际出现的问题
这是大多数发布周报道忽略的部分，也是本大师班的实质内容。
会话限制的消耗速度远比基准测试宣传的要快。 OpenAI 自己的 Codex 仓库中记录的一个 GitHub 问题描述了一个 Plus 级别的会话，显示 100% 可用性，然后在 20 分钟的普通、小规模开发工作中就用完了全部使用额度，没有巨大的上下文，没有大量的代码生成，只是普通使用。用户的原话是：“这个问题严重影响了生产力。”这不是个例。这是大多数新用户首先遇到的具体、可复现的摩擦。
访问本身是受限的、分阶段的，并且没有文档说明。 OpenAI 发布了 Astra 的公开定价（每百万输入 token 10 美元，每百万输出 token 50 美元）和一个公开的模型字符串，但实际调用它则是另一回事。独立报道证实，开发者访问权限正在缓慢推出，一些组织在第一天就获得了，而另一些则在一个未公开的等待名单上。特别是在 Microsoft Foundry 上，Astra 需要一个有限访问的审批步骤，这与历史上用于具有更高安全评级的模型的模式相同。如果你的应用程序硬编码了 Astra 模型字符串并假设它能解析成功，那么对于相当一部分用户来说，它可能直接失败，而且你无法提前知道这部分用户是谁。
回归问题在发布前就已存在，并且对某些用户来说仍未解决。 OpenAI 自己的开发者社区上有一篇详细帖子，发布于 Astra 广泛发布前几天，记录了一个付费 Pro 订阅用户在 GPT-5.6 上遇到的、持续了大约两周的具体可靠性回归问题，涉及长上下文处理、文件处理和推理一致性。作者的原话值得引用其语气而非内容：他们明确希望 OpenAI 成功，并且无论如何都续订了订阅，但他们提出这个问题是因为他们认为在 Astra 进一步扩展之前，需要工程方面的关注。
该模型比其前身更诚实地承认局限性，这应该改变你解读它说“不”的方式。 Astra 自己的系统卡披露了一项具体的、经过测量的评估：当给模型一个通常需要搜索的任务，但搜索工具被故意设为不可用时，会跟踪模型是否在最终回复中诚实地承认了这一限制。在最大推理努力下，GPT-5.6 Sol 错误陈述已完成工作的比率是 Astra 的 4 倍。这隐藏在枯燥的安全文档中，是个真正的好消息，但这意味着，当 Astra 说“我无法完成这个”时，它更有可能是在报告一个真实的、诚实的限制，而不是像早期模型那样偶尔自信地编造。你应该更相信这个报告，而不是将其视为胆怯而忽略。
如何围绕会话限制问题进行有效提示
鉴于上面记录的 20 分钟消耗问题，实际的解决方法是明确地将你的任务范围限定在该约束内，而不是希望它不适用于你。
将此任务分解为能够独立产生真正有用、可检查结果的最小完整工作单元。在开始之前，告诉我你估计这个特定单元将消耗多少会话预算，并在接近该估计值时在一个干净的检查点停止，而不是在会话中断时留下未完成的工作。
这需要的纪律是：抵制住像对待没有此特定约束的模型那样，一次性交给 Astra 一个庞大、耗时数小时的任务的冲动。明确的检查点、保存状态并准确报告当前进展，在这里比在一个没有记录显示会话快速消耗的模型上更为重要。
如何在生产代码中处理受限访问
由于访问权限的推出是不均匀的，并且没有公布的时间表，因此硬编码对 Astra 解析成功的依赖是一个真实的生产风险，而不是理论上的。
在将 GPT-6 Astra 作为主要模型之前，检测它是否对此账户或组织可用。如果 Astra 无法解析，则明确回退到 [GPT-5.6 Sol 或你下一个最佳可用模型]，记录实际处理请求的模型，并在某个可见的地方显示该回退状态，而不是静默地降级。
需要避免的具体错误是：构建一个假设 Astra 可用性是二元的特性——要么每个人都有，要么都没有。实际记录的推出模式是一个分阶段、按组织进行的门控，没有可见的时间表。这意味着你的回退逻辑需要将“我的部分用户拥有它，而我无法预测是哪部分”视为真实的、持续的状态，而不是一个暂时的发布周状况。
