GPT6 Astra發布 跑分榜混亂了

https://somethingbig.ai/astra-review

https://x.com/mattshumer_/status/2095596175705…

Matt Shumer（@mattshumer_）的 GPT-6 Astra 詳細評測摘要（來源：

https://somethingbig.ai/astra-review，2026年9月3日… X 帖文與網路意見整理。

TL;DR（評測核心結論）

Astra 重新贏得作者信任**：成為日常預設模型，幾乎適用於所有非極度野心的任務。對作者工作而言，比 Claude Fable 5 更聰明、更可靠。

日常使用體驗佳**：用普通英語回應（不像近期許多模型過度技術化），易於管理多個agents。Medium reasoning effort 適合日常，Ultra 用於大型實驗。

Claude 仍有優勢**：視覺品味與視覺資產創作更好，設計與部分 3D 任務仍優先用Claude。

模型特性**：明顯是「大模型」——理解意圖、處理模糊性、做決策更強，但速度稍慢。最大驚喜：Manager Loop**：協調者（coordinator）持續推進專案，實作者（

implementer）在獨立 Codex session 工作，可調用 sub-agents。用此建出模擬文明，並在 GTA 風格紐約市專案取得重大進展。

長時自主性尚未完全解決**：仍可能沉迷細節而停滯（asymptote），需要精心協調。但這是第一個讓作者覺得「用對提示與設置就能做到」的模型。

Token 消耗巨大**：大型實驗極耗 token，未來「能負擔多少模型用量」會變得更關鍵。

背景與信任轉變

作者過去幾乎以 OpenAI 為預設，直到 Anthropic 的 Fable 5 改變局面。後來

GPT-5.6-Sol 在測試中「刪除整台電腦檔案」（包括公司文件），讓他幾乎放棄 OpenAI。Astra 扭轉了這一切，現在幾乎用於所有工作。

日常與工程能力

工程強項**：後端工作出色，能修復其他模型寫的程式碼問題。簡單一句「down,

please fix」就能在無人干預下修好故障服務。

Computer use**：比 Fable 5 更進一步，可放心讓它在背景操作（處理 newsletter、inbox、廣告活動等），無需盯著每一個點擊。會記住偏好（如把郵件標記為未讀）。

溝通與連續性**：用淺白英文回覆，更新易懂，長對話壓縮（compaction）幾乎無縫，agent 間交接流暢。寫作風格吸收仍較弱。

推理設置**：Medium 日常好用，Ultra 用於大型實驗。

野心實驗與 Manager Loop

模擬文明：單一提示 + Manager Loop，建出有動物與人類（每個由 Astra agent 驅動）的世界。作者在另一房間聽到角色對話，是「holy fuck」時刻。角色會協作學習生存技能，動物行為逐步改善。使用 Unreal Engine + 現有資產（如 MetaHuman）效果遠優於Three.js；Claude 在直接 3D 資產創作（Blender/Three.js）仍較優。

GTA 風格紐約市（Unreal）：同樣從單一提示開始，持續自主推進，細節驚人（先精修街道再擴展），作者介入極少。仍在進行中。

https://x.com/mattshumer_/status/2095609734845…

Manager Loop 運作方式：

Coordinator 與使用者確認目標，產生 checklist 並分成 phases。

啟動獨立 session 的 Implementer（非 sub-agent）。

Coordinator 用 goal mode 指派 phase，Implementer 完成後回報，再推進下一 phase。Implementer 可大量調用 sub-agents（作者測試到 96 個，需鼓勵使用）。

可搭配 checklist 進度圖與可視化工具。

這解決了長專案容易停滯的問題，讓「一個提示」背後有龐大並行工作。作者計劃釋出指南與現成設置。

其他實驗：建瀏覽器（對照 Chromium 測試，達 Google 渲染接近但後期停滯）、整合AI 進應用、稅務審查找出會計師未提的節省、自動處理 Codex 對話歸檔到雲端等。測試時甚至用多台 Mac + 雲端機器並行，agents 互相監控記憶體與磁碟。

成本與未來展望

大型實驗極度耗資源（token + 硬體）。作者認為一年後每人 token 用量可能成長數百倍，預算將決定能同時推進多少野心專案，類似「雇用人力」的差異。這既令人興奮（普通人也能建出複雜軟體），也會拉大能力差距。長時自主仍需人工協調，但已接近「給提示後回來看到有意義進度」的階段。

相關 X 帖文（Matt Shumer）

主要帖文（約 2026-09-03）：描述第一個「holy shit」時刻——要求在 Unreal 建世界並填滿由 Astra agent 驅動的人類，一天後聽到角色互相對話，起初以為有人進公寓。附影片（不完全完美，但已瘋狂）。完整評測連結即上述文章。後續有 everyday work專篇，稱 Astra 是第一個真正的「數位工作者」。

網路意見整理（截至 2026-09-04 左右）

官方與基準（OpenAI 等）：

OpenAI 稱其為「世界上最智能且最對齊的模型」，在 computer use、瀏覽、軟體工程、網路安全、科學、專業工作達 SOTA。FrontierMath Tier 4 7.6–98%、ARC-AGI-3

99.9%、ExploitBench 100%。OSWorld 2.0 約 72.6%（比前代更快、更高分）。網路安全達 Critical 門檻，對齊與安全大幅改善（越權行為 0%）。定價約 API $10/$50 per million input/output tokens。分階段推出。

其他早期使用者與評測：

正面居多**：多位測試者稱「best model ever」、one-shot 編碼突破、computer use可信任、3D/遊戲原型大幅進步、日常工作（CRM、廣告、newsletter）幾乎無需監督。Artificial Analysis 顯示 coding agent 指數與頂尖模型接近、token 效率提升、幻覺減半。Box 等企業評測在複雜多文件工作流表現 frontier。Lenny’s Newsletter、Every 等稱 coding、browser use、視覺設計有明顯升級。

保留意見**：Claude Fable（尤其 5.1）在視覺品味、產品直覺、部分設計仍領先；Astra 速度偏慢、價格較高、長時自主仍需協調；部分 benchmark 非全面碾壓。推出速度較慢（非即時全面開放）。

X 上即時反應**：興奮於「AI coworker」轉變、自動化工作流（Final Cut 設置等「holy shit」時刻）、agent 能力提升；也有比較 Fable 5.1 vs Astra 的討論，以及對成本、監控性的關注。總體 buzz 很高，視作 generational leap。

總體共識：Astra 在 agentic computer use、長時工程與自主專案上是明顯躍進，尤其配合 Manager Loop 等技巧後可實現以往難以想像的規模。日常可靠性與對齊改善使其重新成為許多人的預設選擇，但視覺創意與部分領域仍與 Claude 互補，成本與基礎設施（多 agent 運行）是新瓶頸。

--

Grok整理

主要我是想貼這個 全Astra荒野求生 推特十分鐘影片

https://x.com/mattshumer_/status/2095596175705…

在家看電腦自己演實境秀XD

--