GPT-6 Astra实测对比5.6：8小时4组任务谁更强？

一次跨越8小时的模型硬核对比

B站UP主香酥幻想做了一期真刀真枪的模型评测，用完全相同的提示词，让GPT-6 Astra与前代模型5.6分别跑同一套任务。四组案例、八轮测试，累计耗时超过八小时——光是等所有任务跑完就到了凌晨。这种「实战交付」式的测评方式，比跑分表更能反映模型在真实工作流中的差距。

测试涵盖四个方向：AI创作台的前端UI重构、复刻经典小游戏「泡泡糖」、把40多分钟素材剪成成片、以及清明上河图的3D互动化。所有测试双方都开到「高」思考强度，账号为5X的Pro等级。UP主特别提到一个额度数据：这8个测试加上其他任务，两天时间消耗掉了周额度的80%。

前端UI重构：抽象需求下的理解力差距

第一组前端重构做了两个版本。第一版提示词故意写得极其抽象——只有一句「我喜欢苹果产品那种清晰舒适的感觉」，剩下全靠模型自行理解现有页面并调整。这其实还原了大量非设计背景用户的真实场景：只会用「简洁大气」这类形容词提要求。

结果差距明显。5.6跑了25分钟（其中还中途反问喜欢哪张图，被要求自己判断后又花18分半），最终产出几乎等于没重构——依旧是AI偏爱的蓝紫配色，暗色模式下按钮文字都看不清。Astra直接用半小时给出第一版，在同样抽象的描述下，视觉层次和导航设计都明显更胜一筹，且没有犯「暗色文字看不清」这类低级错误。

第二版把提示词写得更具体：苹果式简洁精致、卡片布局、主次分明。这一版Astra给出了最大惊喜——它主动把一个原本没放进工具栏的H3提示词扩写功能拎到首页合适位置，展现出对产品逻辑的理解。暗色模式切换第一眼就很舒适。反观5.6，切换主题色时会卡顿，动效虽努力但排版依旧混乱。

值得一提的是速度对比：5.6两轮加起来不到一小时，比Astra快很多。但正如UP主所说，快而不达标并没有意义。

游戏复刻与3D互动：需求还原度是分水岭

第二组复刻童年游戏泡泡糖，两个模型耗时接近（5.6约27分钟，Astra约34分钟）。差异体现在细节还原上：Astra把文档里要求的道具——增加水柱长度、增加泡泡数量等全部实现，整体视觉更舒适；而5.6遗漏了多个明确写在提示词第五条里的道具需求。

最能拉开差距的是清明上河图3D互动这一组。提示词要求不只是自由行走和改变路线，还要能进入小空间完成买茶、问路等互动。5.6只用23分钟就出片，速度惊人，但产出完全偏离方向——互动功能一个没实现，UP主直接放弃了第二版。

Astra第一版用56分钟，出来后发现严重掉帧（浏览器帧率只有1帧，因为没调用显卡），修复用了34分钟。虽然画面依然粗糙，但可以问路、有路线指引、按Shift加速、跟茶铺店家和船家交互、甚至能登船，地图和原画对照都做得有模有样。第一版其实已经完整实现需求，UP主才让它精修了一遍（又花约一个半小时）。

一个技术细节令人印象深刻：由于电脑没装Blender，Astra在精修时自己下载了Blender便携包来完成建模操作。这种自主调用外部工具的能力，让UP主看到了它辅助3D建模乃至视频制作的潜力。

Blender是一款开源的3D创作套件，支持建模、渲染、动画、视频编辑等功能，在专业3D制作流程中应用广泛。「便携包」（portable version）是一种无需安装、解压即可运行的软件形式，通常以压缩包分发。Astra能够在检测到本地环境缺少必要工具时，自主联网下载对应便携包并调用，意味着它不仅能生成代码，还能主动感知和补全执行环境的依赖——这在AI Agent能力框架中属于「工具使用」与「环境感知」的结合，是当前大模型从「对话助手」迈向「自主执行代理」的关键能力边界之一。

视频剪辑：唯一Astra落败的场景

第四组视频剪辑是本次唯一5.6表现更好的任务。UP主给了两段共40多分钟的素材（含大量嘴瓢、重复），要求剪成成片。两个模型的成片都存在没剪干净重复片段的问题，都不算及格——5.6成片13分54秒，Astra是14分27秒，还莫名加了一圈边框。

UP主分析了5.6反超的可能原因：项目里要求「允许使用通用工具不额外安装专门指导本次剪辑的skill」，而Remotion这个skill是项目里原本就有的。5.6把这句话理解为可以调用已有skill，成功用上了Remotion；而Astra没有调用该skill，可能因此表现打了折扣。这更像是提示词歧义导致的理解偏差，而非模型能力的绝对高下。

Remotion是一个基于React的程序化视频创作框架，允许开发者用代码描述视频的时间线、动效和剪辑逻辑，而非通过传统时间轴拖拽操作。在AI Agent的工作流中，「skill」通常指预先配置好的工具调用能力或功能模块，类似于插件。本次测试中，Remotion skill已被预置在项目上下文里，两个模型对「允许使用通用工具」这句提示词的解读差异，直接决定了是否调用这一现成能力。这也说明，在提示词工程中，工具授权的描述方式对模型最终行为有显著影响，模糊的边界条件容易引发不同模型截然不同的执行策略。

实测结论：能力提升明显，但仍有短板

综合四组八轮测试，Astra在前端设计、游戏复刻、3D互动这三类需要深度理解和自主执行的任务上，相较5.6有「天壤之别」的提升，尤其是在需求还原度和自主工具调用上表现突出。5.6则胜在速度快，以及在视频剪辑这一特定场景下因skill调用逻辑而占优。

关于使用建议，UP主给出了一条实用经验：日常使用把思考强度开到「高」就完全足够，没必要每个任务都拉满，除非面对几万行乃至十几万行代码的复杂重大调整。作为单一来源的实战评测，这期视频的价值在于用真实工作流暴露了两代模型在「听懂需求并交付」上的代差，也提醒大家提示词的措辞会直接影响工具调用行为。