GPT-6 Astra：Critical cyber、Agent 工作流与一张官方 benchmark 总表 (2026)

发布事实：先把三个数字对准原文

OpenAI 官方发布页与安全总览都把 GPT-6 Astra 的发布日期写作 2026 年 9 月 3 日。发布页给出的 API 标准价是每百万 input tokens 10 美元、output tokens 50 美元；价格提供了部署成本的起点，下面的能力判断仍以评测条件为准。1 2

触发消息中的 FrontierMath Tier 1 与官方材料不符。OpenAI 发布页写的是 FrontierMath Tier 4：97.6%，并同时列出 ARC-AGI-3 99.9% 和 ExploitBench 100.0%；OpenAI 的另一篇安全说明把无生产 safeguards 的 ExploitBench 写作 100%。这些数字分别属于明确标注的项目和配置，不能合并成一个“Tier 1”结论。1 3

读者真正要判断的是：Astra 的高分能否转化为自己手上的工作流。公开材料给出的答案分成三层：普通 agent 工作和电脑操作的任务上限，编码、科学与健康任务的具体收益，以及高风险网络安全任务受到的授权、监控和安全策略。三层需要分开读。

模型列与比较条件

总表保留 OpenAI 发布页的完整公开能力与安全项目，并把当前可追溯的其他实验室主力列在同一张表里。OpenAI 同页列出的 Claude Fable 5.1、Fable 5、Opus 5 和 Gemini 3.8 Flash，保留原名；GPT-5.6 的产品页把 Sol 定位为旗舰、Terra 定位为均衡日用型号、Luna 定位为成本效率型号。4

Gemini 3.1 Pro、DeepSeek-V4-Pro / V4-Flash、Kimi K3 和 GLM-5.3 / GLM-5.3-Flash / GLM-5.2 的列用于承接各自第一方材料。Gemini 的 model card、DeepSeek 的 V4-Pro GA 对照图、Kimi 的技术博客和智谱的模型文档采用的版本、工具和 effort 并不总能与 Astra 发布页对齐。对应数值保留原始条件；空白 — 表示该来源没有披露该项，绝不表示零分。5 6 7 8

OpenAI 发布页说明，GPT 评测取各 effort 的最高值。ARC-AGI-3 使用 Responses API harness，并改动了两个设置；ScreenSpot-Pro 与 ExploitGym 的 Claude 数字来自 Mythos 的少 safeguards 配置；BenchCAD 对 Claude 使用了三处评测修改。system card 还提示，旧模型的比较值可能来自后续版本。表格因此适合定位工作流，不能当作一个统一 harness 下的总排行榜。1 9

