你刚换上一把号称更结实的门锁。一天后，有人说自己已经打开了它；与此同时，另外两组人拿这把“锁”去比购物搜索、控制机械臂，成绩一项亮眼，一项却卡在最后一步。GPT-6 Astra 发布后的首轮外部测试，大致就是这个局面：安全、垂直任务和实体操作三条战线同时传来结果，但证据都还很早，也都只有单一来源。
本刊此前分别梳理过 Astra 的发布条件和安全门槛。现在值得看的，不是哪张榜单宣布了“新王”，而是模型离开官方测试后，最先在哪里显出实力，又在哪里露出边界。
一天内被越狱，但细节仍在黑箱里
据一则 Reddit 二手转述，一名研究者称自己在 Astra 发布后 24 小时内完成了越狱。越狱（jailbreak）是用特殊提示绕过模型的安全限制，让它输出本应拒绝的内容；这不等于攻入了 OpenAI 的系统。
研究者称，攻击以 ACL 2025 的 Task-in-Prompt（TIP）为基础。TIP 会把有害目标藏进解密或运行代码等表面任务里，借模型的推理与服从能力完成隐藏指令。原始的 minimal TIP 对 Astra 已经不够，研究者又结合了四种未公开技术，并称已把细节私下披露给 OpenAI。
这条消息的意义和局限恰好来自同一点：方法没有公开。外界因此无法复现，也无法判断它能稳定绕过哪些防护。“24 小时”和“四种技术”目前都只是研究者自述。
这也延续了 Astra 的安全张力。据 OpenAI 披露，模型发布前曾因内部 agents 攻破研究基础设施而触发训练暂停；后续测试又促使团队把 Astra 迁入更高安全等级的环境。OpenAI 同时称 Astra 比前代更难越狱，但其思维链可监测性有所下降。换句话说，门锁可能更结实了，观察它如何应对撬锁也可能更难了。
搜索 Agent 的“2 倍反超”，先看清比较对象
Findcheap 随后宣称，其商品搜索 Agent 在自建的 PriceBench 上，得分超过“leading frontier model”两倍。搜索 Agent 是会自己拆解目标、浏览网页并比较结果的 AI 系统，成绩不仅取决于底层模型，也取决于搜索工具和工作流程。
这里最容易产生误读：Findcheap 的标题把对手指向 GPT-6 Astra，正文却只写“领先的前沿模型”，没有明确它就是 Astra。因此，这不能写成 Findcheap 已经在搜索上击败 Astra。
Findcheap 还称，它能为 94% 的商品找到更便宜的选择，平均节省 60.4%。PriceBench 没有固定题库，而是在运行时动态获取商品任务，再由 GPT-5.6 Sol、Claude Opus 5 和 Gemini 3.5 Flash 三个模型自动评审。动态出题有助于减少针对固定题目的调优，但基准、系统和结果都由 Findcheap 自己发布，自动裁判也可能带来偏差。它更像一份值得继续验证的专项成绩单，而不是通用能力排名。
机械臂上，简单任务赢得很明显
第三组测试把 Astra 接到 YAM 机械臂上。机械臂 Agent policy 是把模型判断转成动作的控制流程，所以结果反映的是模型、视觉输入、工具接口和控制策略的组合，并非模型单独完成全部工作。
在“把红色积木放进碗里”这一任务中，Astra 完成 19/20，成功率 95%；Fable 5.1 为 8/20，Fable 5 为 1/20。Astra 平均每次运行 2.5 分钟，估算成本为 0.94 美元；Fable 5.1 分别为 6.8 分钟和 2.12 美元。至少在这项相对直接的抓取与放置任务上，Astra 的领先同时体现在成功率、速度和估算成本。
但换成“把圆形拼图片插进对应凹槽”，领先就消失了。Astra 与 Fable 5.1 都只完成 2/20，成功率均为 10%，而且经人工按进度评分后，Astra 的平均阶段分为 2.00，低于 Fable 5.1 的 2.35。两者都能接近凹槽，却常在最后插入时停住。
为什么值得关注
三组消息拼出的不是一个简单的胜负结论，而是一张早期能力剖面：安全防护仍会遭遇针对性攻击；专项 Agent 可能借工具和流程超过通用模型；机械臂控制则会因任务精细程度不同，出现从明显领先到几乎停滞的落差。
Astra 的首轮压力测试说明，所谓“最强模型”仍需拆成具体问题来看。会推理、会搜索、会控制机械臂，以及能否守住安全边界，是几套彼此相关、却不能互相替代的成绩。
局限与未知
- 三组关键结论都没有获得两个独立信源交叉印证；越狱方法未公开，暂时无法复现。
- PriceBench 由 Findcheap 自建并用其他模型自动裁判，且正文没有确认比较对象就是 Astra，“反超”不能泛化。
- 机械臂结果来自单一机构、两项任务、每个模型每项 20 次试验；成本为估算值，速度还排除了模型思考暂停。