GPT-6 Astra 的重点是把困难任务继续做下去。OpenAI 在GPT-6 使用指南中把它放在最强能力这一档，覆盖代码、电脑操作、浏览研究、科学和专业工作。它可以在多个步骤之间保持任务目标，根据工具反馈修正做法，也可以在工作过程中接收补充要求。对于经常把 AI 用在真实项目里的人，这些变化比“回答更漂亮”更值得看。
本篇把官方能力说明、实际使用方式与费用放在一起。发布材料中的评测属于官方报告；下文的工作流程和验收建议是我们的应用思路，方便读者用自己的任务核对效果。参数与价格核对日期为 2026 年 10 月 4 日。
长任务中的变化：从给建议到形成可检查的成果
一次较完整的软件任务可能包括阅读需求、查找代码、重现问题、修改实现、运行测试和说明结果。中间有任何一步失败，都需要重新判断原因。如果 AI 每一步都重新理解背景，或者遇到一个错误就停止，使用者就要不断把它拉回任务。Astra 的产品方向是提高这种跨步骤的持续工作能力，尤其是在材料多、工具多、约束多的情况下。
这并不意味着一句“把项目做好”就能得到可靠结果。真实项目里有很多无法从代码推断的条件：哪些行为是历史兼容需求、哪些数据不能修改、客户会怎样验收。把这些条件告诉模型，才是在给它一条可以执行的路线。比如“修复重复导入，保留原有字段含义，处理完输出变更文件和两组验证结果”，就比“检查并优化系统”具体得多。
我更愿意用交付结果判断这一代模型：它是否找到正确的原因，是否把修改范围收住，是否知道还缺什么证据，最后交出的代码、表格或文档是否能继续使用。这些问题通常比一段演示对话更能解释它值不值得付费。
先把规格放到正确的位置
Astra 模型页给出的上下文窗口为 1,050,000 token，最大输入 922,000 token，最大输出 128,000 token；知识截止到 2026 年 4 月 30 日。模型接受文字和图像，直接输出文字，支持流式输出、结构化输出、函数调用和提示缓存。需要最新信息时，应提供最新材料或接入搜索，不能把知识截止日期当作网页实时检索的替代。
长上下文最实用的场景，是让多份材料同时参与判断。你可以把错误日志、设计说明和相关代码交给它核对；也可以让它检查一份合同和几封邮件里的承诺是否一致。不过资料越多，越需要按来源与日期组织。把旧稿与新稿混在一起，又不说明采用哪一个版本，很容易让最终结果同时包含两套要求。
还有一个容易看错的地方：模型支持电脑操作工具，不代表 API 本身能够看见你的桌面；模型支持图片生成工具，也不代表它的原生输出模态就是图像。执行环境必须把浏览器、文件、代码执行器或应用连接提供给它。介绍模型时把“能配合某类工具完成工作”和“直接输出某类媒体”区分开，读者才知道该从哪里开始。
三个 API 变化，分别解决什么问题
异步工具调用：独立工作可以先继续
官方指南列出异步工具调用。某个工具正在等待结果时，模型可以继续推理、调用其他工具，或者处理请求中不依赖这个结果的部分。开发者需要在适用的函数或自定义工具上设置 async: true，应用负责执行工具、管理等待状态，再通过原来的 call_id 返回结果。
一个实际例子是同时查三份供应商资料。如果其中一家的网站很慢，其他两份资料的整理可以继续。相反，如果下一步必须依赖支付是否成功，就应等待确认，不能因为有异步能力便猜测结果。异步的价值在于减少独立任务的空等，依赖关系仍然要由工作流正确处理。开发时可对照异步工具调用文档。
工作中补充要求：修正方向时保留已完成的部分
Mid-turn steering 允许在模型工作时补充用户指令。官方说明的是 WebSocket 下的 Responses 流程：收到修正要求后，把它包含到后续继续执行的上下文里，并保留已经完成的工作。例如原本要求做中文报告，过程中又补充“价格全部按美元展示，附上资料日期”，这类更新应影响接下来的整理，而不是让整件事重新从零开始。
应用需要处理事件和工具结果的顺序。已执行的外部操作并不会自动撤销，新的要求也不能让已经发生的事情变成没有发生。更好的产品体验是在修改方向时清楚展示已完成什么、后续怎样调整。完整事件流程见工作中调整指令说明。
改变推理投入：难的阶段多想，简单跟进少花
官方指南还说明，可以用 configuration_update 调整对话中的推理强度，避免为改变强度而重写原始提示前缀，帮助保留缓存。比如定位一个复杂故障时增加推理投入，随后让模型整理最终说明时再降低。这个功能有适用范围，接入前应核对推理配置的兼容条件，不能把某个客户端的界面选项直接照搬进 API。
工具调用的一次完整往返
图中的关键分工是：模型提出需要执行的动作，应用实际调用工具，再把结果传给模型。判断输出是否完整，要看工具有没有执行成功、回传了什么结果，以及模型有没有把结果用于后续判断。接入自己的函数时，从一个能够明确验收的动作开始，例如只读查询库存；确认参数、异常和返回格式后，再逐步增加其他操作。
第一次使用，给它一个怎样的任务
建议用你已经熟悉的工作做起点，因为你能判断结果是否正确。开发者可以挑一个能够稳定复现的问题；运营人员可以挑一份需要整理的产品资料；研究人员可以挑几篇已经读过的材料。先写明输入、目标、限制和验收结果，再逐步增加任务长度。