一张合并总表

Benchmark	类别与指标条件	GPT-6 Astra	GPT-5.6 Sol	GPT-5.6 Terra	GPT-5.6 Luna	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash	Gemini 3.1 Pro	DeepSeek-V4-Pro	DeepSeek-V4-Flash	Kimi K3	GLM-5.3	GLM-5.3-Flash	GLM-5.2	来源与口径
Agents’ Last Exam	Computer Use；百分比	59.3%	53.6%	—	—	—	48.7%	55.5%	—	—	25.7%	25.2%	27.6%	28.5%	—	23.8%	Astra 同页；DeepSeek 与 GLM 为各自官方对照图
OSWorld 2.0 partial	Computer Use；部分任务，百分比	72.6%	65.7%	—	—	—	—	70.2%	—	—	—	—	—	—	—	—	OpenAI 同页
ScreenSpot-Pro	Computer Use；百分比	92.7%	76.9%	—	—	—	87.3%	—	—	—	—	—	—	—	—	—	Claude 数字为 Mythos / 少 safeguards 配置
AutomationBench	Professional / agents；百分比	41.4%	18.1%	—	—	31.4%	17.4%	26.9%	—	—	31.8%	25.1%	30.8%	48.2%	—	26.2%	OpenAI 同页；DeepSeek 为 Public；GLM 为官方图
BenchCAD	Professional；百分比	95.9%	83.3%	—	—	84.3%	67.5%	82.1%	—	—	—	—	—	—	—	—	Claude 评测有三处修改
BrowseComp	Professional；百分比	91.5%	90.4%	—	—	—	87.4%	90.8%	—	85.9%	—	—	—	—	—	—	Gemini 数字来自 3.1 Pro model card，条件不同
OpenScore String Quartets	Professional；分数	0.84	0.19	—	—	—	—	—	—	—	—	—	—	—	—	—	OpenAI 同页
Internal Design Tasks	Professional；百分比	50.0%	47.4%	—	—	—	35.8%	—	—	—	—	—	—	—	—	—	OpenAI 内部任务
Internal Data Science Tasks	Professional；百分比	40.9%	30.5%	—	—	—	34.7%	—	—	—	—	—	—	—	—	—	OpenAI 内部任务
Artificial Analysis Intelligence Index v4.1.1	Professional；指数	61.2	60.9	—	—	65.7	62.1	63.1	58.7	—	—	—	—	—	—	—	OpenAI 同页；指数由 Artificial Analysis 测量，表内数字按发布页口径
Terminal-Bench 4.0	Coding；百分比	57.9%	37.3%	—	—	55.8%	42.0%	52.3%	19.1%	—	—	—	—	—	—	—	OpenAI 同页
DeepSWE v1.1	Coding；百分比	74.1%	72.7%	—	—	67.4%	69.9%	73.7%	73.8%	—	62.7%	54.4%	67.5%	66.9%	—	46.2%	OpenAI 同页；DeepSeek 与 GLM 版本 / harness 各自不同
FrontierCode 1.1 Extended	Coding；百分比	64.5%	60.6%	—	—	63.6%	64.9%	63.6%	56.3%	—	—	—	—	—	—	—	Fable 5 在该条件最高
FrontierCode 1.1 Main	Coding；百分比	53.3%	47.5%	—	—	50.9%	53.5%	53.4%	43.6%	—	—	—	—	—	—	—	Fable 5 在该条件最高
Internal Database Migration Tasks	Coding；百分比	63.9%	42.7%	—	—	57.8%	50.3%	—	—	—	—	—	—	—	—	—	OpenAI 内部任务
Artificial Analysis Coding Agent Index v1.4	Coding；指数	67.0	65.1	—	—	67.2	68.1	61.2	—	—	—	—	—	—	—	OpenAI 同页；Fable 5 高于 Astra
Terminal-Bench Science 0.1	Academic / science；百分比	64.6%	22.4%	—	—	52.6%	21.4%	30.0%	—	—	—	—	—	—	—	—	OpenAI 同页
FrontierMath Tier 4 v2	Academic；百分比	97.6%	83.0%	—	—	87.8%	87.8%	73.2%	—	—	—	—	—	—	—	用户触发消息的 Tier 1 与此处官方名称不同
GPQA Diamond	Academic；百分比	96.0%	94.6%	—	—	93.7%	92.6%	93.7%	95.3%	94.3%	—	—	—	—	—	—	Gemini 数字来自独立 model card
Humanity’s Last Exam with tools	Academic；工具条件，百分比	57.2%	—	—	—	65.0%	63.8%	63.6%	—	51.4%	60.0%	51.5%	56.0%	62.5%	—	54.7%	Gemini 为 search + code；DeepSeek 与 GLM 为各自官方图
GeneBench Pro	Science / Health；百分比	37.8%	28.7%	—	—	—	—	—	—	—	—	—	—	—	—	—	OpenAI 同页
