OpenAI发布GPT-6 Astra，定价为上一代2.5倍，却瞄准长任务与高价值场景。105万token上下文、异步工具调用与中途调整，让模型成为能连续工作的执行者。本文拆解其定价逻辑、长上下文成本与分层使用策略，探讨贵模型如何真正省钱。

9 月 3 日，OpenAI 发布 GPT-6 Astra。

公司总裁 Greg Brockman 在媒体说明会上把它称为一次代际跃升，还说自己相信 OpenAI 已经达到通用人工智能。官方模型页面给出的产品说法更具体。Astra 面向复杂推理、编程、电脑操作、研究与文档制作，拥有 105 万 token 的上下文窗口，单次最多输出 12.8 万 token。

能力之外，另一组数字更容易影响开发者的选择。

Astra 每百万输入 token 收费 10 美元，每百万输出 token 收费 50 美元。上一代 GPT-5.6 Sol 对应价格为 4 美元和 20 美元。相同 token 数量下，Astra 的输入与输出都贵 2.5 倍。

它也没有立刻向所有人开放。首批使用者来自 OpenAI 可信访问计划中的少量机构，Plus、Pro、Business、Enterprise 和 API 用户要在随后几天陆续获得权限。

Astra 展示的产品变化很清楚。最强模型开始被单独定价、分批开放，并被设计成可以连续完成长任务的高级劳动力。

OpenAI 发布 GPT-6 Astra

01 先算一笔账

每百万 token 的价格很抽象，放进一次任务就容易理解。

一项普通任务如果使用 10 万输入 token，再生成 1 万输出 token，Astra 的基础 token 费用约为 1.5 美元。换成 GPT-5.6 Sol，大约是 0.6 美元。这里没有计算网页搜索、电脑操作和其他工具费用。

长任务会触发另一套规则。OpenAI 规定，输入超过 27.2 万 token 后，整次请求的输入和缓存价格变成两倍，输出价格变成 1.5 倍。一项使用 30 万输入 token、生成 5 万输出 token 的任务，Astra 的 token 费用约为 9.75 美元。

如果一个智能体每天执行 100 次这样的任务，一个月只算 token 已接近 3 万美元。失败重试、搜索和电脑操作还会继续增加账单。

模型价格因此不能只看一次对话。Astra 想进入的是律师审阅几十份文件、工程师修改大型代码库、智能体跨多个软件连续工作这样的场景。任务价值更高，输入也更长，成本会从几分钱变成一笔需要管理的业务费用。

账单还会沿着产品的使用方式放大。一个面向内部员工的工具，可能只有几百名使用者，却会在每次任务里反复读取公司资料。一个面向消费者的产品，单次输入很短，每天的请求量又可能达到数百万次。两类产品都不能看到能力提升就统一换成 Astra。前者要控制一次任务带入多少历史内容，后者要控制有多少请求真正需要最强推理。模型选择开始影响毛利，财务团队最终也会参与过去只由工程师决定的路由规则。

Astra 与 GPT-5.6 Sol 的基础 token 价格相差 2.5 倍

02 长上下文的税

105 万 token 的窗口意味着，Astra 一次可以接收大型代码库、几十份文件或很长的工作记录。这个能力解决了模型反复丢失背景的问题，也带来一项容易被忽略的成本。

超过 27.2 万 token 后，价格上调针对整次请求，并非只对超出的部分收费。把 30 万 token 全部塞进去，输入单价从每百万 10 美元变成 20 美元。输出单价也从 50 美元变成 75 美元。

OpenAI 同时提供每百万 token 1 美元的缓存读取价格，只有普通输入价格的十分之一。缓存写入则收费 12.5 美元。对反复使用同一批资料的应用来说，如何组织提示词与缓存边界会直接决定成本。

这会改变开发团队的工作。以前大家先问模型能不能读下全部材料，Astra 让答案更接近能。下一步却要问，哪些资料值得每次带上，哪些应该缓存，哪些可以先由便宜模型筛选。

长上下文扩展了模型的工作范围，也把信息整理重新变成一项工程任务。

这会催生一套更细的输入管理。系统先判断新问题需要哪些文件，再只取相关段落。稳定不变的说明、代码和规则写进缓存，临时搜索结果按任务加入。任务结束以后，还要决定哪些中间记录值得留到下一轮。上下文窗口有 105 万 token，不代表每次都应该把它填满。容量越大，随手塞入重复材料的代价越高，模型在无关信息里寻找关键事实也会更困难。

Astra 的长上下文在 27.2 万 token 后进入更高价格区间

03 为长任务而生

Astra 新增的几项功能，都指向持续时间更长的工作。

异步工具调用允许模型在外部工具运行时继续思考，调用其他工具，或先回答互不依赖的问题。过去，模型发出一个工具请求以后常常停在那里等待结果。现在，一个耗时查询不必挡住整个任务。

中途调整允许用户在模型工作时补充要求或纠正方向。用户在模型工作时追加新指令后，系统保留已经完成的部分，从当前位置继续。这很像你在同事工作一小时后补一句要求，他不用把前面的工作全部扔掉。

