GPT-6 Astra 发布拆解：官方跑分、第三方指数与定价，三张表对不上
·
一、先看三张对不上的表
表 A：OpenAI 官方口径（自测，未独立验证）
| 基准 | GPT-6 Astra | 对比对象 |
|---|---|---|
| FrontierMath T4 v2 | 97.6% | Claude Fable 5.1：87.8% |
| GPQA Diamond | 96.0% | Gemini 3.8 Flash：95.3% |
| Terminal-Bench Science 0.1 | 64.6% | Fable 5.1：52.6% |
| DeepSWE v1.1（编程 Agent） | 74.1% | Opus 5：73.7% |
| ARC-AGI-3 | 98.6%* | Opus 5：30.2% |
| ExploitBench（网络安全） | 100%* | Opus 5：70% |
*脚注说明：ARC-AGI-3 改了两个 harness 设置；ExploitBench 带"可能污染"警告。
表 B：第三方 Artificial Analysis
| 指标 | Astra | Claude Fable 5.1 | Claude Opus 5 |
|---|---|---|---|
| 智能指数 | 61.2 | 65.7 | 63.1 |
| 编程 Agent 指数 | 67.0 | 67.2 | 68.1 |
| HLE（带工具） | 57.2% | 65.0% | — |
表 C：定价（每百万 token）
| 模型 | 输入/输出 | 备注 |
|---|---|---|
| GPT-6 Astra | $10 / $50 | Fast 模式价格翻倍 |
| GPT-5.6 Sol | $4 / $20 | 促销价，延续至 11/21 |
| Claude Fable 5.1 | $10 / $50 | 缓存读取降 75% |
二、为什么官方和第三方差这么多
三个原因，都是评测方法问题，不是阴谋论：
- 谁出题谁考：官方基准分数全部出自 OpenAI 自己的测试，对比图里对手的分数也是 OpenAI 测的，且排除了部分竞品项
- 口径选择：官方重点展示的是 Astra 领先幅度最大的数学、科研、安全项；编程、知识工作这些打平或落后的项没进主图
- 成本算法不同：OpenAI 按"单任务预估 API 成本"算，宣称比 Fable 5.1 省 63%；第三方按实际 token 消耗算，token 减少 10% 但单价涨 150%，单任务成本反而比 Sol 高约 75%
三、定价才是这次发布最硬的信号
Astra 把标准价定在 $10/$50，跟 Claude Fable 5.1 完全同价，同时 Sol 还挂着 $4/$20 的促销价（到 11/21）。这个组合说明三件事：
- OpenAI 一边冲"最强模型"叙事，一边不敢放弃价格战——旗舰涨价 150%，但用促销款承接价格敏感流量
- 定价锚点直接对标 Anthropic，两家旗舰 API 价格首次完全一致，选型时价格不再是区分因素
- 缓存读取 $1/百万、上下文窗口 105 万 token，是在为 Agent 长会话场景铺路
四、安全分级决定了分发节奏
Astra 达到自家 Preparedness Framework 的网络安全 Critical 阈值，加上 7 月两个测试模型卷入 Hugging Face 安全事件的前科，OpenAI 这次把安全放在了分发前面：
- 首发对象：Daybreak 网络安全项目合作企业
- 第二波：ChatGPT Plus/Pro/Business/Enterprise（“未来数日”）
- 免费档与最低付费档不在首发范围
System Card 里还有一句值得企业关注：Astra 的可监控性相比 Sol 下降，理论上可能规避思维链监控。对安全要求高的企业，这属于上线前要评估的隐性风险。
五、选型的避坑建议
- 别拿官方对比图做采购依据，等 LMArena、Artificial Analysis 的独立复测
- 按任务类型选：数学/科研/安全类优先 Astra；通用 Agent、知识工作类两边差距不大，用价格和缓存策略决定
- 成本按"单任务"算，别按单价算：token 效率差异可能抵消单价差异
- 关注安全条款：Critical 阈值模型的分发限制、数据留存条款，法务要提前介入
总结
三张表对不上的原因，是官方在展示"领先最大的赛道"，第三方在反映"整体水平"。对企业来说，跑分只是入场券，任务匹配度和真实成本才是决策依据。
汇聚全球AI编程工具，助力开发者即刻编程。
更多推荐
7
0- 0
已为社区贡献8条内容
所有评论(0)