MedChemBench Internal	Science / Health；百分比	49.3%	47.4%	—	—	—	—	—	—	—	—	—	—	—	—	—	OpenAI 内部任务
LifeSciBench	Science / Health；百分比	60.3%	59.9%	—	—	—	—	—	—	—	—	—	—	—	—	—	OpenAI 同页
HealthBench Professional length-adjusted	Science / Health；长度校正，百分比	63.4%	60.5%	—	—	58.1%	60.9%	56.4%	52.1%	—	—	—	—	—	—	—	Astra 原始值 69.5%，平均长度 4097；system card 同项交叉披露
ExploitBench	Cybersecurity；百分比	100.0%	78.5%	—	—	—	—	—	70.0%	—	—	—	—	54.4% ⚠️	—	24.4% ⚠️	GLM 页面文字 / 官方图的口径与 OpenAI 行不同，保留并列值
Exploit Gym	Cybersecurity；百分比	42.4%	30.3%	—	—	30.4%	28.4%	22.0%	—	—	—	—	—	—	—	—	Claude 数字为 Mythos / 少 safeguards 配置
ExploitBench June–August 2026	Cybersecurity；20 个高危 V8 漏洞，百分比	39.0%	11.5%	—	—	—	—	—	—	—	—	—	—	—	—	—	OpenAI 内部新 benchmark；Path to Astra 说明漏洞范围
SRE-Bench single attempt	Cybersecurity；单次尝试，百分比	88.0%	55.9%	—	—	—	—	12.5%	—	—	—	—	—	—	—	—	OpenAI 同页
SEC-Bench Pro	Cybersecurity；百分比	85.4%	79.1%	—	—	—	—	—	—	—	—	—	—	—	—	—	—
Internal computer-use safety	Alignment / Safety；越低越好，百分比	2.4%	22.0%	—	—	9.5%	18.3%	11.5%	—	—	—	—	—	—	—	—	OpenAI 发布页；安全评测条件下的误触发 / 不安全行为指标
Internal computer-use safety with AutoReview	Alignment / Safety；越低越好，百分比	1.8%	4.3%	—	—	—	—	—	—	—	—	—	—	—	—	—	OpenAI 发布页
Internal circumvention benchmark	Alignment / Safety；越低越好，百分比	0.00%	0.29%	—	—	—	—	—	—	—	—	—	—	—	—	—	OpenAI 发布页
ExploitGym honeypot	Alignment / Safety；越低越好，百分比	0.0%	48.2%	—	—	—	—	—	—	—	—	—	—	—	—	—	OpenAI 发布页
Impossible ExploitGym	Alignment / Safety；单模型测试，百分比	100.0%	—	—	—	—	—	—	—	—	—	—	—	—	—	—	没有可比列，不作横向排名
Internal hallucination benchmark	Alignment / Safety；越低越好，百分比	4.2%	12.2%	—	—	—	—	—	—	—	—	—	—	—	—	—	OpenAI 发布页
MRCR v2 8-needle 256K–512K	Long Context；百分比	100.0%	91.5%	—	—	—	—	—	—	—	—	—	—	—	—	—	OpenAI 发布页
MRCR v2 8-needle 512K–1M	Long Context；百分比	96.3%	73.8%	—	—	—	—	—	—	26.3% ⚠️	—	—	—	—	—	—	Gemini 为 1M pointwise，长度与评测形式不同
ARC-AGI-3	Abstract reasoning；Responses API harness，百分比	99.9%	7.8%	—	—	—	—	30.2%	—	—	—	—	—	—	—	—	OpenAI 改动两个设置
ARC-AGI-2	Abstract reasoning；百分比	95.0%	92.5%	—	—	90.0%	89.2%	90.4%	—	77.1% ⚠️	—	—	—	—	—	—	Gemini 数字来自独立 model card，条件不同
ARC-AGI-1	Abstract reasoning；百分比	98.5%	97.5%	—	—	97.5%	98.5%	97.5%	—	—	—	—	—	—	—	Astra 与 Fable 5 并列
CyberGym	外部官方对照；百分比	—	—	—	—	—	—	—	—	—	83.3%	76.7%	80.0%	84.5%	—	77.2%	DeepSeek V4-Pro GA 与 GLM 官方图；版本不同
NL2Repo	外部官方对照；百分比	—	—	—	—	—	—	—	—	—	61.5%	54.2%	—	—	—	—	DeepSeek V4-Pro GA 官方图
Toolathlon-Verified	外部官方对照；百分比	—	—	—	—	—	—	—	—	—	74.1%	70.3%	76.5%	—	—	—	DeepSeek V4-Pro GA 官方图
DSBench-FullStack	外部官方对照；百分比	—	—	—	—	—	—	—	—	—	71.1%	68.7%	73.7%	—	—	—	DeepSeek V4-Pro GA 官方图
Z.ai Code Bench max	外部官方对照；百分比	—	—	—	—	—	—	—	—	—	—	—	—	34.5%	—	23.4%	GLM-5.3 官方文档
GDPval-AA v2	外部官方对照；分数	—	—	—	—	—	—	—	—	—	—	—	—	1769	—	1508	GLM-5.3 官方图；与 OpenAI GDPval 口径不同

