OpenAI 发布 GPT-6 Astra：符号世界模型带来测试突破

OpenAI 近期公开了其最新最强模型 GPT-6 Astra。原始材料称，该模型在电脑操作、科研探究和安全防御等方面都有显著进展，其中最受关注的是它在 ARC-AGI-3 基准测试中的成绩逼近 100%。ARC-AGI-3 被视为当前 AI “智商”评测中的高阶测试之一，核心是不断变化的图形规律题，要求 AI 在陌生环境中探索、推测目标并即时推理，不能简单依赖刷题或记忆。

核心事实如下：

• 模型代号：GPT-6 Astra（前代模型为 GPT-5.6 Sol）
• 关键成绩：ARC-AGI-3 分数从 GPT-5.6 Sol 的 38.3% 跃升至接近 100%
• 操作效率：在 96% 的关卡中，GPT-6 Astra 比人类更高效，平均动作步数比人类少 51.7%
• 技术路线：采用“符号世界模型”（Symbolic World Model），将环境抽象为逻辑符号与因果代码

符号世界模型：从暴力试错到精密推演

不同于过往一些模型依赖“暴力试错”——把游戏画面拆成像素块后不断尝试动作——GPT-6 Astra 展现出更结构化的符号推理能力。原文提到，当它进入陌生图形游戏后，会自创一套 DSL，也就是专属的代数符号系统，对环境进行大量结构化记录，包括潜在隐性规则、即将执行的指令序列，甚至像素运动轨迹与坐标映射。

这种符号化记录的价值在于，它比自然语言描述更少歧义，也更适合进行确定性推演。模型会先在内部构建类似“虚拟沙盒”的计划空间，用生成的 Python 逻辑预演行为后果。例如，它会推导“如果按 A，图形就会左转 90 度”，确认逻辑闭环后再执行真实动作。这一过程减少了在真实环境中的盲目试错，也解释了它为何能用更少步骤完成关卡。

值得注意的是，早期高阶推理能力往往依赖外部 Harness 框架，包括画面转译、状态记录、结果校验等功能。但这类外部方案存在延迟高、与模型训练脱节、依赖云端计算环境和外部脚本、难以部署到端侧设备等问题。原文认为，GPT-6 Astra 正在把部分原本属于 Harness 的能力内化进模型自身权重，从而形成更完整的推理闭环。

算力账单：每局 360 美元，钞能力难以普及

尽管表现亮眼，GPT-6 Astra 的高分也伴随着高昂成本。原文称，GPT-6 Astra 每跑完一局游戏就需要消耗 360 美元算力；如果完整跑完一整场测试，总算力账单高达 1.8 万美元，约合 13.5 万元人民币。相比之下，人类解一个图形谜题可能只需要几分钟，按人脑 20W 代谢功率折算电费不到半美分；即便算上支付给受试者的真实时薪补贴，折合每局也只有 12.78 美元。

ARC Prize 方面提到，多个拿到高分的系统都有相似技术配方：无损内存、程序化分析、显式假设检验、持久状态和低成本内部计算。PRO-LONG、Tycho、Prime Agent 等团队也已借助类似 Agent Harness 在 ARC-AGI-3 上拿到 90% 以上分数。这说明，当前高分并不只是单一模型能力的直接体现，而是模型与外部框架、上下文压缩、连续对话和内部计算机制协同后的结果。

技术边界：接近 AGI，还是图形消消乐大师？

学术界和产业界正持续关注“符号世界模型”路线，原文提到哈佛、MIT、Google DeepMind 等机构都在这一方向投入研究。与此同时，OpenAI 总裁 Greg Brockman 那句“AGI 已来”在社交平台被广泛转发，但 ARC Prize 基金会总裁 Greg Kamradt 对此泼了冷水：从评测角度看，分数虽然真实，却远不能证明 AGI 已经到来。

通用智能的关键在于适应未知世界的能力。人类可以在完全陌生的环境中持续学习，并把经验迁移到新的工具、规则和社会系统中；而当前 AI 在图形规律题中逼近满分，仍不能直接等同于它能可靠迁移到自动驾驶路况判断、新病毒药物推演等开放问题。更值得警惕的是，随着 GPT-6 Astra 的推理过程变得不透明，开发者也更难判断它究竟是真正理解了规律，还是找到了更高效的“捷径”。

落地建议：专业团队先行，大众应用尚早

• 适合立即研究的团队：AI 研究机构与大模型工程团队，可借鉴 Harness 开发范式，用于科研场景中的逻辑推演和工具链预研。
• 建议继续观望的用户：行业应用开发者和普通用户。当前高成本、强外部辅助依赖和黑箱特性，都会限制短期落地可行性。

写在最后

GPT-6 Astra 的符号世界模型显示，AI 正在从单纯模式匹配走向更复杂的因果推演和内部模拟。但现阶段，它更像是“在特定考场中发挥极强的考生”，而不是已经能适应任意环境的通用学习者。从测试高分到真正 AGI，中间仍隔着泛化迁移、成本下降和可解释性提升等关键难题。