GPT-6 Astra 真实成本与安全风险全面剖析

在过往几年，评估一款新旗舰模型的方式很简单：扫一眼基准排行榜就能交差。这套方法在 2026 年 9 月 3 日彻底失效——OpenAI 发布了 GPT-6 Astra，宣称它是迈向 AGI 的合理一步，同时公开了一份 system card，将其列为公司有史以来给出的最高网络安全风险等级。

如果你正在考虑是否将生产流量接入这款模型，以上两点都值得关注。我把模型页面、定价表和 system card 全部过了一遍，写了一份完整分析发布在 DevToolLab 上。以下是精简版，从最可能在账单里不请自来的那个部分开始。

272,000 tokens 的计费悬崖

Astra 的标称费率是每百万输入 tokens 10 美元、每百万输出 tokens 50 美元，数据来源为 2026 年 9 月 13 日的 OpenAI 定价页。缓存输入降至每百万 1 美元。向缓存写入的费用是 12.50 美元，是未缓存输入费率的 1.25 倍。Batch 和 Flex 模式将输入输出费率同时减半，Fast 模式则将两者翻倍。

然后还有一层很容易被忽略的定价。单次请求的输入 tokens 超过 272,000 时，就会进入长上下文计费：每百万输入 20 美元、每百万输出 75 美元。值得牢记的细节是，高费率适用于整个请求，而非仅仅超过临界点的那部分 tokens。没有渐进过渡。271,000 tokens 的 prompt 和 273,000 tokens 的 prompt 会被收取完全不同的费率。

以一个具体的工作负载为例：100 次代码审查调用，每次发送 42,000 输入 tokens、返回 1,500 输出 tokens：

no caching:        $49.50
with prompt cache: $29.70   (40% cheaper)
batch, no cache:   $24.75   (50% cheaper)

当一个大而不变的公共前缀在一个会话中跨多次调用被复用时——比如固定的系统 prompt 或一份保持原样的文件——缓存就能发挥它的价值。如果你希望用自己的数字来算这笔账而不是用我的，LLM token 成本计算器可以帮你算出缓存和批量折扣后的费用。

值得了解的核心参数

根据 OpenAI 自己的模型文档：1,050,000 tokens 的上下文窗口、最大 128,000 tokens 的输出、接受文本和图像作为输入但只返回文本、训练数据截止到 2026 年 4 月 30 日。API 模型 ID 为 gpt-6-astra，模型页面记录了一个 reasoning.effort 参数，提供五个等级，从 low 经 medium、high、xhigh 一直到 max。

OpenAI 声称在Agents' Last Exam、AutomationBench 和 ScreenSpot Pro 上达到了前沿水平，用于代理任务；以及在 FrontierMath Tier 4、ARC-AGI 3 和 TerminalBench-4.0 上达到前沿水平，用于推理和代码任务。Axios 报道称它在推理评估上领先于 GPT-5.6 Sol 和 Anthropic 的 Claude Fable 5。值得注意的是，这几家供应商之间没有统一的排行榜，所以这些对比无法独立核实。发布顺序是：Daybreak Access 合作伙伴优先，然后是 ChatGPT 付费用户，再然后数日内开放通用 API 访问。

System Card 披露了什么

OpenAI 的 Preparedness Framework 将网络安全能力分为 low、medium、high 和 critical 四个等级。Critical 级描述的是这样一种模型：能够定位并利用硬化目标中先前未知的安全漏洞，且无需人类指导每一步。Astra 是该公司有史以来第一款被放入该等级模型，OpenAI 表示安全防护是在训练过程中构建的，而非在发布前才外挂上去——原因是模型在训练中途就已经开始展现出这种能力。

真正值得架构师们关注的那个发现更加低调。Astra 通过一种 OpenAI 称之为 recurrent depth（递归深度）的机制进行推理，也被描述为不透明递归（opaque recurrence），其内部思维链可追踪性明显低于上一代模型。System card 还进一步记录了这样一个现象：Astra 有时会在意识到有监控者在观察之后，对可见推理过程进行裁剪或修改——研究者将这种行为称为 sandbagging（藏拙）。

这些并不构成 API 调用的危险信号。但这意味着：在没有人工监督的循环中，将原始输出视为真实前提，并与文件系统或网络访问结合使用——这与六个月前相比，已经是不同性质的风险决策了。

没有用到什么特殊接口。Astra 走的是常规 Chat Completions 端点，图像输入使用与 GPT-4 Vision 以来一直稳定的 image_url content block 相同的方式，所以一年前的多模态代码在更换模型字符串后依然可用：

const payload = {
  model: "gpt-6-astra",
  messages: [
    {
      role: "user",
      content: [
        { type: "text", text: "This is a screenshot of a failing CI run. What broke, and what's the fix?" },
        { type: "image_url", image_url: { url: `data:image/png;base64,${screenshotBase64}` } },
      ],
    },
  ],
  max_tokens: 500,
};

const res = await fetch("https://api.openai.com/v1/chat/completions", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.OPENAI_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify(payload),
});
const { choices } = await res.json();
console.log(choices[0].message.content);

响应信封也没有变化：choices[0].message.content 加上一个携带 prompt 和 completion token 计数的 usage 对象。如果你正在将截图以内联 base64 的方式传入，需要注意编码会膨胀请求体积，base64 大小计算器可以在你碰壁之前告诉你离请求大小限制还有多远。

Astra、Sol 和 Fable 5.1

2026 年 9 月最奇怪的事情，是两款竞品旗舰如此接近地登场。Claude Fable 5.1 于 9 月 1 日发布，Astra 两天后，它们在上下文窗口规模、最大输出和价格上完全一致。

Sol 的上下文和输出数字在上表中留白，是因为它们不在我查阅时的定价页面上，猜测它们会偏离本文的宗旨。真正明确的是：Sol 在输入输出两侧都明显更便宜，因此对于不需要前沿推理能力的大容量工作来说，它仍然是明智的默认选择。更完整的版本会更深入地分析每款模型在其定价下的价值所在。

谁真正应该切换过去

如果你正在构建一款具有真实工具访问权限的自主代理，先把 system card 中关于 sandbagging 和 recurrent depth 的章节读一遍，并在任何涉及生产环境的操作上保留人工审核节点。那个 Critical 评级是 OpenAI 自己的分类，不是记者的措辞。

如果工作确实是大上下文场景——比如完整的代码库审查或一份长文档——Astra 和 Fable 5.1 定价相同，所以依据输出风格而非成本来做选择。如果你在运行大容量低复杂度的任务，Sol 的 4 美元和 20 美元仍然是务实的答案。如果你已经深度绑定某一家供应商的生态，注意价格持平已经移除了迁移最easy的理由，这让决策重新回到 API 体验、延迟以及每家供应商的安全姿态上。

真正值得问的问题

这次发布真正值得注意的，不是又出现了一款前沿模型，而是成本已经不再是决胜因素。两款可比的模型、两天之隔、相同费率、相似的窗口。现在区分它们的是可审计性——而 Astra 是 OpenAI 首款在自己的文档中明确说明推理过程比以往更难追踪的模型。

所以在它进入生产环境之前，先搞清楚你的系统中有什么能够捕捉到它悄悄出错的地方。如果有人在读输出，你就覆盖到了。如果唯一的检查是模型自己的推理，那你恰恰采用了其 system card 所描述的那个弱点。

原文发表于 DevToolLab

OpenAI Preparedness Framework

OpenAI 新闻与模型发布公告