GPT-6 Astra 凭单张参考图构建应用

微软研究院提出 Agensh，无需中心编排器即可通过共享状态和消息通道异步协调 1024 个编码智能体。在 ProgramBench 五个最难任务上，用 GPT-5.6-sol 将智能体从 1 增至 128 个，平均最终测试通过率从 19.31% 升至 28.78%；在 pandoc 上，1024 个智能体把通过率从 33.89% 提升到 55.06%。

Elvis Saravia 提出用 Jev-as-a-Judge 做智能体评估，认为这是目前最惊艳的 Jev 用例之一。他的早期测试指向一套兼顾准确率与成本的优化流程：高置信度场景用 Jev，低置信度判定则升级到前沿模型（GPT-6 或 Opus 5.5）。他强调 Jev 并非处处适用，前沿模型也不该包揽所有评估，完整指南即将发布。

EvoOntology 用专用智能体构建本体并以 MCP 服务器形式提供 schema、内容与工具三层，数据智能体可在运行时查询。在 DDR-Bench 六个基座模型上平均提升 17.8 分，GPT-5.5 提升 26.7 分，BIRD 执行准确率提升 7.4 分。本体以小型类型化步骤编辑，仅保留经同基座配对评估有效的修改，工具层编辑贡献了 57% 的进化增益。

NVIDIA 提出自进化智能体框架 SoL-Pi，通过跨多环境自动研究循环筛选机制，将 token 流量削减近一半，在 GPT-5.6 Sol 和 Opus 5 上匹配基线框架表现。

原来我已经原地打转好几个月了。 日常工作里，我仍然混用 Opus 5、GPT-5.6 Sol 和开源模型（比如 DS4）。 这些都能靠我自定义的 harness 实现。 我很少需要 Fable 5.1 或 GPT-6 Astra。偶尔用于长时间运行的任务或炫酷演示。但也就这样了。

GPT-6 Astra 自主构建了含约 4K 结构的人体解剖模型，支持多层级探索与任意部位特写查看。作者称其是最佳研究型模型，能自主调用工具与资源，并认为"个性化通用智能"比"通用人工智能"更贴切。所用技术栈为 React 19、Three.js 等，解剖数据来自 Z-Anatomy/BodyParts3D。

几天前，Anthropic 分享了这条出色的提示词。 令我惊讶的是，它显著提升了 Fable 5.1 的写作质量。 更令人意外的是，它同样改善了 GPT-5.6 Sol 的写作表现。 我已将其设为所有使用 AI 进行编辑/写作场景的固定规则。

天哪！！！ 用 GPT-6 Astra 来让基础概念动起来。它生成了这整个片段。 真希望我当年学这些的时候就有 GPT-6 Astra。 这真的改变了个性化学习。

这太疯狂了！ GPT-6 Astra 一口气做出了这个精美的数学动画！（🔉 请打开声音） 真是"惊掉下巴"的时刻。 我之前用任何 AI 模型都没能做出接近这个效果的东西。 真正的个性化学习时代已经到来！

"坠入黑洞之旅" 这是 GPT-6 Astra 众多能力之一。 它能创作出这样的动画场景，实在令人惊叹。 使用原生 JavaScript、HTML/CSS 以及自定义 WebGL/GLSL 着色器实现。