9 月 3 日，独立评测机构 Artificial Analysis 发布了对 OpenAI 新一代旗舰模型 GPT-6 Astra 的横向评测，结论”一好一坏”：在编码智能体指数（Coding Agent Index）上，它用不到 Fable 5 一半的成本追平了这位头部模型；而在智能指数（Intelligence Index）上，它虽然比前代 GPT-5.6 Sol 更省 token，但全线 2.5 倍的涨价把这部分优势完全抵消，单任务成本反而贵出 75%。
定价全线翻倍
GPT-6 Astra 的 API 定价为输入/输出每百万 token 10/50 美元，是 GPT-5.6 Sol 当前 4/20 美元的 2.5 倍。缓存读取依旧享受 90% 折扣，缓存写入则加收 25% 溢价。
编码智能体：追平前沿，成本减半
在编码智能体指数中，Codex 环境下的 GPT-6 Astra 拿到 67 分，与 Claude Opus 5、Claude Code 中的 Fable 5、Muse Code 中的 Muse Spark 1.3 大致持平；目前领跑的仍是 Claude Code 中的 Fable 5.1（70 分）。
进步的核心是token 效率：相比 GPT-5.6 Sol，token 用量削减约 70%——max effort 下只消耗前者约三分之一的 token，是 Claude Opus 5（xhigh）的五分之一。落到成本上，GPT-6 Astra 处于「编码指数 × 单任务成本」的帕累托前沿：max effort 的每任务成本与 GPT-5.6 Sol（max）相当，指数却高 2 分；为拿到相同分数，每任务成本不到 Claude Fable 5 的一半。
智能指数：更省 token，却被涨价抵消
在智能指数上，GPT-6 Astra 得到 61 分，与 GPT-5.6 Sol 持平，比 Claude Fable 5.1（max with fallback）低 5 分，也落后于 Meta 新发布的 Muse Spark 1.3（max）。它定义了「智能指数 × 输出 token」的新帕累托前沿：max effort 下输出 token 减少约 10%。但 2.5 倍的涨价让每任务成本反而比前代贵 75%，在智能指数的成本前沿上基本落于 GPT-5.6 Sol 之后。
幻觉率骤降，智能体知识工作喜忧参半
最亮眼的单项是知识幻觉基准 AA-Omniscience：max effort 下幻觉率从 92% 降至 51%，同时准确率还提高 4 分——并非以牺牲准确率为代价换来的低幻觉。
面向多周级长周期任务的 AA-Briefcase 提升约 80 Elo，rubric 得分与分析质量（Analytical Quality）Elo 均显著上涨，但演示质量（Presentation Quality）Elo 反而回落，GPT-5.6 Sol（max）在该项上仍领先所有模型。其余表现则喜忧参半：HLE 提高 6 分，改编自 OpenAI 数据的 GDPval-AA v2（覆盖 44 个职业的经济价值任务）却回退约 80 Elo，τ³-Banking、SciCode、AA-LCR 等也有 2–3 分的回落。
核心总结
- 编码智能体：GPT-6 Astra 以不足一半的成本追平头部模型，token 效率提升约 70%，处于成本帕累托前沿
- 智能指数：得分与 GPT-5.6 Sol 持平，输出 token 减少约 10%，但 2.5 倍涨价使单任务成本贵 75%
- 幻觉：max effort 幻觉率从 92% 降至 51%，准确率同步 +4 分
- 智能体知识工作：AA-Briefcase +80 Elo，GDPval-AA v2 约 −80 Elo，其余多项小幅回退
原文：Benchmarking GPT-6 Astra（Artificial Analysis，2026-09-03）
