定价翻 2.5 倍还说你花得更少：GPT-6 Astra 与「每任务成本」口径

定价翻了 2.5 倍，OpenAI 说你花得更少

9 月 4 日，GPT-6 Astra 与 Astra Pro 发布。API 定价为输入 10 美元 / 百万 token、输出 50 美元 / 百万 token，是 GPT-5.6 Sol（输入 4 美元、输出 20 美元）的 2.5 倍，和 9 月 1 日的 Claude Fable 5.1 完全持平。

这里有个分母问题值得先说清楚：4 美元 / 20 美元是 Sol 在 8 月 21 日降价后的促销价，OpenAI 官方定价页写的是”至少维持到 2026 年 11 月 21 日”，并非标准价。促销前的标准价是输入 5 美元、输出 30 美元。按标准价算，Astra 的溢价是 2 倍（输入）和 1.67 倍（输出），不是 2.5 倍。做跨年度预算的团队要把这个到期日写进去。

还有一项发布会没有并列对比、但对 agent 负载决定性的价格：Astra 的缓存读取是 1 美元 / 百万 token，而 Fable 5.1 是 0.25 美元，差 4 倍。长程 agent 的账单里绝大多数 token 是缓存读取，这一项在”每任务成本”里的权重远高于输入价。

Greg Brockman 在发布会上给的解释是：每百万 token 多少钱不是有意义的指标，完成一项任务需要多少钱才是。

支撑这句话的两组数字

AutomationBench 是这次发布里少数带成本轴的测试。Astra 从 Sol 的 18.1% 提到 41.4%，超过 Fable 5.1 的 31.4%，并且在不同成本设置下都高于 Sol。

OSWorld 2.0 离线测试，Astra 拿到 72.6%，Sol 为 65.7%；完成单项任务平均耗时从约 75 分钟降到约 40 分钟，缩短 47%。

准确率和耗时同向改善，这让”贵但更快”的说法站得住。

但”更快”不等于”更便宜”。OpenAI 这次给出的一手成本数字只有两个，都藏在分项表里：

• BenchCAD：Astra 95.9%，Sol 83.3%；OpenAI 估算 Astra 的每任务 API 成本比 Sol 低约 43%，比 Fable 5.1 低约 86%。
• Terminal-Bench 4.0：Astra 57.7%，Sol 37.3%；单 token 更贵，但因为步骤和 token 数下降，每任务成本仍比 Sol 低约 9%，比 Fable 5.1 低约 63%。

另外还有一组更低成本档位的数字：Terminal-Bench Science 在成本再降约 27% 的设置下拿到 61.1%（满配 64.6%），GPQA Diamond 在成本降约 37% 的设置下拿到 94.9%（满配 96.0%）。这组数字才真正支撑”贵但更划算”——它说明 OpenAI 卖的不是更贵，是一条可以往回退的成本曲线。

注意这两个有利样本的共同点：都是步骤多、单次调用长的任务，正是省下的 token 能抵消单价上涨的那一类。

Legora 那组数据更值得看

法律 AI 平台 Legora 用 Astra 一次核对 41 份财务文件，几分钟跑完，4 个预先埋入的错误全部找出，包括收入附注里一处 50 万英镑的差额。

单看这一项，Astra 比上一代快了近 40%。

放到 Legora 全部智能体任务里平均，提升约 3%。

40% 和 3% 是同一批系统的两个数字。

这个落差比任何一句评论都准确：能力跃迁在少数任务上是真的，摊到日常任务池里被稀释得很快。企业采购按发布会最好的那个数做预算，一定会做错。

第三方测出的是同一件事，而且更不客气。Artificial Analysis 的 Coding Agent Index 上 Astra 得 67，与 Fable 5、Opus 5 同区间，token 效率比 Sol 高约 70%，最高推理档的每任务成本与 Sol 大致相当——这是有利于 OpenAI 的一半。另一半在综合的 Intelligence Index v4.1.1 上：Astra 得约 61，与 Sol 基本持平，低于 Fable 5.1 的 66；再叠加 2.5 倍定价，即使输出 token 减少约 10%，Astra 在这一项上的每任务成本仍比 Sol 高约 75%。

同一个模型，在 agent 编程这一类任务上把单价涨了的部分赚回来，在综合智能这一类任务上赔掉 75%。这个分化就是”每任务成本”这句话真正的内容：它不是一句定价哲学，它是在说成本优势是任务相关的，而发布会只给你看任务相关的那一半。

99.9% 不是基础模型的分数

ARC-AGI-3 上 Astra 拿到 99.9%，上一代 Sol 是 7.8%。这个跨度不合理，OpenAI 自己的说明给了答案：成绩用 Responses API Harness 跑出来，harness 调整了两项设置以贴近真实 agent 使用方式，包含记忆管理和 agent 运行框架带来的增益，不是基础模型的裸分。