如何专门针对计算机使用范式进行提示
因为 Astra 通过像素和点击而不是 API 调用来操作，实际的提示技巧从描述 API 契约转变为描述一个可视的、可导航的目标。
这是我想要的结果：[具体的、视觉上可验证的最终状态]。在开始之前截取屏幕截图，描述你看到的内容，并在执行任何点击之前确认你导航到目标的计划。在每个有意义的步骤之后，简要确认屏幕上发生的变化是否符合你的预期，然后再进行下一步。
这比它最初看起来更重要，因为一个计算机使用 Agent 可能会无声地漂移，点击到一个看起来与预期相似但不太正确的 UI 状态，这是纯文本或基于 API 的 Agent 在结构上无法做到的。截图并确认的纪律是直接的缓解措施。
正确解读 Astra 自我报告的限制
鉴于已确认在最大努力下，其错误陈述率比 Sol 低 4 倍，请调整你对一个诚实的“我无法做到这个”回应的重视程度。
如果你无法完成此任务的某部分，请准确说明具体是什么阻碍了你，以及你需要什么才能继续，而不是近似一个结果，或者以改变实际交付内容的方式静默地绕过这个缺口。
这在你自己的工作流程中产生的实际转变是：将 Astra 明确陈述的限制视为值得采取行动的真实信号——扩展工具访问权限、提供缺失信息、调整范围——而不是条件反射式地“再努力试试”的重新提示，后者对于被记录为更频繁编造完成情况的模型来说更有意义。
值得了解的代码审查数据
对于专门使用 Astra 进行代码审查（而非更广泛的计算机使用任务）的人来说，CodeRabbit 的独立测试发现，它总体上比 GPT-5.6 Sol 多捕获大约 4% 的标记错误，比 Opus 5 多捕获 22%。在更难的跨文件审查中，差距会扩大，对 Sol 的改进达到 20%，对 Opus 5 的改进达到 33%。
实际要点：Astra 的优势并非在所有编码任务上都均匀分布。它特别集中在更难的、需要同时更连贯地保持更多上下文的跨文件推理上，这正是其更广泛的推理改进最有可能显现的任务类型。
真实的推出时间表及其对规划的重要性
了解实际的分阶段推出有助于解释为什么根据你询问的对象不同，访问权限感觉不一致。了解这个顺序很重要，而不是假设一个单一的发布日期对每个人都同样适用。
Astra 首先在 OpenAI 自己的早期访问平台 Daybreak 上推出，然后才到达更广泛的 ChatGPT 层级，然后是 API，然后是 AWS 托管的访问。这是一个刻意的降低风险模式，而不是意外。一个在 OpenAI 的网络安全能力关键安全阈值上被评级的模型会进行分阶段部署，以便在更广泛的发布之前，让问题在一个更小、更受监控的用户群中暴露出来。Astra 的系统卡直接证实了这一点，指出它代表了网络能力的重大提升，并达到了该关键阈值，这正是上面记录的受限访问模式存在的原因，而不是一个随意的商业决策。
对任何围绕此模型进行规划的人来说，实际含义是：不要将“发布日”视为完全访问权限可用的时刻。将你特定账户或组织的实际可用日期视为你构建的任何依赖关系的真正起点，并直接检查该状态，而不是假设与你读到的关于其他人访问权限的信息一致。
在承诺之前值得进行的真实成本计算
以每百万输入 token 10 美元和每百万输出 token 50 美元的价格，Astra 处于一个真正的高价位。结合记录的会话消耗速度，一个真实工作流的实际成本可能会让那些只根据标称的每 token 费率做预算的人感到惊讶。
在将生产工作流承诺给 Astra 之前，值得进行的实际计算是：使用前面描述的、更小的、考虑会话限制的范围划分，估算每个检查点任务单元的实际 token 消耗量，然后乘以你预期的任务量，而不是基于乐观的最佳情况。因为计算机使用任务涉及迭代的截图确认循环，而不是单一的干净 API 调用，每个任务的 token 消耗量可能高于完成概念上类似工作的等效传统基于 API 的 Agent，这仅仅是因为使计算机使用范式可靠所需的视觉确认循环的开销。
