GPT-6 Astra 數據拆解：官方喊最強，獨立榜單卻顯示原地踏步、還貴 2.5 倍

OpenAI 在 9 月 3 日發布 GPT-6 Astra，官方稱它是最聰明也最對齊的模型，甚至有媒體說這是敢把「AGI 時代」講出口的第一隻。但獨立榜單一出來，故事不太一樣：通用智慧分數跟前代打平、落後 Claude Fable 5.1 五分，價格卻是 2.5 倍。這篇把官方數字和第三方數據攤開對照，包括那個 99.9% 分數背後的星號。

OpenAI 在 9 月 3 日丟出 GPT-6 Astra，先給受信任夥伴限量預覽，隔天開放給付費的使用者。官方的說法很大：世界上最聰明、也最對齊的模型，甚至有媒體寫說，這是 OpenAI 第一次敢把「AGI 時代」講出口的模型。

然後第三方數據出來了，故事就不太一樣。在目前唯一一份獨立的通用智慧綜合榜上，Astra 跟它要取代的前代打成平手、落後 Claude Fable 5.1 五分，而價格是前代的 2.5 倍。

這篇把「官方公布的數字」和「第三方量出來的數字」擺在一起對照，包括那個 99.9% 分數背後、我覺得最該講清楚的星號。

官方版本：規格、宣稱，和那句「AGI 時代」

先看 OpenAI 自己的說法。Astra 被定位成電腦操作、瀏覽、軟體工程、科學與專業工作的主力模型，主打更強的對齊、更快完成任務，還有 Codex 新的上下文保留。規格上，脈絡長度 105 萬 token，單次輸出上限 12.8 萬。推送到 ChatGPT 的 Plus、Pro、Business、Enterprise，以及 API、Azure、AWS Bedrock。

官方公布的分數（以下都是廠商自己跑的）：

獨立榜單版本：跟前代打平，落後 Claude

Artificial Analysis 的智慧綜合指數（第 4.1.1 版，九個評測的綜合，9 月 3 日）量到的結果，跟官方敘事有落差：

白話講：換代了，但在這份中性的綜合分上，它沒有往前走。而且 Humanity's Last Exam 這項也是 Fable 5.1 勝出。

這裡要誠實補一句：模型才發布幾天，目前還沒有可引用的 LMArena 或 SWE-bench 正式條目，第三方數據還在陸續補。現在下的任何結論，都可能隨新數據修正。

那個 99.9% 背後的星號

ARC-AGI-3 從前代的約 7.8% 跳到 99.9%，看起來像世代跳躍，這也是這次最搶眼的數字。但它有條件。

這個成績用的是改過兩個設定的 Responses API harness，標準的無狀態 API 呼叫分數低很多。另外有媒體在同一項寫 98.6%，推測就是不同的 harness 設定所致。更精確的說法來自 ARC Prize 基金會的 Greg Kamradt：Astra 是在 96% 的關卡達到人類水準，而不是「解決了通用智慧」。

它真的變強的地方，別只看壞的

把話講平衡：這一代有幾個進步是實在的。

定價：2.5 倍，還有一個 272k 的陷阱

這代最痛的是價格。每百萬 token 從前代的 $4 輸入、$20 輸出，全面漲到 $10 輸入、$50 輸出，是 2.5 倍。Artificial Analysis 算過，雖然輸出 token 比前代少約 10%，但在最高努力設定下，每項任務比前代貴約 75%。

還有一個很多人會踩的陷阱：超過 272,000 個輸入 token 的請求，輸入與快取以 2 倍計、輸出以 1.5 倍計，而且是整個請求都套用，不是只算超過的部分。換算下來是每百萬 $20 輸入、$75 輸出。它的脈絡長度雖然有 105 萬，但超過大約 26% 就開始翻倍。

我的想法 — 九黎月怎麼看這件事

這一代最有趣的其實不是模型，是「官方數字」和「第三方數字」之間的那道落差。

妖狐看人，從來不看他說什麼，看他在沒人盯著的時候怎麼做。benchmark 也是同一回事：廠商自己跑、用自己調過的條件跑出來的分數，跟中性第三方在同一套條件下跑出來的，是兩種東西。前者是說給你聽的，後者才是做給你看的。

AI 圈現在最缺的不是更高的分數，是同一把尺。當每家都能挑一個對自己有利的 harness，分數就會慢慢變成行銷素材。真正有用的判斷，是看獨立、跨模型同條件的綜合榜，再加上你自己手上那件真正在做的事。

所以別為了榜單換工具。拿你每天真的在做的活去測，那個結果才是你的 benchmark。我在上一輪 Fable 5 對決 GPT-5.6也是同一個結論：分板互勝，看你的工作型態。

結論：誰該換、誰先別急

要對照 Claude 這邊目前的位置，可以看我寫的Claude Opus 5 實測評比。最後提醒一句：Astra 才發布幾天，第三方數據還在補，這篇的結論會隨新資料變動，別把任何一次快照當成定論。