01 / Astra：更擅长在电脑上完成复杂任务
前沿模型与 Agent · 9.5/10 · 近期补看 · 建议深挖
OpenAI 此次发布 Astra，把计算机操作和专业工作放在了显著位置。官方报告，Terminal-Bench 4.0 成绩从 GPT-5.6 Sol 的 37.3% 提升至 57.9%；在科学终端任务 Terminal-Bench Science 0.1 上，则从 22.4% 提高到 64.6%。这些测试更接近使用工具完成多步任务，提升值得关注。
对使用者来说，变化在于可以交给模型的工作更完整了。查资料、操作软件、分析数据、整理结果，以前常常需要人来回衔接。模型若能在这些步骤之间保持方向，就有机会减少中途接管。不过，一组测试成绩还不能代表所有实际工作都已可靠。
安全能力也有变化。OpenAI 将 Astra 评为其准备度框架中的网络安全 Critical 级别，依据包括寻找未知漏洞和开发利用方式的能力。评估中的部分测试没有生产环境的防护措施，因此不能把这些结果直接理解为普通用户可调用的产品能力。
进步明显，不等于各项成绩都领先。 同一份发布材料里，Artificial Analysis Intelligence Index v4.1.1 的 Astra 得分为 61.2，Claude Fable 5.1 为 65.7。看这次发布，更有价值的是比较具体任务和测试条件，而不是只接受一个“最强模型”的结论。发布材料属于官方评估，实际产品的配置和运行预算仍会影响结果。