GPT-6 Astra 到底能把复杂任务做到哪一步？代码、电脑和长任务一次看完

GPT-6 Astra 发布当天，开发者社区先忙着确认发布页是不是 404，随后才开始讨论模型到底有多强。大家总要先确认“现在能不能用”，才会认真看它究竟能做什么。

OpenAI 在 2026 年 9 月 3 日发布 Astra，并在官方 X 上给出一句很有野心的定位：Anything you can do on a computer, Astra can do for you. Fast. 这句话里更值得拆开的，是“do for you”，不是“Fast”。它要解决的也不是一次问答，重点在于让模型沿着任务链持续推进。

图：OpenAI 官方 X 推文，来源：X @OpenAI

代码 Agent，关键是把修复流程走完

代码模型的差距，不在能不能写出一段像样的代码，而在遇到真实仓库后能不能继续往下做。它要复现问题、跨文件定位、修改代码、运行测试，失败后再回到日志继续修。

OpenAI 用 Terminal-Bench 4.0 展示了 Astra 在这类复杂终端任务中的成绩。官方图中，GPT-6 Astra 最高达到 57.9%，GPT-5.6 Sol 为 37.3%，Claude Fable 5.1 为 55.8%。这项基准覆盖软件工程、系统配置和数据分析，横轴还放入了估算 API 成本。至少从这组公开结果看，Astra 的目标已经越过“生成代码片段”，进入需要连续操作的工程任务。

图：OpenAI 官方 Terminal-Bench 4.0 结果，来源：GPT-6 Astra 发布页。

官方 X 对 DeepSWE 的描述也包含这条链路，发布页在 xhigh 档公布的结果是 74.1%。错误出现后还能保持任务方向，才决定 Agent 有没有机会接手真实项目。

它面对的，不再只是文本框

当任务从代码编辑器走到浏览器、设计工具或工程软件，模型还要确认屏幕上到底出现了什么。它需要导航、输入、观察反馈，发现偏差后继续调整，有时还要在界面和代码之间切换。

OSWorld 2.0 Offline 是 OpenAI 用来衡量这类能力的公开基准。Astra 得分 72.6%，GPT-5.6 Sol 为 65.7%。发布页还给出一组延迟模拟，Astra 完成一个任务约需 40 分钟，Sol 约 75 分钟，前者减少约 47%。这些数字只对应官方设定的任务和环境，但它们说明模型比较的对象已经从“能不能回答”变成了“能不能在软件里把事情做完”。

图：OpenAI 展示的 KiCad 操作结果，来源：X @OpenAIDevs。

在官方演示里，Astra 把原理图继续推进到可制造的 PCB。这个画面比跑分表更容易让人理解“电脑操作”：模型要看见结果，再决定下一步怎么改。

图：OpenAI 展示的 Blender/Unreal Engine 场景生成与调整画面，来源：X @OpenAIDevs。

这组画面展示的是另一种闭环：模型先生成或修改场景，再根据界面结果判断哪里需要调整。对设计和工程软件来说，代码写完只是中间状态，最后的画面、布局和可用性也要被检查；Astra 开始把这一步纳入连续任务。

长任务的变化，发生在执行过程中

复杂任务常常卡在等待工具、需求变化或推理深度不够。Astra 的更新把这些情况纳入了 Responses API 的控制范围。

工具运行较慢时，异步工具调用允许模型先处理不依赖该结果的工作；任务进行到一半，用户可以通过 WebSocket 追加要求；遇到真正困难的阶段，可以提高 reasoning effort，进入整理阶段后再调低。用一条任务链表示，大致是：

读取任务 → 调用耗时工具
         ↘ 继续处理独立工作
用户追加要求 → 调整当前方向
遇到难点 → 提高 reasoning effort → 接收工具结果 → 继续完成任务

模型不必每次都停在一个响应里等所有事情完成，也不必因为需求变化就推倒重来。异步工具、途中 steering 和动态 reasoning 都有接口约束，准备接入时要按 Async tool calling、Mid-turn steering 和 Change reasoning mid-conversation 实现。

跑分和演示之外，还有三个边界

Astra 采用分批开放，发布当天并非所有账号都能使用。Terminal-Bench、DeepSWE 和 OSWorld 也都有各自的提示词、工具和运行环境，不能直接换算成你的代码仓库或业务系统成功率。长时间执行同样需要权限、日志和安全监控，模型可以持续工作，不等于它可以绕开人工审核。

这些限制提醒我们把“官方展示过”与“自己的项目能稳定复现”分开。Astra 更适合先验证需要多轮操作、工具调用和结果复核的任务。

先用一个小任务判断是否值得接入

可以从一个边界清楚的小任务开始：让模型读取多个文件，完成一次修改，调用工具运行检查，再根据失败结果继续修正。记录任务有没有完成、工具调用是否有效、是否反复兜圈、总耗时和 token 消耗。这样的记录，比单看排行榜更接近真实使用。

准备通过 API 接入时，可以先查看当前模型下有哪些服务、价格和可用信息，再选择一条候选服务做小范围验证。模型详情页适合用来确认模型 SKU 和服务字段，然后把本文的任务标准带进自己的环境。

图：GPT-6 Astra 模型详情页截图，来源：okenAI官网

如果旧项目已经有工具调用代码，接入前还要处理 Responses API 的请求入口、返回对象和工具结果关联。这方面可以继续阅读我的另一篇文章《GPT-6 Astra 工具调用怎么迁到 Responses API？旧代码要改这 4 处》。

这次发布给出的方向很清楚：代码任务要求复现、修改、测试和重试；电脑任务要求操作、观察和纠偏；长任务允许模型在执行中继续推进。拿自己的一个完整任务跑一遍，再决定是否更换模型，比只看榜单更可靠。