GPT-6 Astra：OpenAI 官方发布页的五项基准与 GPT-5.6 Sol 对照

一句话结论

OpenAI 官方表格显示 Astra 在所选的电脑使用、专业工作、代码和科学基准上普遍高于 GPT-5.6 Sol，但结果依赖具体 harness、工具、成本档位和数据版本，不能脱离脚注横向解读。

适用场景

• 适合的任务：需要电脑操作、专业软件、多步终端工程、CAD 生成或研究级科学推理的模型初筛。

• 不适合的任务：把官方 benchmark 当作独立验收、生产成功率或任意任务的成本预测。

• 适用的模型版本：GPT-6 Astra 与 GPT-5.6 Sol；表中部分对照还包括其他模型。

• 适用的客户端、Agent 或 API：OpenAI 发布页所述评测设置；OSWorld 使用 latency simulation，Terminal-Bench 使用 agent/terminal harness，BenchCAD 明确为 with tools。

• 推荐的推理档位和参数：页面没有为所有项目公开统一 effort、随机种子或完整 API 参数；复现时必须逐项对齐官方脚注和模型配置。

测试环境、输入/配置

• Agents’ Last Exam：真实软件中的复杂专业任务，页面正文给出 Astra 59.3%、GPT-5.6 Sol 53.6%。最高分设置下，Astra 比 Opus 5 少约 65% 输出 token。

• OSWorld 2.0：表格标注版本 v2026.08.08、offline set、partial score；延迟模拟中 Astra 72.6%（约 40 分钟/任务），Sol 65.7%（约 75 分钟/任务）。

• BenchCAD：使用工具从多视角渲染重建 3D 对象并生成 CAD 代码；几何重叠分数 Astra 95.9%、Sol 83.3%。页面称所示配置下 Astra 估计 API 成本比 Sol 低约 43%。

• Terminal-Bench 4.0：覆盖软件工程、系统配置和数据分析的复杂终端任务；表格 Astra 57.9%、Sol 37.3%，页面称每任务估计 API 成本低约 9%。

• GPQA Diamond：研究生级生物、化学和物理科学推理；高分设置 Astra 96.0%。低成本设置 Astra 94.9%，高于 Sol 最佳 94.6%，且估计 API 成本低约 37%。

结果数据

发布页开头的概述使用了另一项基准 Terminal-Bench Science 0.1：Astra 64.6% vs Fable 52.6%，低成本设置为 Astra 61.1% vs Sol 最佳 22.4%；这些数字不能替换另一项基准 Terminal-Bench 4.0 表格中的 57.9% vs 37.3%。读取时应保留项目名称、设置和表格精度。

结论与适用边界

官方证据支持 Astra 在这些公开比较中的强势定位，尤其是 BenchCAD、Terminal-Bench 4.0 和 Agents’ Last Exam。OSWorld 的比较同时包含耗时模拟，GPQA 还区分高分与低成本设置；因此“更高分”与“更快/更便宜”是不同维度。页面没有提供完整输入、随机种子、每题输出、失败日志和独立复现实验，且部分项目是内部任务或特定 harness。Cybersecurity 与 alignment 部分还明确提到是否启用 production safeguards 会改变结果，不能把无 safeguards 的安全评测数字当成普通产品体验。

复现步骤

1. 逐项锁定 benchmark 数据版本、offline/online 集合、工具权限、harness、模型快照、effort、token 上限和成本计算规则。

2. 先复现表格中的五项，单独记录分数、任务耗时、输入/输出/推理 token、工具步数和失败类型。

3. 将高分设置与低成本设置分开跑，不能用一个设置的得分和另一个设置的价格作比较。

4. 对 OSWorld 同时报告 pass/partial score 和每任务耗时；对 BenchCAD 报告几何重叠指标与工具调用。

5. 对 GPT-5.6 Sol 复现时，明确使用表格中的版本和 harness；不要把正文 Terminal-Bench Science 0.1 的 Sol 数字与 Terminal-Bench 4.0 混列。

原始来源观察（短摘录）

页面明确把 OSWorld 数字标为 offline set, partial score，并将 Terminal-Bench Science 与 Terminal-Bench 4.0 分开。这个标注决定了不同段落的数字不能直接拼成一个总榜。