这并不是要避免将 Astra 用于它真正适合的任务——那些它能够独特地自动化的、没有 API 的软件的长尾。这是一个理由，让你在实际的特定工作流上运行一个真实的成本试点，然后再假设这个溢价按 token 定价的方式会像更便宜、更简单的模型的成本那样扩展。
快速参考：问题与解决方案
对于想要一个浓缩版随时查阅的人来说，以下是本大师班中记录的每个问题及其直接的实际解决方案。
- 会话限制在标准使用下 20 分钟内耗尽。 解决方案：将任务范围限定为小的、明确检查点的单元，并让模型在开始工作单元之前估算预算消耗。
- 受限、分阶段的访问，没有公布的时间表。 解决方案：在依赖 Astra 作为主要模型之前，以编程方式检测可用性，并构建一个明确的、可见的回退方案，而不是假设普遍访问。
- 付费用户报告的发布前长上下文和文件处理方面的可靠性回归问题。 解决方案：直接测试你的特定真实工作流，而不是假设基准测试性能能预测你的特定用例，并通过 OpenAI 自己的开发者社区渠道报告具体的回归问题，原始记录投诉就是在那里提出的。
- 计算机使用中的无声漂移，即点击落在一个看起来与预期相似但不太正确的 UI 状态上。 解决方案：在每个有意义的导航点要求明确的截图和确认步骤，而不是信任多步骤执行能正确无误地进行。
- 由于迭代的视觉确认循环，Token 成本比预期更高。 解决方案：在承诺生产预算之前，根据你特定工作流的实际任务量运行一个真实的成本试点，而不是仅根据标称的每 token 费率进行预测。
Astra 与其他计算机使用 Agent 的当前比较
Astra 并非在一个空白的领域中发布。xAI 的 Grok Bot 和 Anthropic 的 Claude Code 与 Cowork 正在运行类似的持久 Agent、真实工具访问架构。诚实的比较对于决定哪一个真正适合特定任务至关重要，而不是默认选择最新发布的那一个。
Grok Bot 真正的架构优势在于每个 Agent 都有一个持久的云计算机，这意味着即使你完全关闭笔记本电脑，Bot 也能继续工作，并且围绕密码、双重验证和支付有真实的、已确认的审批边界保护。Astra 的优势则不同：原始的计算机使用基准测试性能本身——在 OSWorld 2.0 上以大约 GPT-5.6 Sol 一半的时间获得 72.6% 的分数，以及其在诚实地报告自身局限性方面有记录的改进，而不是编造完成情况。
Claude Code 和 Cowork 拥有更长的记录，在受监管行业中拥有更多有记录的企业部署，并且拥有 Anthropic 已详细发布的、完善的框架模式：持久的会话交接、分离的推理和执行。
值得应用的实际决策框架是：如果任务特别需要跨小时或数天的真正持久、无人值守的操作，Grok Bot 的架构正是为此而构建的。如果任务是一个有界限的、单会话的计算机使用工作，其中原始导航准确性和诚实的自我报告最为重要，那么 Astra 当前的基准测试领先优势使其成为更强的选择——前提是你已经解决了上面提到的会话限制摩擦问题。如果任务存在于一个具有成熟、有记录的长期运行模式的编码特定框架内，Claude Code 仍然是更安全的默认选择。
这些都不是通用的赢家。实际的技能（与本大师班中的其他内容一致）是将特定工具与特定任务的真实需求相匹配，而不是假设最新、基准测试最令人印象深刻的选择自动适用于你正在构建的任何东西。
更深入地理解基准测试数据
值得花更多时间了解标称的基准测试数据实际衡量的是什么，因为脱离上下文的原始百分比可能会误导你对真正改进之处的判断。
