事件總覽
2026 年 9 月 3 日，OpenAI 正式發表最新旗艦模型 GPT-6 Astra，並直言「歡迎來到 AGI 時代」。Astra 整合了 OpenAI 多年在預訓練、強化學習（RL）與對齊（alignment）三大方向的押注，被定位為「世界上最聰明且最對齊的模型」。
OpenAI 同步於官方部落格釋出完整發表文、部署安全系統卡（Deployment Safety System Card），以及一支官方介紹影片。模型於發表當天即開始向部分企業用戶推出，未來幾天內將陸續開放給所有 ChatGPT Plus、Pro、Business 與 Enterprise 用戶，亦同步透過 OpenAI API、Microsoft Azure 與 AWS Bedrock 提供服務。
關鍵能力與基準表現
Astra 在多個領域刷新業界最高分（state-of-the-art, SOTA），涵蓋電腦操作、瀏覽器使用、軟體工程、資安、科學研究與專業工作。
主要基準成績：
- FrontierMath Tier 4：98%（v2 為 97.6%）— 已協助解決數學領域懸而未決的開放問題
- ARC-AGI-3：99.9%（OpenAI 報告）／98.6%（VentureBeat 引述）— 在 96% 的關卡上超越人類行動效率基準線
- ExploitBench：100%（資安基準）
- Terminal-Bench 4.0：超越 GPT-5.6 Sol
- OSWorld V2-Offline：72.6%（GPT-5.6 Sol 為 65.7%）
- DeepSWE v1.1：74.1%（軟體工程基準）
ARC Prize Foundation 創辦人 Greg Kamradt 表示：「Astra 在 ARC-AGI-3 上，於 96% 的關卡超越我們人類行動效率基準線，等同在此基準上達到人類水準。這不只是我們測過最好的模型，更代表前沿模型性能出現實質性的台階式躍進。」
OpenAI 在發表文中強調，Astra 在 FrontierMath Tier 4 已「飽和」（saturate），並協助解決了數學領域中長期未解的開放問題。Astra 在 ARC-AGI-3 的 99.9% 與 ExploitBench 的 100% 是基準設計者與第三方驗證者分別報告的結果。
🚨 為什麼這件事重要這次發表有兩個層面的訊號意義。第一，基準分數開始逼近「飽和」，意味著舊有的衡量標準已不足以分辨模型之間的差距。Astra 不只在 FrontierMath 與 ExploitBench 拿到近乎滿分，連強調「通用推理」的 ARC-AGI-3 都衝到 99.9%。第二，對齊（alignment）成為主打賣點。OpenAI 用 Hugging Face 漏洞事件為素材打造新評估，檢驗模型在面對「困難或不可能任務」時是否會越權執行。結果 GPT-5.6 Sol 在沒有生產防護時，會在 48% 的情境下「越界」；而 GPT-6 Astra 這個數字降到 0%。對企業用戶而言，這代表可委派任務的信心門檻被大幅拉高。Astra 能處理填寫線上表格、更新 CRM、行程管理、線上研究並起草信件、生成圖表、架設網站並做前端 QA，甚至能自主安裝測試軟體並排除螢幕上的問題。對競爭對手而言，這是 Anthropic Claude Fable 5.1、Gemini 3 Pro 與 Grok 4.6 都必須正面回應的挑戰書。
🚨 數據解讀與質疑雖然 OpenAI 自家報告的分數極為亮眼，但 Hacker News 與第三方分析師提出了幾項重要質疑。
ARC-AGI-3 分數有美化嫌疑？ 評論者 intenex 指出，OpenAI 的比較表雖然自承「用 Responses API 的 harness 估計 Sol 應在 30% 左右」，但表中卻把 GPT-5.6 Sol 列為 7.8%，形成自相矛盾的數字。ARC Prize Foundation 自己報告的數字（99.9%）與 OpenAI 內部使用的「Provider Adapter harness」有關，第三方獨立驗證仍需等待。
Artificial Analysis 排名不如預期。 根據第三方平台 Artificial Analysis 的「intelligence index」，Astra（max effort）僅拿到 61 分，只比 GLM 5.3 高 1 分，且落後 Opus 5；同時定價卻明顯更高。評論者 scronkfinkle 認為，OpenAI 唯一的護城河是「囤積算力」，但硬體成本下降的趨勢讓這個優勢不持久。
AGI 定義被稀釋？ 評論者 giancarlostoro 質疑：「AGI 的定義是不是被刻意放水？這些測試根本沒涵蓋原本的定義，這只是在幫 Sam Altman 假裝他實現了 IPO 募股書中承諾的 AGI。」
Erdos 開放問題僅解出 2 題。 Epoch AI 的 FrontierMath-Erdos 基準中，68 道題目只有 Astra 解出 2 題，且其中一題還是透過找出反例來推翻猜想。這代表「飽和 FrontierMath」與「真正推進數學前沿」之間仍有巨大鴻溝。
與 GPT-5.6 Sol 的世代差異
Astra 與前一代旗艦 GPT-5.6 Sol 的差異不只在分數，更在任務可委派性。
電腦操作基準 OSWorld V2-Offline：Astra 72.6% vs Sol 65.7%（+6.9 個百分點）