请检查这份 CSV 导入流程。
目标：同一批输入中和数据库已存在的重复记录都要识别。
约束：不改变现有字段含义；不删除历史记录。
请先给出原因，再做范围最小的修复。
验证：分别检查全新记录、批内重复、库内重复与空字段。
交付：修改文件、各测试结果，以及仍未验证的边界。这个例子没有要求模型输出很多字，而是把验收放进任务本身。你可以检查它是否真的验证了四种情况；如果环境不能运行测试，也能检查它是否如实说明了这个限制。相比只看回答是否自信，这种方式更容易发现实际问题。
资料研究也可以采用同样的方法。要求每个事实都有具体链接，标清资料日期，把未知信息留空。对方案建议，要求写出哪些条件变化会改变结论。例如工具定价比较，应先确定是按用户、token、调用次数还是任务收费，然后再比较，避免把几种单位直接放在一列里。
在 Codex、Work 和 API 中分别怎么用
在 Codex 或 ChatGPT Work 里，从模型选择器确认 Astra 是否可用。CLI 可以用 codex --model gpt-6-astra 开始。具体能访问哪些文件、浏览器、应用和账户，仍要看当前客户端与权限。企业和教育工作区在发布时默认关闭 Astra，需要工作区所有者开启；选了模型名称，并不能自动获得访问资格。
通过 API 构建应用时，用 gpt-6-astra 指定模型，使用 Responses 承载工具调用。Chat Completions 可以用于无工具请求。支持的推理强度是 low、medium、high、xhigh 与 max，不支持 none 与 minimal。当使用推理时，应按官方迁移指南清理不兼容的采样参数，而不是直接把旧请求里的全部字段保留下来。
最小接入可以先做一个文本任务，确认返回格式、消耗与超时处理，再加搜索或函数工具。下面的示例只展示请求结构，本文没有执行实际 API 调用。
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-6-astra",
reasoning={"effort": "medium"},
max_output_tokens=4000,
input="把以下验收要求改成一份逐条可检查的清单：导入重复识别、空值提示、失败回滚。"
)
print(response.output_text)费用：看单价，也看一件事最后花了多少
官方 API 价格中，Astra Standard 短上下文输入每百万 token 10 美元，缓存输入 1 美元，缓存写入 12.50 美元，输出 50 美元。超过 272K 输入 token 时，整次请求按长上下文计价，分别为 20、2、25 和 75 美元。这里说的是 API，不是 ChatGPT 订阅中已经包含的使用额度。
价格较高的模型是否更贵，要看具体任务。若一次更完整的执行减少了重试和人工补改，单次 token 单价不能完整解释总费用；如果它只是对一个简单字段反复推理，成本就可能上升。官方指南提到在部分评测中 Astra 以更少输出 token 得到更好结果，但这不能当成所有用户任务都更便宜的承诺。
评估时记录输入、输出、缓存、工具、重试和人工时间，按完整任务比较。把高难度分析交给 Astra，把已确认规则的重复转换交给适当的较轻模型，是一种可检验的分工思路。刚推出的 GPT-6.1 Sol 提供另一种成本与能力选择，但“接近 Astra”属于官方定位，具体能否替代仍应拿你的任务对照。
Ultrafast 能加快什么，哪些数字不能混用
API 的 Ultrafast 设置是 service_tier: "ultrafast"。官方建议频繁调用工具的应用优先考虑持久 WebSocket，以减少多次请求之间的网络开销。短上下文输入与输出分别为每百万 token 60 和 300 美元，明显高于 Standard。它支持美国数据驻留与全球处理，不支持欧盟及其他非美国区域处理端点。
Codex 与 Work 说明称 Astra Ultrafast 的 token 生成速度最高可达 Standard 的 8 倍；这个数字说的是生成速度，不是整项任务一定快 8 倍。网络等待、浏览器加载、工具运行和人工确认，都可能占用时间。订阅额度消耗与购买额度的倍率也有独立规则，不能和 API 单价混算。
我的判断是，Ultrafast 更值得在时间价值明确的场景里测试，例如需要连续交互的工具链，而不是先默认打开再看账单。保持任务、工具和验证标准一致，比较实际完成时间与费用，才知道速度档位有没有解决你的等待问题。
把成果核对完，才算工作结束
上线代码前看变更和测试，发布资料前核对来源与数字，交付表格前检查公式与关键单元格。模型更擅长持续执行，意味着它可以参与更多步骤，也意味着验收要跟着覆盖这些步骤。不要让“它已经说完成”替代实际检查。
进一步阅读：Astra 规格 · GPT-6 使用指南 · API Ultrafast · Work / Codex 模型选择。