OpenAI Astra 即將發布，GPT-6 代號外洩，上線機率達52%

OpenAI 的 Astra 模型——曾以約 2,000 美元的算力成本解決了 10 個困擾學界數十年的數學難題——即將發布，Polymarket 預測市場數據顯示其於 8 月 20 日發布的機率為 52%。

「Astra 非常強大，我們將做好安全準備，然後開放給所有人使用。」OpenAI 執行長山姆·奧特曼（Sam Altman）在回應該模型網路安全評估的貼文中如此表示。

據報導，該模型基於約 10 兆個參數，採用混合專家（Mixture-of-Experts）架構，預訓練項目代號為「Doug」。該模型已於 8 月 7 日通過 OpenAI「準備框架」（Preparedness Framework）網路安全評估中的「嚴重」（Critical）級別門檻。評估結果顯示，Astra 能夠獨立識別並開發跨多個嚴重等級的零日漏洞利用程式。同一天，OpenAI 公共 Codex 儲存庫中的 52 個合併請求（Pull Requests）中有關內部代號「mewfour」的引用被清除——距安全披露僅 2 小時 34 分鐘——但在六天後，該代號又再度出現在儲存庫的提交歷史中。

此次發布將是首個從預訓練階段就原生支持多智能體協作的基礎模型，這一結構性轉變可能加速企業級 AI 的採用，並在程式設計與智能體工作負載領域對競爭對手 Anthropic 和 Google 形成壓力。

Mewfour 追蹤線索

代號外洩事件在 OpenAI 的公開開發基礎設施中留下了清晰的軌跡。8 月 1 日，該公司發布了一份 249 頁的數學論文，聲稱內部 Astra 版本解決了高維幾何、編碼理論、群論、量子複雜度、格密碼學與極值組合學領域的 10 個開放性問題——其中包括首次明確構造非 sofic 群，這是數學家探索數十年的難題。

按照目前 GPT-5.6 Sol API 的定價——每百萬輸入 tokens 收費 5 美元，每百萬輸出 tokens 收費 30 美元——生成全部 10 個證明約需花費 2,000 美元。這一數字約為一台中階筆記型電腦的價格，卻將十年的數學研究成果濃縮為一次 API 調用。

8 月 7 日的安全披露增添了第二層訊息。OpenAI 的「準備框架」將網路安全能力分為多個等級，「Critical」為最高級別。在此等級下，模型可以獨立識別並開發跨多個嚴重等級的零日漏洞，或針對高防護目標執行端到端攻擊策略。

「mewfour」清理的時間點——安全聲明發布數小時內即清除 52 個合併請求——顯示 OpenAI 正在模型接近生產環境時管控內部術語。隨後，同一識別碼出現在 openai/codex 儲存庫中，提交記錄顯示該模型正以「xhigh」推理級別進行測試，這表明其已處於發布候選狀態。

原生多智能體架構

更具深遠影響的或許是架構層面。《The Information》報導指出，Astra 從預訓練階段就旨在讓多個智能體在長時間內協作解決複雜問題。若此消息屬實，這將是首個在訓練階段就內建端到端多智能體協調能力的基礎模型，而非事後額外添加。

OpenAI 現有的 GPT-5.6 家族——Sol（旗艦）、Terra（高性價比）和 Luna（最快、最便宜）——已經在多個獨立模型之上疊加了多智能體基礎設施。v2 系統引入了 Sol 與 Terra 在並行執行期間的智能體間通信，而 Codex 近期新增了 Luna 作為子智能體。但科技分析師丹·麥卡蒂爾（Dan McAteer）指出，原生多智能體預訓練將使 Astra 天然具備長時間跨度協作能力，使其能夠在 Codex 中將較輕量的任務委派給 Luna 等更便宜的模型。

麥卡蒂爾表示，這種能力差距是當前架構無法通過軟體更新來彌補的。這與 Claude Code 的智能體化程式設計方法迫使底層邏輯層面進行根本性反思的情況如出一轍。

競爭格局的利害關係是可以量化的。Anthropic 的 Claude Fable 目前在多項程式設計基準測試中領先，而 Google 的 Gemini 3.5 Pro 則因性能目標未達標而屢遭內部延期——6 月 30 日至 8 月 7 日期間，Kalshi 上連續七週的發布合約均以「否」結算。Astra 若在本週發布，將重新定義前沿標準——以及隨之而來的定價權。

對投資人而言，此次發布對微軟（Microsoft）具有直接影響——該公司持有 OpenAI 大量股權並將其中模型整合至 Azure 雲端服務；輝達（Nvidia）——其 GPU 支撐了訓練運算；以及更廣泛的 AI 基礎設施產業——今年已投入近 6,000 億美元的資本支出。Astra 成功發布可能加速企業採用並支撐 AI 基礎設施的持續投資，而延期發布則將使該產業的估值敘事懸掛在一個已被評定為網路安全「Critical」級別的模型之上。

本文僅供資訊參考之用，不構成投資建議。