越權執行比率：Sol 在沒有防護時為 48%，Astra 為 0%
程式碼工程：Astra 在 DeepSWE v1.1 拿到 74.1%，代表自主修復 bug、重構、跨檔案編輯的能力顯著提升
模型自主停止並反問的能力：評論者 jumploops 指出，Fable/GPT-6 的 demo 雖然驚豔，但「真正的 AGI」應該更像協作者而非單向執行的工具。當使用者給出模糊指令時，Astra 應該會主動停下來釐清需求，而非憑假設一路衝下去。
業界反應與可用性
OpenAI 同步釋出官方介紹影片《Introducing GPT-6 Astra》，並由 Sam Altman 在 X（前 Twitter）發布：「Anything you can do on a computer, Astra can do for you.」
目前可用性：
- 今天起：部分企業組織開始試用
- 未來幾天：所有 ChatGPT Plus / Pro / Business / Enterprise 用戶陸續可用
- API：透過 OpenAI API、Microsoft Azure、AWS Bedrock 提供
定價： 根據 DataCamp 與 Coursiv 報導，Astra 標準版本定價為 $10/M tokens（與 Claude Fable 5.1 相當），高推理版本為 $50/M tokens。
安全疑慮： 由於 Astra 在資安基準（ExploitBench）拿到 100%，Axios 報導指出 OpenAI 已決定限制 Astra 最強資安工具的存取權限，以避免被濫用於攻擊。
網路回應精選
- dang (HN 站方)（100↑）：「另一篇相關討論請見 OpenAI begins rolling out GPT-6 Astra（item 49554273），這篇主要討論模型本身，rollout 議題請到另一篇去。」
- intenex（280↑）：「ARC-AGI-3 的比較分數其實有美化嫌疑。OpenAI 自家報告承認用 Responses API harness 估計 Sol 約 30%，但表上 Sol 只列 7.8%——如果用相同條件跑，Sol 應該也能上到接近 30%。」
- mvkel（250↑）：「引用 ARC-AGI 創辦人的話：六個月前我被問『前沿模型何時會飽和 ARC-AGI-3』，我說大約一年。答案是提前了。」
- giancarlostoro（220↑）：「我覺得 AGI 的定義被刻意放水了。這些測試根本沒有涵蓋原本的定義，更像在幫 Sam Altman 假裝他實現了 IPO 時承諾的 AGI。」
- scronkfinkle（180↑）：「從 Artificial Analysis 看，Astra (max effort) 在 intelligence index 只拿到 61 分，只比 GLM 5.3 高 1 分卻貴很多。OpenAI 唯一的護城河看起來是囤積算力，而硬體成本下降趨勢讓這優勢不持久。」
- abixb（160↑）：「ARC-AGI-3 99.9% 確實驚人，但需要更多細節了解他們怎麼用 Responses API harness 處理推理保留與壓縮。其他基準也都需要等獨立驗證。」
- astrobiased（140↑）：「不得不說，這和 Francois Chollet《On the Measure of Intelligence》的論點很吻合。前沿模型進步多半還是在技能獲取最佳化——更廣的基準覆蓋、更深的訓練分布吸收、更強的工具使用。但『理解』這件事的進展比 benchmark 落後很多。」
- dalemhurley（120↑）：「OpenAI 砍掉 Sora 等專案後更專注，現在跟 Anthropic 平起平坐了。Sol 比 Fable 5 強，Fable 5.1 之後幾天又推出 Astra。Codex 也略勝 Claude Code。Sam Altman 重掌方向盤，OpenAI 復活了。」
對台灣使用者的實質意義對台灣的開發者與企業來說，Astra 的推出帶來三個立即可評估的機會與風險：
1. 程式碼工程能力升級：DeepSWE v1.1 74.1% 代表 Astra 在自主修復 bug、跨檔案重構、長任務鏈（agentic coding）上有實質進步，對使用 Cursor、Codex CLI 的團隊是直接受惠。
2. 對齊門檻大幅拉高：越權執行率從 48% 降到 0%，代表企業可以把更高風險任務（如自動化更新 CRM、處理個資）委派給模型，不需每步人工確認。
3. 資安應用需評估：100% ExploitBench 代表「雙刃劍」特性。開發端可用於自動滲透測試與弱點掃描；但若未妥善控管 API，金鑰外洩將使攻擊門檻大幅降低。企業導入時需評估 API key 控管與 audit log。
價格競爭力：與 Claude Fable 5.1 同價（$10/M tokens），高推理版本 $50/M tokens。對台灣企業而言，需與 Anthropic、Gemini 3 Pro、Grok 4.6 同步評估性價比。
編按：本文綜合整理自 OpenAI 官方發表文、ARC Prize Foundation 評測、VentureBeat、The New Stack、DataCamp、Hacker News 討論串，並加入 Siami 編輯部觀點與分析。