There is no item in your cart
北京時間凌晨三點半，OpenAI 正式發布 GPT-6 Astra 模型的相關資訊。事實上，Agent（智能代理）進入瀏覽器、讀懂介面並連續完成多步操作的能力，在過去並非新穎概念。Astra 真正的推進重點在於：同樣是讓 AI 操作電腦，它能否做得更快、出錯更少，在更複雜的軟體環境中減少人為接管的次數，並留下真正可繼續使用的成果。本文將自官方評測數據、長任務改進，以及五個真實應用案例三個維度，系統性拆解 Astra 的實際能力與侷限。
一、官方定位與三大核心優勢
依據 OpenAI 官方推文所述：「This is GPT-6 Astra. 凡是在電腦上能做的，Astra 都能幫您做，而且速度很快。」此推文於發布後獲得熱烈迴響，互動數據包括留言 3.6K、轉推 25K、喜歡 152K、總瀏覽量 3,200 萬次。
OpenAI 將 Astra 的核心優勢歸納為三項：
- 更快：任務執行速度相較前代模型顯著提升；
- 更穩：在長時間流程中減少卡住、返工的機率；
- 更少接管：降低人為介入頻率，提升自動化完成度。
上述定位由 OpenAI 官方資料與首批創作者的公開實測共同佐證，而非僅為行銷口號。
二、官方評測數據：成功率與速度雙重提升
（一）同類電腦任務：成功率更高、速度更快
依據 OpenAI 公布的數據，於 OSWorld 2.0 基準測試中，Astra 的得分為 72.6%，GPT-5.6 Sol 為 65.7%；平均完成一項任務的耗時，Astra 約為 40 分鐘，GPT-5.6 Sol 則約為 75 分鐘。換言之，Astra 並非「突然學會了新技能」，而是將既有的電腦操作能力進一步推向「少卡住、少返工」的階段。
（二）專業工具支援：從瀏覽器延伸至桌面軟體
Astra 的任務覆蓋範圍已擴展至 Premiere、CAD、Blender、Unreal Engine 等專業創作工具，以及財務核對、科研軟體等專業領域。在 BenchCAD 測試中，Astra 得分 95.9%，GPT-5.6 Sol 為 83.3%；於 AutomationBench 中，兩者得分分別為 41.4% 與 18.1%。
此項進展的關鍵意義在於：Astra 開始處理過去被視為「需要高度專業知識」的桌面軟體任務，而不再僅限於瀏覽器內的網頁操作。
三、長任務處理能力的具體改進
相較於過往的 Agent 設計，Astra 於長任務場景下展現三項明顯改進：
- 保留原目標：面對中途新增的補充資訊，仍能持續聚焦於最初設定的任務目標；
- 接受中途調整：使用者於任務進行中改變方向時，能靈活配合；
- 懂得何時詢問：一般細節會結合上下文自行判斷，真正影響結果的決策則會主動停下詢問。
此一改變意味著 Agent 的能力並非「從無到有」，而是從「看起來能做」邁向「更接近可以交活」階段。
四、開放時程與「重置卡」補償機制
Astra 目前採分批限量開放機制，尚未對所有付費使用者全面開放。OpenAI Codex 負責人 Tibo 於 X 平台宣布，自發布日起，付費 ChatGPT 計畫用戶每等候一天未能取得 Astra 訪問權限者，將獲發一張「完全重置」卡作為補償，首張補償卡約於公告後三小時內到位。
作者實際查詢帳戶後確認，已收到兩張「完全重置」卡，分別於 9 月 21 日與 10 月 4 日到期，可手動啟用於 Astra 任務。
五、五個真實應用案例
案例一：Premiere 視頻剪輯
從事視頻剪輯的工作者皆知，剪輯過程中最耗時的環節並非構思轉場建議，而是「找素材、對軌道、調節奏」，並反覆確認修改後整條時間線是否保持一致。這項作業極為複雜且考驗耐心與準確度。
於 Every 團隊的公開實測影片中，Astra 能直接進入 Adobe Premiere Pro 軟體內部，於一條已放入真實素材、音訊與多層軌道的時間線上繼續編輯作業。這意味著 Astra 並非僅於對話框中列出剪輯步驟，而是開始面對專業軟體中不斷變化的素材狀態，於軌道、預覽視窗與素材狀態同時變動的環境中推進任務，相較過往 Agent 剪輯能力被評為「質的飛躍」。
不過，由於影片未公開完整的提示詞、總耗時、修改輪數與最終成片驗收方式，目前仍難以斷定 Astra 是否已具備成熟的剪輯能力，但確實已具備初步雛形。
案例二：CRM 客戶分配流程自動化
CRM（客戶關係管理）的常見任務為：新客戶進入系統後，自動判斷該筆線索應分派給哪位負責人（A 或 B），再由正確人員生成定制郵件與日曆邀請。@How I AI 的 Claire Vo 表示，她曾親自操作此流程，耗時一小時仍未順利完成。
