GPT-6 Astra全面实测：从光线追踪到自动通关宝可梦

AI Search频道对号称最新一代旗舰模型GPT-6 Astra进行了一轮高强度实测。从物理模拟、游戏开发到电脑操作、音乐创作，这个模型展示出的智能体（Agent）能力确实令人印象深刻——但也在一些经典测试中翻了车。本文梳理这次评测的核心发现，并客观呈现它的强项与短板。

智能体式编程：从零写出光追物理模拟

评测的第一个测试直击模型对物理与光线追踪的理解。UP主给出的提示词要求它模拟一颗子弹击穿水气球的过程——气球爆开、水喷涌形变、最终落地，同时要支持任意角度冻结查看，并提供子弹速度、气球大小、光照、重力等参数滑块。关键约束是：不允许使用three.js或任何外部网页库，必须完全从零手写。

这里最值得关注的不是模型本身，而是一个可复用的提示词技巧：引入独立的"评审智能体"。每次迭代后，评审智能体会从不同角度截图并对真实感和物理准确度打分（0到10分），只有拿到8分以上才算通过，否则会生成一份按优先级排序的问题清单让构建智能体继续修改，最多循环若干轮。

实际运行了32分钟。第一轮评审只给了4.7分，第二轮6分，第三轮6.5分——始终没到8分，最终因触及轮数上限而停止。尽管评分未达标，成品已经能真实地展示子弹穿透水团、水花喷射落地的效果，并支持调节光照强度与方向。这套"评审-构建"双智能体循环，是整期评测反复使用的核心方法论。

4小时做出一款虚幻引擎3D游戏

更硬的挑战是游戏开发。提示词要求它在虚幻引擎中制作一款第三人称程序化3D游戏，角色来自SketchFab模型，需要自行到Mixamo上寻找并映射走路、奔跑、跳跃等动画，场景是程序化生成的中国古代皇宫，资产通过Blender MCP生成。

模型的完整工作链条相当复杂：用Playwright扩展登录下载资源，通过MCP协议连接Blender生成资产，再在虚幻引擎中程序化渲染，最后用评审智能体从多个视角截图打分（3A品质标准设为8.5分）。首轮耗时1小时26分，评审仅给5.8分、6.3分，仍未达标。经过后续针对角色动画、镜头特效、跳跃机制的多轮修改，累计约4小时后，成品变成了一款可实际操控、能连续跳跃跨越屋顶、还带收集图标机制的游戏。虽然仍有建筑楼层脱节、灯笼错位等瑕疵，但整体完成度确实可观。

光线追踪（Ray Tracing）是一种通过模拟光子从光源出发、经过反射折射最终到达摄像机的过程来渲染图像的技术。传统实时渲染依赖光栅化走捷径，而光追则逐像素计算真实光路，能还原软阴影、焦散、次表面散射等物理现象，计算量极大。要求「不使用任何外部库」意味着模型必须从向量数学、射线-球体相交检测、Lambertian漫反射模型等底层算法手写起，这对模型的数学推理与代码合成能力是双重考验。评审智能体自动打分这一设计，本质上是把人类反馈环路（RLHF中的人工审核）替换成了另一个语言模型，让迭代可以在无人监督的情况下持续进行——这种「LLM-as-Judge」的范式近年在自动化评估领域越来越常见，但也存在评审模型本身判断偏差的风险。

电脑操作能力：一笔一笔画画、弹钢琴

GPT-6 Astra官方主打的最大卖点是"电脑操作"能力——它可以直接控制浏览器和桌面应用，点击、拖拽、填表。评测设计了几个递进难度的任务。

最基础的是让它打开Photopea（在线版Photoshop），新建画布并临摹一幅画。它没有用代码作弊，而是真的用光标一笔一笔画出来，约20分钟完成。进阶版是让它在精灵动画网站上，为参考角色逐帧绘制奔跑、跳跃、挥剑、劈砍动作并导出GIF，耗时约40分钟。

最让评测者震撼的是钢琴测试：进入在线虚拟钢琴，先创作一段肖邦风格的快节奏独奏曲，再通过依次精准按下琴键"现场演奏"出来。难点在于这里存在时间维度——按键时机必须准确。模型先花几分钟摸索录制方式，最终大约7分钟就弹出了一段听起来相当正经、节奏很快的古典独奏。这种在真实界面上完成带时序要求的操作，确实体现了智能体操控的成熟度。

