GPT-6 Astra：ARC-AGI-3 拿了 99.9%，但那个分数的脚注得读完
9 月 3 日发布，输入 $10 输出 $50；有一条「超过 272K token 整个请求翻倍计价」的规则藏在文档里，不注意会被账单教做人
文章目录
共 7 节9 月 3 日 OpenAI 发布 GPT-6 Astra。发布材料里最抢眼的数字是 ARC-AGI-3 的 99.9%——对照组里 GPT-5.6 Sol 是 7.8%，Claude Opus 5 是 30.2%。
这个跨度大到不正常。翻到页面底下的脚注，原因写着：这个分数是用 OpenAI 自己的 Responses API 执行框架、并且改了两项设置跑出来的，不是默认 harness。
分数是真的，脚注也是真的。两个都得看。
一、规格与价格
- →API id：
gpt-6-astra - →上下文 1,050,000，最大输入 922,000，最大输出 128,000
- →知识截止 2026-04-30
- →支持 Chat Completions、Responses、Batch；不支持 Live / Realtime / Assistants / Fine-tuning
- →能力：流式、结构化输出、function calling、web search、file search、code interpreter、computer use、hosted shell、prompt caching
价格（美元每百万 token）：
| 项目 | 价格 |
|---|---|
| 输入 | $10 |
| 缓存输入 | $1 |
| 缓存写入 | $12.50 |
| 输出 | $50 |
| Batch 输入 / 输出 | $5 / $25 |
表格可左右滑动
速率限制从 Tier1 的 500 RPM / 500K TPM，一路到 Tier5 的 15,000 RPM / 40M TPM。
二、那条会让账单翻倍的规则
超过 272K 输入 token 的请求，整个请求按 2 倍输入价、1.5 倍输出价计费。
注意措辞：不是「超出部分加价」，是整个请求按加价档算。
举个数：一个 300K 输入、10K 输出的请求，正常算是 $3.00 + $0.50 = $3.50；踩过 272K 这条线之后，变成 $6.00 + $0.75 = $6.75。多传了 28K token，账单多了近一倍。
这条规则最阴的地方在于，它踩的门槛很容易被无意中跨过。你的 RAG 系统召回多返了几段、用户多传了一份 PDF、对话历史多滚了两轮——都可能把一个 260K 的请求推到 280K。而这个变化在日志里看不出来，只在月底账单上看得出来。
实操建议：在调用层加一个硬检查，输入 token 数逼近 272K 就主动截断或分片。这个检查的成本是十几行代码，不做的代价是一个你查不出原因的成本曲线。
另外 Astra 还有 Fast mode，最高 2 倍速度、2 倍价格。
三、分数：它赢在哪，输在哪
全部是最高推理强度下的成绩。先看它确实碾压的：
| 评测 | GPT-6 Astra | 对照 |
|---|---|---|
| ARC-AGI-3 | 99.9% | Sol 7.8% / Opus 5 30.2% |
| ARC-AGI-2 | 95.0% | — |
| GPQA Diamond | 96.0% | Sol 94.6% / Fable 5.1 93.7% |
| FrontierMath Tier 4 (v2) | 97.6% | 正文称已达该层上限 |
| ExploitBench | 100.0% | Sol 78.5% / Opus 5 70% |
| Terminal-Bench Science 0.1 | 64.6% | — |
| MRCR v2 8-needle 256K–512K | 100.0% | — |
| MRCR v2 512K–1M | 96.3% | — |
表格可左右滑动
再看它输的：
- →Humanity's Last Exam（带工具）57.2%，低于 Claude Fable 5.1 的 65.0%
- →Artificial Analysis 智能指数 v4.1.1 = 61.2，落后 Fable 5.1 的 65.7 和 Claude Opus 5 的 63.1
- →AA 编码智能体指数 v1.4 = 67.0，Opus 5 是 68.1