Astra 接入既有工作流後，自主完成以下作業：
- 分析背景資訊；
- 新增「判斷客戶歸屬」的決策節點；
- 補上兩條負責人分支邏輯；
- 重新串接後續動作；
- 配置郵件所需欄位（收件人姓名、主旨、客戶摘要等）；
- 最終接上 Slack 通知節點，將生成的郵件以「待審草稿」形式提交人工檢查。
此案例彰顯 Astra 的核心能力：能將自然語言中的業務規則，翻譯為軟體流程中的判斷節點、分支邏輯與待審結果，並於流程末端加入人工覆核機制以確保品質。
案例三：Blender 與 Unreal Engine 遊戲原型開發
YouTuber @Matt Wolfe 並不熟悉 Blender（3D 建模與動畫軟體）與 Unreal Engine（遊戲與即時 3D 場景開發引擎），但在 Astra 協助下，順利完成一款可運行的遊戲原型。實際操作流程與耗時如下：
- 第一次提示後，Astra 約耗時 8 分鐘 生成第一版人形狼角色模型；
- 第二次提示後，Astra 約耗時 6 分鐘 移除底座、綁定 50 根骨骼，並生成 8 秒循環動畫；
- 隨後，Astra 於 Unreal Engine 5.7 中耗時約 35 分鐘 生成森林場景，將角色整合進場景，使其可執行移動、奔跑與跳躍等動作。
誠然，最終成果仍屬粗糙原型，距離專業遊戲的品質標準尚有差距。然而，此案例證明 Astra 確實能協助非專業人士快速產出可運行的原型，大幅降低 3D 內容創作的入門門檻。後續的審美調整、動作打磨、性能優化與正式交付等環節，仍需仰賴專業能力。
案例四：連續五日運行的《模擬城市》開發實驗
YouTuber @Matthew Berman 進行了一項更長期的測試：運用 Astra 結合 /goal 長任務模式（讓 Agent 持續圍繞單一目標推進的指令模式），製作一款類似《模擬城市》的 3D 城市建造遊戲。此項任務連續運行五天，遊戲場景中已陸續出現道路、住宅區、商業區、鐵路系統、能源設施、人口統計與城市資金等多項核心系統。
實測結果顯示：
- 使用
/goal模式時，Astra 可將複雜任務連續推進數日； - 未使用
/goal模式時，Astra 約每 30 分鐘便會停下，需人為介入調整提示。
此案例提醒使用者：即使 Astra 具備長任務耐力，「持續執行」並不等於「已完成」。因此於任務啟動前應預先設定明確的驗收標準，否則 Agent 可能無限擴建功能，無法判斷何時應交付成品。
案例五：41 份文檔審閱（最貼近日常工作的案例）
於 OpenAI 官方案例中，Astra 於單次 Agent 運行中審閱了 41 份文檔，並成功找出全部 4 個預先埋入的錯誤。客戶 Legora（一家位於歐洲的科技新創公司）表示，此項財務核對工作過去通常需耗費一整晚甚至數日，Astra 僅於數分鐘內即完成第一輪核對，並留下完整的檢查記錄，供專業人士後續判斷。
關鍵成效數據：
- 相較 Legora 既有基準，財務報表流程的表現提升 40%；
- 於單次 Agent 運行中，於數分鐘內完成 41 份文檔審閱；
- 於預先埋入的錯誤中，4 項全部正確識別。
此案例或為多數職場工作者最為需要的綜合能力：將重複性高、耗時長的文件審閱作業，大幅縮短為可於短時間內完成的第一輪核對，並保留完整的稽核軌跡供人工覆核。
六、已知局限性
儘管 Astra 於任務執行能力上展現明顯進展，首批創作者的實測亦揭露若干待改進之處：
- 長任務仍需專門提示：欲使 Astra 連續運作多日，須採用
/goal等特定長任務模式； - 設計風格單一：Astra 生成的頁面常帶有相似的綠色調、柔和配色與平面化設計，新意有限；
- 寫作仍帶有「AI 味」：相較前代已有提升，但文字仍可辨識為 AI 生成。
整體而言，Astra 此次提升最為明顯的面向，偏向「任務執行能力」，而非審美、寫作或產品判斷等相關能力。
七、結語：真正好用的 AI，應潤物細無聲
過去，使用者經常扮演 AI 與各種軟體之間的「傳送帶」：讓 AI 撰寫方案，再手動複製至表格或網頁；軟體報錯後，再將錯誤訊息複製回來詢問 AI。舊一代的 Agent 雖已能協助處理部分搬運作業，但仍經常卡住、做錯、跑偏，或需使用者不斷接管。
Astra 此次的突破重點，正是於同樣的任務執行過程中，大幅降低人為接管的次數，並提升整體準確率。對一般使用者而言，真正好用的 AI，應能於無形之中完成工作，低調且可靠，讓使用者減少協助與分神，使任務得以流暢完成。
讓我們一同期待大模型持續進化。
