GPT-6 Astra 发布：哪些工作值得重新交给它？

评估 GPT-6 Astra，可以先选一个需要反复检查、结果又能验收的问题。对用 AI 写代码和做产品的小团队，这样更容易判断升级是否减少了人工接手。

开发任务可以从代码和日志开始，要求修复后再打开网页检查。内容任务可以提供指定教材和模板，要求草稿附出处与待确认项。比较时同时记录完成结果，以及检查、纠错和返工时间。

我会优先试用开发排错和网页流程测试，再单独验证教材整理；暂时没有足够依据全面替换现有模型。 前两类任务有公开的编码评测和电脑操作案例支撑，第三类来自教育产品的实际需求，不能由前两类的成绩代替验证。

本文尚未完成 Astra 对照测试。下面按截至 2026 年 9 月 6 日读取的资料，整理三个试用方案。文中的价格、分批开放安排和 API 兼容条件保留历史口径，不代表今天重新核验了账户权限或报价。具体账号是否可用仍需检查实际入口。¹

阅读导航： 三个试用任务 · 判断依据 · 使用条件与成本 · 怎样判断升级值得 · 开发者附录

三个试用任务

操作软件所需的环境由应用提供。 API 中，模型根据截图和工具结果提出下一步操作，应用执行后再返回新状态。继续模型对话不会自动恢复浏览器会话或登录状态。²

三个任务分别在独立分支、测试环境或草稿文件中运行。每次只处理一个范围明确的问题，并留下可检查的结果。

任务一：修复一个能稳定复现的 Laravel 问题

输入。 选一个已经能复现的问题，准备相关代码、脱敏错误日志、复现步骤、预期行为和项目说明。环境中应有运行相关测试所需的依赖。不要只丢一句“这个接口有时会报错”。

交付物。 要求模型先确认问题，再做最小范围修改，给出代码差异、修改理由和相关测试结果。无法运行的检查要说明原因，不能用推测补成通过。

验收。 从原来的复现步骤重跑：问题是否消失，正常路径是否仍然可用，有没有修改无关功能？例如修复表单重复提交，就同时检查重复请求与正常单次提交。初次试用不直接操作生产数据；代码是否合并，由开发者检查后决定。

这类任务的复现步骤和预期结果明确。失败时，可以记录模型停在复现、定位、修改还是验证阶段，方便与现有流程比较。

任务二：检查文章编辑到发布的一段网页流程

文章页打开后，保存、校验和发布仍需分别检查。网页流程试用应覆盖这些具体操作。

输入。 准备测试站点、只用于测试的账号、可重复创建的文章数据，以及每个操作的预期行为。模型需要浏览器访问和读取控制台或请求结果的工具。正式发布入口不在这次试用范围内。

交付物。 给它一份明确的检查范围，而不是笼统要求测试整个网站：

1. 填写标题和正文，保存草稿，刷新页面，检查内容是否仍在。
2. 清空必填项后提交，检查校验提示，以及无效内容是否真的未保存。
3. 连续点击保存，检查是否产生重复记录或重复请求带来的异常。
4. 在测试环境执行发布，重新打开文章页，确认显示的是刚才提交的版本。

每一步都要记录输入、操作、预期与实际结果；异常附上复现步骤，以及能够取得的截图、请求或日志。没有权限查看数据库，就明确只检查到了界面和请求这一层，不要声称已经排除重复写入。

验收。 开发者抽查正常路径，并重跑每一个异常。页面仍显示旧值，可能是保存失败，也可能是缓存或异步更新；控制台有错误，也不一定影响当前操作。模型需要把观察到的现象与原因推断分开，提供足够材料让人复核。

验收关注的是操作是否完整、记录是否可以复核。运行时长和点击次数不能单独说明检查有效。

任务三：按指定教材整理一份课件草稿

输入。 提供教材片段、页码、既有课件模板，以及年龄段和本次教学目标。若 PDF 页码与书本印刷页码不同，先约定引用哪一种。

交付物。 按模板整理教学内容，每项标明对应页码；教材中找不到依据的扩展内容单列为待确认项。先交可编辑草稿和出处清单，再决定是否制作后续图片、音频或互动资源。

验收。 检查知识点是否准确、页码是否对应、是否漏掉关键内容，模板要求是否落实。不能因为课件排得整齐，就省略内容核对。

教材任务评估找依据、套模板和检查遗漏所需的时间。教学设计仍待单独验证，不能用电脑操作成绩替代。

原创方法示意，依据正文绘制；不是软件截图或实测结果。

判断依据

先看为什么值得重试多步骤电脑工作。OpenAI 公布的电脑操作测试中，Astra 在 OSWorld 2.0 离线子集、部分得分口径下得到 72.6%，Sol 为 65.7%。这是特定测试环境中的得分，不能读成现实工作有 72.6% 可以自动完成。¹

公开上手案例给了更具体的方向。Claire Vo 在《How I AI》节目配套文章中记录，Astra 曾在预览分支中持续约 1 小时 45 分钟，发送聊天、刷新页面并查看控制台，找出了团队遗漏的问题。它支持把网页流程测试列为试用对象，但文章没有披露这次任务的 token 用量或账单，也不是统一条件下的盲测。³

