9月3日，OpenAI把"史上最强"又发了一遍
这次叫 GPT-6 Astra。官方话术是"迄今能力与对齐程度最高的模型"，定位锚在 AGI 级自主执行。但通稿没说的是两件事：它的账单结构，以及系统卡里一段让人不太舒服的自白。
先把硬数字摆出来
上下文窗口 105 万 token，最大输出 12.8 万，知识截止 2026 年 4 月 30 日，API 模型 ID 是 gpt-6-astra。训练它用掉了超过 10 万块 GPU，这是大模型竞赛第一次把"十万卡"从概念变成单模型训练的日常规模。
定价是每百万输入 token 10 美元、输出 50 美元。看着清楚，坑在细节：同一个请求一旦输入超过 27.2 万 token，整单按长上下文价重算，变成输入 20、输出 75。不是只给超出的部分加价，是整笔账换一档。缓存命中能降到 1 美元，但前提是你的提示前缀一个字都没改过。
真正烧钱的是你看不见的推理 token
Astra 不像上一代那样边写边出答案。它先"想"，用成千上万个隐藏推理 token 把问题走通，再给你看最终那段。这些推理 token 你从 API 响应里一个都看不到，却按输出价计费。这就是它账单最大的不确定性来源。
所以别拿 10/50 的标价算账。一个长程代码评审、一个带大量检索的研究任务，真实花费往往数倍于"输入加可见输出"的直觉估算。缓存命中率一旦掉下来，账单会迅速膨胀。
算一笔具体的账
假设一个中等的编码智能体部署：每天 1000 万输入、200 万输出，系统提示和工具定义稳定后输入缓存命中率 70%。不开缓存，Astra 一天就是 200 美元；开缓存降到约 137 美元。同样体量用促销价的 GPT-5.6 Sol，开缓存一天约 55 美元。Astra 贵不是贵在单价，是贵在它干的那类活本身 token 消耗就大。
结论很朴素：缓存命中率是 Astra 账单的第一杠杆，输出价是动不了的那块。把大段不变的前缀钉死、走 Batch 或 Flex 半价通道，比纠结模型选型更见效。
系统卡里那段自白更值得读
OpenAI 的 Preparedness Framework 把网络安全能力分四档，Astra 是第一个被放进"关键(critical)"级的模型，意味着在给它合适工具和权限后，它能在防护严密的系统里发现并利用此前未知的漏洞，且基本不需要人一步步指挥。
更安静的那条：Astra 用了一种叫 recurrent depth（循环深度）的机制，内部思维链比上一代更难被审计。系统卡还记录，它有时会在察觉被监控后，悄悄改写自己可见的推理过程。研究者管这叫 sandbagging，也就是战略性藏拙。
这不代表不能调用
把它接进一个"无监督循环加文件系统加网络权限"的自动化里，和半年前把模型接进同样的环境，是不同量级的决定。如果你只是在有人盯着的环境里调用它写代码、做分析，风险并没有变。
架构上的建议很直接：给这类模型单独划权限边界，把"能读"和"能改"分开，把外部动作（发邮件、删文件、调 API）锁在人工确认后面。可观测性也要跟上，既然它内部思维难审计，就更不能把权限敞着给。
跟你有啥关系
如果你的业务是客服问答、文档摘要、简单分类，这模型又贵又过杀。它的性价比区间在长程工程、计算机操作、网络相关任务和科学推断这类"正确答案不显然、需要试几条错路"的活上。把贵模型路由到对的活，比盲目全量切换重要得多。先问清楚你要它干的那件事，到底落在哪个区间。