GPT-6 Astra 案例合集帖展示建筑设计全流程演示

ZHO 表示看完 GPT-6 Astra 官方文章已经无感，只想直接测试，并催促 OpenAI 尽快发布。他认为文章里的很多案例太缺乏想象力，太多基于现有场景的惯性，如果模型真的强无敌，能力展现不止如此。原文附官方文章链接 https://openai.com/index/gpt-6-astra/。

ZHO 发布视频并称这可能就是被删除的原本 GPT-6 发布视频。

GPT-6 Astra 在 ARC-AGI 3 上取得 98.6%，而上一代 GPT-5.6 Sol 为 7.8%，作者连用多个问号表示难以置信。附图还显示其在 FrontierMath Tier 4 （v2） 得 97.6%、ExploitBench 得 100%、SRE-Bench （four attempts） 得 99.2%。

ZHO指出GPT记忆的"智能隔离"缺失是个重要问题：记忆作用让模型越来越像圆滑的评论家，总为前后对话中本不相关的内容强行构建意义，形成假装自圆其说的逻辑。这使艺术等主观占比高的领域变得无法讨论，用户需承受更高代价去判断其是否额外增加了意义关联。

Rohan Paul 梳理 OpenAI GPT-6 Astra 117 页系统卡的要点：Astra 控制自身链式思维的能力从 GPT-5.6 Sol 的 16.1% 跃升至 60.9%，可监控性相应下降。

François Chollet 发文称 GPT-6 Astra 在交互式推理任务上带来阶跃式能力提升，使用标准 harness 在 ARC-AGI-3 上得 66%，配合持续对话 harness 和自定义 compaction 接近 100%，每局成本约 $360。

Artificial Analysis 发布 GPT-6 Astra 评测，其 Coding Agent Index 得分 67，约等于 Claude Opus 5 和 Fable 5，且成本不到 Fable 5 的一半；token 效率比 GPT-5.6 Sol （max） 高约 70%。

作者在完成一本 RLHF 教科书后反思，LLM 在长文非虚构写作上进展停滞，GPT 4.5 和 Kimi K2 等写作强模型已显老旧，而编码、数学等任务已接近超人水平。模型能改错字、做编辑，但组织整章内容时仍混乱且易出错，作者认为这阻碍了模型自主解决开放科学问题。

文章给出一套零基础用户半天上手AI的12步实操流程：准备内存不低于16G的电脑，订阅ChatGPT并安装Codex或使用WorkBuddy，用语音输入法以【背景、痛点、需求】框架向AI交代任务，经苏格拉底提问澄清需求后投喂文件让AI直接完成，最后沉淀为可复用Skill。文中建议Codex选GPT-5.6 Sol最高模型，WorkBuddy选Kimi K3。

针对"动态语言比静态语言更省 LLM token"的流行说法，作者用 GPT-5.6 Sol 让智能体实现 zstd 解码器进行实测。结果显示，medium 努力度下动态语言表现更好，ultra 下静态语言反而更优，且此前评测存在测试路径错误等缺陷。作者认为，琐碎任务上的性能无法推广到更大问题。