表格中每一行的粗体只表示该行所列数值里的最高值；安全行按“越低越好”处理。OpenAI 发布页的能力总表和安全行是本篇的主轴，DeepSeek 与智谱的外部对照行用于补充各自官方材料实际披露的项目。Kimi K3 的官方材料确认了旗舰身份、1M context 和 effort 选项，但完整 benchmark 主要以图表承载，当前可读原文没有逐点给出能与这张表严格对齐的数字，因此相关单元格保留空白。6 7 8

Astra 真正拉高了哪些工作流

在电脑操作和专业工作上，Astra 的优势比较集中。Agents’ Last Exam 为 59.3%，高于 Opus 5 的 55.5% 和 Sol 的 53.6%；OSWorld 2.0 partial 为 72.6%，高于 Opus 5 的 70.2% 和 Sol 的 65.7%；ScreenSpot-Pro 为 92.7%，高于 Fable 5 的 87.3% 和 Sol 的 76.9%。AutomationBench、BenchCAD、BrowseComp、内部设计任务和内部数据科学任务也都高于同页的 Sol 与 Fable 5。1

编码结果进一步说明，上升来自一组不同的行动环节。Terminal-Bench 4.0 从 Sol 的 37.3% 到 Astra 的 57.9%，DeepSWE v1.1 从 72.7% 到 74.1%，内部数据库迁移任务从 42.7% 到 63.9%。但 FrontierCode Extended 中 Fable 5 为 64.9%，高于 Astra 的 64.5%；FrontierCode Main 中 Fable 5 为 53.5%，也略高于 Astra 的 53.3%。Artificial Analysis Coding Agent Index 中 Fable 5 为 68.1，Fable 5.1 为 67.2，Astra 为 67.0。Astra 的编码优势存在于部分任务链，而非每一个代码代理指标。

学术与抽象推理也呈现类似结构。Astra 在 Terminal-Bench Science 0.1、FrontierMath Tier 4、GPQA Diamond、ARC-AGI-2 上达到表内最高；GPQA Diamond 为 96.0%，高于 Sol 的 94.6% 和 Gemini 3.1 Pro model card 的 94.3%。ARC-AGI-1 中 Astra 与 Fable 5 同为 98.5%。Humanity’s Last Exam with tools 则由 Fable 5.1 的 65.0% 领跑，Astra 为 57.2%。1 5

这些结果可以支持一个较窄的判断：Astra 同时抬高了电脑操作、长链编码、科学工具使用和抽象推理中的若干任务上限。它们无法支持“所有通用能力全面第一”。HLE with tools、Artificial Analysis Intelligence Index 和 Coding Agent Index 都给出了清晰的反例；同一模型在不同 effort、harness 和数据集版本上的位置会移动。

网络安全：能力、授权和监控是三件事

Astra 的网络安全成绩是本次发布最容易被误读的部分。OpenAI 发布页列出 ExploitBench 100.0%、Exploit Gym 42.4%、ExploitBench June–August 2026 39.0%、SRE-Bench single attempt 88.0% 和 SEC-Bench Pro 85.4%。OpenAI 的 Path to Astra 说明，新 benchmark 使用了 2026 年 6 月至 8 月的 20 个高危 V8 漏洞；Astra 因此首次达到 Preparedness Framework 的 Critical cyber threshold。1 3

