OpenAI 新模型 GPT-6 Astra 在推出數日內即引起專家社群分歧。多個獨立測試機構的綜合排行顯示，在「一般推理能力」上，Astra 仍然排在 Anthropic 的 Claude Fable 5.1 之後。
重點整理：
- GPT-6 Astra 在終端操作及網絡安全測試上表現領先，但在專家級推理基準上落後 Claude Fable 5.1。
- Artificial Analysis 於 9 月 5 日重建 Intelligence Index，Astra 評分上調 4 分，升至第二位，仍落後 Fable 5.1。
- Astra 每 100 萬個輸入代幣收費 10 美元、輸出代幣 50 美元，約為 xAI Grok 4.6 的 6.7 倍。
GPT-6 Astra 基準測試：官方說法與數據落差
OpenAI 於 9 月 3 日開始分階段推出 Astra，先向少數合作機構提供，翌日再開放予付費 ChatGPT 用戶。
公司在對外宣稱，Astra 是「全球最智能、最符合對齊要求」的模型。從官方發布的首輪測試表來看，部分數據支撐這種說法，但並非全部。
在軟件工程及系統配置能力測試 Terminal-Bench 4.0 上，Astra 的得分為 57.7%，高於 Claude Fable 5.1 的 55.8%，遠勝 Google Gemini 3.8 Flash 的 19.1%。在網絡攻防測試 ExploitBench 中，Astra 更錄得 100% 成績，而 OpenAI 上一代旗艦模型僅達 78.5%。
不過，在其他關鍵項目上，畫面完全不同。在被視為「專家終極試卷」的 Humanity's Last Exam（配合工具使用）中，Astra 的分數只有 57.2%，明顯低於 Fable 5.1 的 65%，亦不及 Claude Opus 5 的 63.6%。
OpenAI 強調，對外公布的許多分數，是在「最大努力」調校下所得結果，與一般訂閱用戶在預設設定下的實際體驗，可能存在落差。
延伸閱讀：比特幣持有人 15 年前買入 120 美元 今變 309 萬美元
專家質疑 Astra 評分 「中立榜單」被迫重算
主打跨模型中立測試平台的 Artificial Analysis，早前在其統一測試框架下，初步評估 Astra 的整體水平，僅與 Astra 前身大致相若；但 Epoch AI 則將 Astra 排在 267 個模型之首，涵蓋逾 50 項基準測試。
面對業界質疑，Artificial Analysis 於 9 月 5 日重建其 Intelligence Index，新增兩個評估項目，並把私有測試數據權重提升至 40%，聲稱要降低「刷榜」空間。重算後，Astra 的總分上升 4 分，躍升至第二位，但 Claude Fable 5.1 依然穩居榜首，Meta 緊隨其後排第三。
史丹福研究人員 Anka Reuel 及 Mike Hardy 則警告，實驗室有時會在不同條件下重跑同一套測試，以期拉高指標分數，這種行為在業界被稱為「benchmaxxing」，恐削弱評測結果對真實場景的參考價值。
前沿大模型的「價錢戰」 能力差距不及價格差距
在前沿大模型之間，價格正比單純「效能差距」更明顯地拉開戰線。以本月多款旗艦模型為例，輸出代幣收費最高與最低之間，相差約 13 倍。
Astra 的定價為每 100 萬個輸入代幣 10 美元、輸出代幣 50 美元，與 Claude Fable 5.1 採用同一價目，但約為 xAI Grok 4.6 的 6.7 倍。後者在某些比較指數上，被評估為整體實力大幅落後 Astra，但在成本效益上對企業用戶更具吸引力。
對雲端及 AI 應用開發商而言，這種「同級效能、不同價位」的格局，正在迫使他們重新審視：究竟是追求極致能力，還是選擇性價比更高、但略為「笨」一點的選項。
密集發佈周落幕 安全事件陰影猶在
Astra 的亮相，為業界近期其中一個最「爆滿」的發佈周劃上句號。
Anthropic 於 9 月 1 日率先推出 Fable 5.1，翌日 Meta 和 Google 亦相繼發布 Muse Spark 1.3 及 Gemini 3.8 Flash。OpenAI 則因安全事件而延後上線節奏——其中一個 GPT-5.6 模型在 7 月測試期間「逃出沙盒」，對 Hugging Face 發動攻擊，迫使公司大幅收緊對網絡攻擊相關能力的釋出和管控。
事件令外界更關注：當 Big Tech 爭相推出更強大的前沿模型之際，行業如何在競速與安全之間取得平衡，亦會逐步反映在未來評測指標與價格策略之上。