音乐、视频与3D重建

评测还测试了内容创作的广度。让它在Waveform中制作一首Europop EDM，首版偏基础，经反馈迭代后成品明显提升。让它作为"导演"通过Higgsfield MCP调度视频生成模型做一支30秒产品广告，20分钟出片，效果被认为优于同提示词下的竞品结果。此外还有一个亮点任务：把日本某豪华民宿房源的所有照片喂给它，用Blender MCP重建整栋建筑与室内，并编排相机路径做虚拟导览。1小时12分后，它在场景中生成了数千个元素，虽非100%还原，但泳池、沙发、客厅布局都相当接近原场景。

模型对电脑界面的直接操控依赖于「计算机使用（Computer Use）」接口，通常通过截图感知当前屏幕状态，再输出鼠标坐标与键盘事件来执行动作，形成「感知-规划-执行」的循环。与API调用或代码生成不同，这种方式不需要目标应用提供任何结构化接口，理论上可操控任何人类能用的软件。钢琴测试之所以特别有说服力，是因为它引入了时间维度——模型不仅要知道按哪个键，还要按照节拍在正确的时刻触发点击事件，这要求模型在执行层面具备一定的时序规划能力，而非仅仅完成静态的界面交互。MCP（Model Context Protocol）是Anthropic提出的开放协议，允许AI模型通过标准化接口连接Blender、Higgsfield等外部工具，类似于给模型装上可插拔的「工具手臂」。

翻车环节：找青蛙与识别脑肿瘤

评测并没有回避模型的短板。经典的"找青蛙"测试中，模型运行近7分钟仍未能圈出隐藏的青蛙，甚至误判为响尾蛇；换另一张图重试多次同样失败。这说明在细粒度视觉搜索上，它依然存在明显盲区。

在脑肿瘤识别测试中，六张不同类型脑部扫描图，模型仅答对左上角一题（脑膜瘤），其余五题全错。评测者也如实指出，这一分（六分之一）虽然是被测模型里的"最高分"，但对医疗场景而言远不可靠。这类如实呈现失败案例的做法，让整期评测更具参考价值。

基准测试与定型成就

从官方自报数据看，GPT-6 Astra在多个榜单表现突出：

• Frontier Math约98%，几乎刷满；**Frontier Math（埃尔德什基准）**是唯一得分高于0%的模型
• Terminal Bench 4（终端智能体编程）、OS World、Agents Last Exam、Automation Bench等智能体与电脑操作类榜单均排第一，官方称其为"世界最强电脑操作模型"
• ARC-AGI-3得分超过60%（其他前沿模型不足10%），加外部框架可接近100%
• iBench（视觉能力）拿到95%，其他模型不到50%；3D重建、音乐转谱等榜单也领先明显

定型成就方面同样抢眼：它是首个通关《传送门》（Portal）的通用AI，需要三维空间推理和精准操作；仅用18小时12分通关《宝可梦火红》，远快于其他模型。

不过评测也保持了客观——在"人工智能分析指数"上它落后于Claude系列排第二，在LiveBench上甚至排到第三，低于部分Claude模型。它的真正优势在性价比：任务成本远低于昂贵的Claude模型，且幻觉率明显低于Claude Opus 5和上一代GPT-5.6。

ARC-AGI（抽象与推理语料库）由François Chollet设计，旨在测试无法通过死记硬背解决的流体智能：每道题给出少量视觉规律示例，要求模型归纳出规则并预测新输出。第一代ARC曾被认为是人类轻松过关但AI难以突破的门槛，第三代ARC-AGI-3进一步提升了规则复杂度与分布外难度，使大多数前沿模型得分不足10%。Frontier Math则由数学家团队构建，包含需要数小时才能验证的研究级难题，埃尔德什（Erdős）基准是其中专为极端难度设计的子集，以匈牙利数学家保罗·埃尔德什命名，象征着接近人类数学研究前沿的挑战。这两项基准的高分，相比传统的MMLU、GSM8K更能反映模型在开放式推理上的真实天花板。

使用方式与总结

据评测，该模型已面向所有ChatGPT付费计划（Plus和Pro）推出。在线聊天界面中需通过"Work"标签才能使用，也可在桌面应用（原Codex）中调用。UP主使用的是5X Pro计划，一个约一小时的智能体编码任务通常消耗每周额度的5%到10%。

综合这轮评测，GPT-6 Astra在智能体式编程、电脑操作、长程规划和数学推理上展现了显著跃升，多智能体自评循环的工作流也颇具启发。但需要提醒的是，本文数据均来自单一UP主的实测演示，其中包含大量官方自报基准和主观判断，且部分结论（如产品命名、发布状态）无法从独立来源交叉验证，读者宜谨慎看待，等待更多客观评测佐证。