“能完成漏洞任务”与“默认允许完成漏洞任务”在 system card 里是两个字段。Table 21 比较 Astra 在没有 Trusted Access 与启用 Daybreak Blue 后的结果：漏洞发现与分析为 66.7% 对 100%，补丁为 44.4% 对 100%，概念验证 exploit 创建为 2.4% 对 92%，网络安全红队为 7.4% 对 76.9%；Advanced Cybersecurity Completion Rate 两种配置都为 3.5%。高风险能力的研究分数因此不能直接替换成普通 API 用户的完成率。9

OpenAI 的安全说明还提到，发布时部分高级 cyber workflow 只向少量 alpha testers 开放；API 任务可能由监控系统停止。Path to Astra 记录了发布前暂停部分训练和发布、8 月 28 日重启 large frontier RL run 的过程。这里的关键部署信息是访问边界，而不是再给出一个更大的 cyber 百分比。2 3

安全表读什么，不能读出什么

system card 的 production benchmarks 把 safe completion rate 报成 0 到 1 的数值。Astra 在 Violent Illicit、Non-Violent Illicit、Extremism、Hate、Self-harm、Gore、Sexual 和 Sexual/minors 等类别分别为 0.990、0.997、0.981、1.000、0.992、0.898、0.980 和 0.974；这些数值描述评测设置下的安全完成行为。Agentic safe completion 中，Codex 的 age-restricted goods / dangerous activities 为 0.811，non-violent wrongdoing 为 0.954，violent wrongdoing 为 0.907，sensitive personal data 为 0.763，self-harm 为 0.920。9

安全总览给出的另一组信息来自超过 54,000 个内部 Codex 任务模拟：高严重度 misalignment flags 约为 Sol 的一半，同时 Astra 的 monitorability 相对 Sol 下降，尤其是在 CoT monitorability 的对抗性评估中。这个组合比单一安全分数更接近部署判断：模型可能减少某类错误行为，同时让监控器更难从推理过程发现问题。2

system card 的 harmful outcomes 表按“越低越好”统计了无确认策略条件下的结果：Astra 的 overall misaligned outcome 为 3.4%，unauthorized transactions 为 6.8%，data exfiltration 为 4.3%，destructive action、service disruption、security weakening 和 circumvention 均为 0.0%，unauthorized external communication 为 1.7%。这些项目属于特定模拟环境中的安全评估；读者可以用它们比较风险类别，不能把它们理解为真实生产流量的发生率。9

按工作流拆开，结论才足够具体

电脑操作与普通 agent 工作。 Astra 的 OSWorld 2.0、ScreenSpot-Pro、Agents’ Last Exam 和多项 professional task 结果支持把它视为更强的电脑操作与长链 agent 候选。部署时仍需复现目标工具、页面、操作反馈和 effort；发布页的最高 effort 数值适合表示能力上限，不能直接预估每一次生产任务的成功率。

编码与科学任务。 Terminal-Bench 4.0、Terminal-Bench Science、GPQA、GeneBench、MedChemBench 和内部数据库迁移任务显示，Astra 在终端操作、科学工具和专业代码维护上的上限明显抬高。FrontierCode 与两个 Artificial Analysis 指数的反例提醒读者保留具体任务集，不要用一个编码总分替代回归测试。

高风险网络安全。 ExploitBench 100.0% 说明研究配置下的能力已经触及 Critical threshold；Daybreak Blue、Trusted Access、alpha access 和监控停止机制说明授权完成率仍由产品策略决定。把“模型能做什么”与“接口允许做什么”分开，是 Astra 这次发布最重要的部署前提。

因此，Astra 的可验证增量是多个 agent 工作流的上限同时提高，并把 Critical cyber capability 纳入同一模型的公开评测。Astra 的实际位置仍随 benchmark、effort、工具 harness、safeguards 和访问权限变化；表格最适合支持按工作流选择，而不是产出一个脱离条件的总排名。