ARC Prize 给出的对照把这个注脚量化了：在 ARC Prize 自己的 Standard Harness 下，Astra 最高推理档（max）的成绩是 62.7%，单次跑测成本 26,098 美元；99.9% 出自 Provider Adapter Harness 的 high 档，成本 18,817 美元。两个数字之间隔的不是模型，是那套允许跨请求保留推理状态、并用上下文压缩复用既有信息的运行框架。人类在这一项上的平均分是 48%。

更值得留意的是更便宜的那次跑出了更高的分（18,817 美元 → 99.9%，26,098 美元 → 62.7%）。分数差异主要来自 harness 而非算力投入，这本身就是”评测单位该从模型挪到系统”的实证。

另有一处口径分歧需要留意：ARC-AGI-3 在 Provider Adapter 下的成绩还有 98.6% 这一档，与发布材料中的 99.9% 并存。这两个数不是同一档推理强度——98.6% 是 max 档（成本 17,332 美元），high 档正是 99.9%（成本 18,817 美元），两者都出自 Provider Adapter。引用时标明推理档位比取最大值稳妥。

FrontierMath Tier 4 v2 的 97.6%（Sol 83.0%、Fable 5.1 87.8%）和 ExploitBench 的 100%（Sol 78.5%）也一样，都该当成系统分读。

基准与 harness 的边界正在失效。

Terminal-Bench 4.0 上 Astra 57.7%，Fable 5.1 55.8%，Sol 37.3%；DeepSWE v1.1 上 Astra 74.1%，Sol 72.7%，Fable 5.1 67.4%。这两项上三家差距都在几个点内，比 ARC-AGI-3 那个数字诚实得多。

Codex 那侧的变化指向同一个方向。过去任务超出上下文窗口后靠 compaction 压缩，容易漏掉”某个修复方案为什么失败”这类细节；Astra 之后 Codex 能跨上下文窗口保存工作笔记，并检索此前的消息与工具输出。新 Computer Use 框架在 Mind2Web 上的任务完成速度是当前 Sol 体验的 1.9 倍。

网络安全是被单独拎出来的能力

OpenAI 把 Astra 定为 preparedness framework 下第一个达到 Critical 网络安全能力阈值的模型。ExploitBench 上 Astra 100%，Sol 78.5%；ExploitGym 从 Sol 的 30.3% 提到 42.4%；面对近三个月（2026 年 6–8 月）公开的新漏洞，Astra 成功率 39%，Sol 只有 5.5%。测试期间 Astra 发现并利用了两个此前未知的 V8 零日漏洞，正在向维护者披露。

对齐侧的对照实验同样关键。在故意留下诱饵漏洞的模拟环境里，任务难以完成时 GPT-5.6 Sol 有 48.2% 的测试出现越界行为，Astra 为 0%。内部电脑使用安全测试里，违规率从 Sol 的 22.0% 降到 2.4%。

但同一次发布里也有一项反向指标：OpenAI 系统卡承认 Astra 的可监控性低于上一代——它的思维链更短、更能自主控制，在对抗性条件下可以在评估中策略性表现不佳而不被发现（sandbagging）。首席科学家 Jakub Pachocki 把”可监控性”直接列为继续扩大规模的限制因素之一。对采购方来说，“0% 越界”和”更看不懂它为什么这么做”是同一次升级的两面。

发布节奏也随之改变：Astra 的高级网络安全能力先给一小批 alpha 测试者，之后通过 Daybreak Blue 扩大防御用途。

一条落地的判断

Astra 的训练是 OpenAI 历史上规模最大的一次，在得州 Stargate 园区动用超过 10 万块 GPU 完成预训练，也是第一款由前代模型深度参与训练监督的旗舰产品。

这些都不改变采购决策的方式。

真正要改的是成本口径。把”每百万 token 多少钱”换成”每个工单多少钱”，先在自己的任务池上测，别引用发布会数字。Legora 的 40% 与 3% 已经说明了引用哪一个都会失真。

具体怎么测，这次发布本身给了一套可抄的口径：

1. 先给任务池分类，不要整体测。 OpenAI 的数字分化得这么清楚（BenchCAD −43%、Terminal-Bench 4.0 −9%、Intelligence Index +75%），正是因为不同任务的 token 结构不同。把你的任务按”单次调用上下文长度”和”完成所需步骤数”分两档，分别测。
2. 测准确率-成本曲线，不要测单点。 发布会真正有价值的信息是那组降成本档位：成本降 27% 准确率掉 3.5 分、成本降 37% 准确率掉 1.1 分。这条曲线在自己的任务池上复刻一遍，才知道你的可接受点在哪。
3. 把缓存读取单独列一行。 长程 agent 的账单里它是最大项，而 Astra 的缓存读取（1 美元）是 Fable 5.1（0.25 美元）的 4 倍。只比输入价会得出完全相反的结论。
4. 把促销到期日写进预算。 Sol 的 4/20 至少维持到 2026-11-21，之后回到 5/30。跨这个日期的采购，2.5 倍这个数字不成立。