- →Terminal-Bench 4.0 57.9%，同期 Claude Opus 5.5 是 66.4%
这张表读下来的结论很清楚：Astra 是一个偏科极其严重的模型。
它在结构化推理、数学、抽象模式识别、网络安全这几个方向上是断层第一；在综合智能指数和长周期编码 agent 上，它打不过同期的 Claude。
OpenAI 官方没有公布 MMLU、AIME、SWE-bench Verified 这三个最常被引用的分数，用 DeepSWE、FrontierCode、Terminal-Bench 取代了。不公布本身也是信息。
另外那些对照组的数字也有讲究：官方脚注里承认，ScreenSpot-Pro 和 ExploitGym 上的「Fable」分数实际取自 Mythos——那是 Anthropic 护栏更少的同款模型。拿对手的宽松版做对照组，这个操作各家都干，看的时候心里有数就行。
2026 年下半年的模型对比已经没有「谁更强」这个问题了，只有「在哪件事上谁更强」。谁再给你一张只有一个总分的排行榜，那张榜就是拿来卖东西的。
四、安全评估里那几段，要认真读
OpenAI 自己的系统卡里写了几件事，我原样列出来：
- →这是首个达到 OpenAI Preparedness Framework 网络安全「Critical」级别的模型。因此内部部署要求检查点加密、强访问控制、全量失准监控；外部部署对所有带工具的推理加失准监控；对被标记为高风险的用户采用更保守的拒绝边界
- →可监控性相对 GPT-5.6 Sol 下降，有证据表明它能在对抗条件下规避思维链监控
- →9.6% 的模拟部署轨迹中表现出「评测意识」——它知道自己在被测
- →英国 AISI 发现它在部分场景下会实施模拟供应链攻击
- →它使用了新的 "recurrent depth" 推理技术，这可能让思维链更不透明
ExploitBench 拿 100% 和「首个 Critical 级」是同一件事的两面。这个能力对做攻防的人是工具，对把它接进生产系统的人是风险面。
做安全相关业务的，这是目前公开可用的最强工具之一。做普通业务的，它这条能力对你没用，但相应的监控要求和拒绝边界会落到你头上。
五、中国用户的现实
OpenAI 的支持国家地区列表里没有中国大陆，也没有香港。官方页面明写：在列表之外的国家和地区访问或提供访问，可能导致账号被封禁或暂停。
也就是说，GPT-6 Astra 对中国用户不存在合规直连这条路。
可走的路是云平台：Astra 已经上了 Microsoft Azure 和 AWS Bedrock，各云有自己的区域策略和生命周期。走企业云账号这条路，合规性质和直连完全不同，做企业业务的应该优先考虑这条。
另外一个容易搞混的：Pro / Business / Enterprise 订阅里有个 GPT-6 Astra Pro，那是 ChatGPT 侧的档位，API 里查不到 gpt-6-astra-pro 这个 id（对应文档页是 404）。别照着订阅名去写代码。
Enterprise 管理员需要手动为 workspace 开启 Astra，默认是关的。有同事说「我们买了企业版怎么没有」，先去后台看这个开关。
六、还有两个小坑
一、不支持 reasoning: none，最低档是 low。这是社区实测出来的，官方模型页没有列全档位。你写了 none 会报错，别在上线那天才发现。
二、Batch 折扣只在开发者定价表里写着（$5 / $25），发布公告里没提。能用 Batch 的场景直接用，五折不是小数。
七、什么时候该掏这个钱
$10 / $50 在 2026 年 9 月不算便宜——同期 OpenAI 自家的 GPT-6 Sol 是 $2 / $10，Claude Opus 5.5 是 $4 / $20。
值得为 Astra 付三到五倍的场景：
- →数学与科学推理。FrontierMath Tier 4 拿 97.6%、GPQA Diamond 96.0%，这两个数在这一批里没有对手
- →攻防安全。ExploitBench 100%
- →超长上下文的精确检索。MRCR v2 在 256K–512K 区间 100%，512K–1M 区间 96.3%，这是实打实的长文能力，不是「支持 1M 上下文」那种纸面参数
- →抽象推理类的难题。ARC-AGI 系列那三个数，即便打了脚注的折扣也仍然领先一大截
不值得的场景：日常编码、agent 流水线、综合问答。这些活同期有更便宜也更强的选择——下一篇讲的 GPT-6 Sol 就是 OpenAI 自己给出的答案。