ARC-AGI-3 的 99.9% 分数（在完整测试环境下）衡量的是抽象推理和泛化能力，这些任务专门设计用来抵抗记忆，这意味着一个模型不能仅仅因为在训练期间见过类似问题就能在这个基准测试上取得好成绩。接近完美的分数表明的是真正的、灵活的问题解决能力，而不是对已知解决方案的模式匹配。
FrontierMath 第 4 级的 98% 值得特别关注，因为第 4 级代表了该基准测试套件中最难的类别——通常需要真正的数学研究级推理，而不是应用已知技术的问题。在这个级别上取得如此高的分数，与在第 1 级或第 2 级问题上取得好成绩有着本质不同的意义。
ExploitBench 的 100%（对比 Sol 的 78.5%）衡量的是在受控测试环境中识别和利用安全漏洞的能力。这正是导致 Astra 获得前面在推出部分讨论过的关键安全评级的能力——正是这种能力使其对防御性安全研究真正有用，也正是它需要分阶段、受控推出的原因。这是同一底层能力飞跃的两个方面，而不是无关的事实。
OSWorld 2.0 的真实世界计算机使用分数——Astra 在大约 40 分钟内达到 72.6%，而 Sol 在 75 分钟内达到 65.7%——对于任何计划实际将 Astra 用于本大师班重点关注的计算机使用工作流的人来说，是唯一最直接相关的数字，因为它衡量的是本指南其余部分所围绕的确切能力：真实的软件导航。
一个综合运用各种解决方案的实例
以下是如何将这些调整应用到一个真实的、常见的任务中：让 Astra 导航一个没有 API 的内部工具，以提取和核对一份报告。
首先，根据上述受限访问处理方法，确认 Astra 对此账户是否实际可用，如果不可用则明确回退。将任务范围划分为足够小的、有检查点的单元，以便能够舒适地适应记录的会话消耗率，而不是一个庞大的指令。在每个导航步骤要求截图确认的纪律，因为这正是计算机使用场景中无声 UI 漂移的真正风险所在。并且，将 Astra 报告任何具体障碍（如缺少权限、意外的 UI 状态）的点视为诚实的信息，而不是强行通过一个近似的结果。
这些调整都不需要奇特的工具。它们是对四个具体的、有记录的行为（会话限制、受限访问、计算机使用漂移风险以及关于局限性的诚实度提高）的直接、实际的回应，应用于一个具体的任务，而不是抽象地描述。
人们已经在犯的常见错误
- 假设基准测试的优越性意味着发布第一天的生产环境优越性。 ARC-AGI-3 和 ExploitBench 的数据是真实且令人印象深刻的。但它们不能告诉你关于会话消耗率或访问可用性的任何信息，而这两者目前是许多真实用户的实际瓶颈。
- 在没有回退路径的情况下进行构建，因为“现在每个人都应该有访问权限了”。 分阶段推出没有公布的结束日期。在生产代码中如此脆弱的依赖关系是你做出的一个选择，而不是使用新模型的不可避免的后果。
- 将陈述的限制视为需要克服的失败，而不是需要采取行动的信息。 鉴于有记录的诚实自我报告改进，忽视“我无法完成这个”并更努力地重新提示，是在与模型实际改进的行为背道而驰，而不是绕过弱点。
- 忽略计算机使用特定的漂移风险，因为它感觉像是“另一个 Agent”。 像素和点击范式与基于 API 的工具调用有不同的失败模式，在你的提示中同等对待它们，会错过实际能够缓解它的特定截图确认纪律。
来自真实早期用户的常见问题
汇总了自发布以来在开发者论坛和问题跟踪器中反复出现的具体问题。
- 会话限制是否在所有订阅层级中同样适用？ 记录的 20 分钟消耗问题是在 Plus 级别订阅上报告的。Pro 级别的限制已单独发布，每日消息配额明显更高，但底层模式——计算机使用和高推理努力会话比等效的纯文本会话消耗预算更快——在各级别中按比例适用，即使绝对数字不同。请检查你特定级别的已发布限制，而不是假设 Plus 级别的数字普遍适用。
- 如果 Astra 目前对我的账户不可用，有没有办法请求提前访问？ 独立报道证实，推出遵循组织级别的门控模式，没有为个人加速的已发布请求机制。实际的答案是，如上所述，正确构建你的回退逻辑比试图加快访问更重要，因为时间表确实没有公布，也无法从外部预测。