另一条证据说明为什么先选开发任务，不急着全面切换。Artificial Analysis 的编码代理测试主要考察模型在工具环境中完成编码任务的表现：在其 max 配置下，Astra 相比 Sol 成本大致相当，指数得分高约 2 分。换到同篇文章的综合知识测试，得分约为同一水平，每任务成本比 Sol 高约 75%。引用的是 9 月 3 日文章的测试口径，结果也包含工具系统的影响，不是裸模型在任意环境中的保证。⁴

这些材料支持先试开发任务。已稳定运行的内容整理和短问答流程仍保留原模型，待相同条件下的记录齐全后再作选择。

使用条件与成本

先确认账户入口，再准备环境。官方公布的开放计划包括 ChatGPT Plus、Pro、Business、Enterprise，以及 API、Azure 和 AWS Bedrock；Enterprise 在发布时默认关闭，需要管理员启用。ChatGPT 工作区的使用和自己的 API 集成应分别核对，不能只根据发布名单认定已经可用。¹

现成 Agent 产品需要具备测试项目访问、命令执行或浏览器操作工具。API 应用则要自己提供工具、持久会话和截图、日志反馈；仅有文字入口无法执行网页检查。

费用也要按任务记录。官方 Standard API 单价为每百万输入 token 10 美元、输出 token 50 美元，缓存读写另行计费。假设一次调用有 10 万个普通未缓存输入 token、1 万个计费输出 token，模型费用是 1.50 美元。这个算例只说明计价方式，不是一次排错或浏览器 QA 的预算，也不包含额外工具费用和重试。¹

记录费用时同时记录人工时间。模型运行一小时后，若还需一小时逐条纠错，就不能仅凭运行期间无人操作认定节省了工作。

任务还可能中断。数据库权限拒绝、模型安全监控停止和普通网络错误，原因各不相同：权限拒绝要检查授权范围；安全监控停止要检查服务返回的状态与提示；网络错误则可能发生在操作成功之后、响应返回之前。官方说明安全检查可能中断正常工作，API 中相应任务会停止。¹

因此，恢复前先确认哪些操作已经成功。涉及写入或发布时，检查当前记录和版本，再决定从哪里继续，不要直接重跑整段流程。试用环境只开放本次任务需要的权限，对外发布等后续动作单独确认。

怎样判断升级值得

先挑一小组自己熟悉、结果能检查的任务，让 Astra 与现有模型分别从相同代码、测试数据和说明开始。网页任务每次恢复到同一起点，避免后运行的模型直接继承前一次修好的状态。记录实际模型配置与工具环境，才能知道差异来自哪里。

每次任务留一条记录就够了：

任务与起点：问题、代码版本、测试数据
运行条件：模型、推理设置、可用工具
验收结果：通过 / 未通过 / 无法确认，以及证据
时间：总耗时、人工接手时间、检查与返工时间
费用：可取得的实际费用，包含失败尝试和重试
遗留问题：未完成步骤、仍需人工决定的事项

费用取不到，就记为未知；订阅额度也不要硬换算成一笔并不存在的 API 账单。失败任务同样保留，不能只计算最后一次成功调用。

在测试前先写下什么结果会改变选择。例如，同一批排错任务通过验收的比例不下降，人工检查与返工明显减少，且总费用在团队可接受范围内，就值得扩大到更多同类任务。一次成功可以支持继续试用，却还不足以说明稳定可靠。

优先试用文章编辑到发布的测试流程，记录发现的问题、可复现证据、漏检状态和实际费用，再决定是否扩大范围。该安排仍是计划，不是已经完成的测试。

开发者附录

以下只涉及自己接 API 的开发者，现成产品用户可以直接查看文末来源。它们影响应用怎样组织任务，不代表 ChatGPT 界面已经具备相同操作入口。⁵

一边等结果，一边做独立工作。 例如资料检索还没结束时，可以继续检查已拿到的模板；依赖检索结果的内容仍然要等。Astra 的异步工具调用支持给函数或自定义工具设置 async: true。应用负责执行、管理未完成任务，并用原来的 call_id 返回结果。

工作途中补充要求。 Responses API 的 WebSocket 中途指令可以用于追加限制或纠正需求，并在继续执行时保留已完成工作。界面也应让用户看见哪些操作已经发生，不能让人以为一句补充指令就会撤销已执行的写入。

简单跟进与难题采用不同推理设置。 configuration_update 可以在对话中调整推理强度、保留缓存前缀，采用前仍需核对兼容范围。

迁移时有几项需要检查：工具调用需要 Responses API；移除不支持的 temperature、top_p 等参数；此前使用 none 或 minimal 的请求，官方建议从 low 开始比较。EU 数据驻留的 Astra 请求暂不支持 Fast 模式。API Fast 在可用条件下标称最高两倍速度、两倍 Standard 价格，需单独判断是否值得。⁵

工具和执行环境还需实施权限限制，并核对操作后的真实状态。这些责任不会随模型名称或对话续接自动完成。²

资料来源

官方说明用于核对能力、接口和发布安排；独立评测与早期体验用于选择试用任务。此前查阅的 WIRED、The Verge 主要是发布与安全报道，并非记者对照实测，本版不再展开 AGI 背景。日期按所引页面显示保留。