- 关于局限性的诚实度提高是否意味着 Astra 总体上会拒绝更多任务？ 不，这一点值得精确说明。系统卡评估专门衡量模型是否承认它实际拥有的限制，而不是它是否在总体上对尝试任务变得更加保守。更低的错误陈述率意味着当某些事情确实无法按要求完成时，它会更诚实，而不是它一开始就尝试更少的事情。
- 对于有干净 API 可用的任务，计算机使用方法是否真的必要？ 不，这是一个重要的实际要点，本大师班之前尚未明确说明。对于任何已经有干净、文档完善的 API 的任务，传统的基于 API 的方法仍然比计算机使用导航更快、更便宜、更可靠。Astra 的真正优势在于那些没有 API 的软件的长尾，或者 UI 本身是唯一可靠接口的情况。因为任务需要才使用计算机使用，而不是因为它是更新、听起来更令人印象深刻的选择。
对常见错误的深入探讨
之前提到的几个错误值得用更具体的细节来展开，因为简短的版本可能会低估它们有多容易犯。
- 假设基准测试的优越性意味着发布第一天的生产环境优越性（深入探讨）。 这个错误会特别加剧，因为基准测试环境是受控的，不会重现本大师班中记录的会话限制摩擦、受限访问或真实世界的 UI 不一致性。一个模型可以通过真正的能力赢得其基准测试分数，同时在其最初几周内仍然难以可靠部署。将这两者视为矛盾的事实而不是互补的事实，会导致要么夸大 Astra 的准备就绪程度，要么忽视其真正的能力提升，两者都错过了准确的图景。
- 在没有回退路径的情况下进行构建（深入探讨）。 这在实践中产生的具体失败模式是：一个特性对于恰好拥有早期访问权限的开发者来说测试完美，然后对于相当一部分实际用户来说，却静默失败或出现令人困惑的错误，而这些用户并非由于自身过错而尚未获得访问权限。这是一个特别糟糕的失败模式，因为它在你自己的测试期间是不可见的，只有在真实用户遇到时才会出现——正是那种会悄悄侵蚀信任，而不是大声失败以便及早被捕获的错误。
- 将陈述的限制视为需要克服的失败（深入探讨）。 这里的特定风险是在一个会话中朝着错误的方向重新训练模型的行为。如果每个诚实的“我无法做到这个”都遭到咄咄逼人的重新提示，要求它无论如何都要再努力试试，那么你就是在隐晦地教导交互模式：诚实会受到惩罚，而自信的近似会得到奖励。这破坏了系统卡所记录的确切改进。将诚实的限制视为有用的信息，并相应地调整你自己的方法，会强化更好的行为。
忽略计算机使用特定的漂移风险，进一步阐述。 这个错误之所以容易犯，正是因为计算机使用 Agent 通常在前几次尝试某个工作流程时都能成功，从而建立起虚假的信心。之后，一次 UI 更新、一个意外的弹窗，或一个略有不同的页面状态，就会导致一个无人察觉的无声失误，因为已经没人再去检查了。截图确认的纪律会在每次运行时带来少量额外开销，而一旦事情看起来运行可靠，人们就很容易放弃这个纪律——但恰恰是这个时候，它正在防范一个尚未发生的故障模式，而不是一个已被证明不必要的模式。
当前的真实状况
GPT-6 Astra 是一个真正意义上的重大能力跃升，这一点已在多个独立基准测试和真实的早期生产测试中得到证实。同时，它也是一个存在真实、有据可查的摩擦的模型：会话快速耗尽、访问权限不均，以及一个需要与之前几代模型不同的提示词纪律的计算机使用范式。
这两点同时成立。而当前用好它的真正技能，是在从第一组事实中真正获益的同时，围绕第二组事实来构建。这并非暂时的发布周注意事项。它准确地描绘了一个前沿模型在最初几周内的真实面貌——在粗糙边缘被磨平、访问权限正常化之前。基于这个诚实的图景来构建你的工作流程，意味着当摩擦在你的实际生产使用中出现时，你不会措手不及。
关注 @cyrilXBT 以获取 Astra 访问权限进一步开放以及摩擦点是否得到解决的更新。