开发者还能在同一次对话里改变推理强度。简单跟进使用较低强度，遇到难题再调高，同时保留提示缓存。它解决的是长任务里每一步难度不同的问题。

这些功能放在一起，Astra 更像一个会使用电脑、能够等待外部系统、接受中途修改的执行者。模型升级的重点逐渐从答得更好，转向把一件事情做完。

异步工具调用还改变了速度的计算方式。传统智能体依次完成搜索、数据库查询和文件处理，只要其中一个接口响应慢，整个流程就停住。Astra 可以在等待一项结果时推进不依赖它的步骤，把总耗时从所有步骤相加，压到更接近最长那一步。节省的未必是 token，更多是用户等待的时间。对研究、客服排查和跨系统运营这类任务，十分钟后交付完整结果与每隔几分钟停下来等待确认，属于两种不同的产品体验。

异步调用、中途调整与推理强度切换共同服务长任务

04 41 份文件

OpenAI 为 Astra 发布了两个客户案例。它们来自供应商与客户联合测试，不能替代独立评测，却能说明公司希望模型进入哪类工作。

法律科技公司 Legora 让 Astra 检查一组财务报表。任务要把草稿账目中的每个数字，与试算表、合并明细和上一年度报表逐项核对。人来做，可能占用一个晚上，复杂时会持续几天。

Legora 称，Astra 在一次运行里检查了 41 份文件，几分钟内完成第一遍核对。测试人员事先放入四处错误，其中包括收入附注里 50 万英镑的差额，模型全部找到。Legora 还称，它比上一代模型多完成约 50 项检查。

在这项特定流程上，Legora 的内部基准提高接近 40%。扩展到该公司全部智能体任务后，平均提高约 3%。两个数字差别很大，说明单个漂亮案例不能代表所有工作。

人仍然负责最后判断。Astra 做的是耗时的逐项比较，并留下检查记录，让专业人员知道它查过什么。

Legora 用 Astra 在一次运行中核对 41 份文件

05 自己做完再检查

游戏开发公司 Playco 测试了另一类工作。它的 Playbot 可以进入 Unity 和 Godot，修改场景、运行游戏、测试结果并继续修正。

团队先搭好一个没有美术主题的灰盒原型，再让 Astra 从同一基础做出三个不同主题的游戏版本。Playco 称，大多数原型第一次就能工作，其中一个赛博朋克版本需要修复性能问题。

与上一代模型相比，Playco 报告人工修正减少 50%。负责产品的工程师 Joao Vieira 认为，Astra 对空间位置、参考图、界面适配和游戏手感的处理都有改善。

这个案例的变化发生在验证环节。模型写完代码以后，还能进入游戏引擎亲自运行，发现错误，再修改结果。过去的编码模型经常停在生成文件，产品是否真的能玩仍要人逐步检查。

OpenAI 把电脑操作、代码解释器、托管终端、网页搜索、文件搜索和补丁修改等能力围绕 Astra 组织在同一套工作流程里。开发者除了为文本生成付费，还可能为工具调用与执行环节承担额外费用。

Playco 让 Astra 在游戏引擎里修改、运行和检查原型

06 贵也可能省钱

每个 token 贵 2.5 倍，不等于每项任务一定贵 2.5 倍。

OpenAI 在开发指南里称，Astra 在多项评测中使用更少的输出 token 完成更强结果，因此估算的单任务 API 成本可能低于早期模型。这是官方测试结论，具体应用需要自己测量。

一项任务的成本包括首次运行、失败重试、人工复核和最终返工。如果便宜模型需要尝试三次，Astra 一次成功，后者即使单价更高也可能更省。如果两种模型都能一次完成，使用 Astra 就只是多付钱。

真正的比较单位应该接近一份验收过的结果。假设便宜模型运行一次花 1 美元，只有一半任务可以直接通过，它的平均模型费用已经接近每份 2 美元，还没有算人工检查和重新下指令。Astra 单次花 1.5 美元，只要通过率明显更高，总成本就可能更低。反过来，摘要、分类和固定格式提取原本就容易通过，昂贵模型几乎没有减少返工的空间。企业需要在自己的资料和流程上记录成功率，官方评测无法替它完成这笔账。

Legora 的整体基准平均只提高约 3%，特定财务流程却提高接近 40%，正好说明路由的重要性。高价值、长材料、失败代价大的任务更适合贵模型。分类、摘要和格式转换仍可以交给更便宜的模型。

以后衡量模型价格，重点会从每百万 token 转向每一件完成并通过检查的工作花多少钱。

高单价模型能否省钱取决于成功率、重试与人工返工

07 分层使用

OpenAI 的价格表已经像一张模型阶梯。

GPT-5.6 Luna 每百万输入与输出 token 分别为 0.2 美元和 1.2 美元。Terra 为 2 美元和 12 美元。Sol 为 4 美元和 20 美元。Astra 走到 10 美元和 50 美元。最便宜与最贵之间，输入价格相差 50 倍，输出价格超过 41 倍。

这意味着一家产品公司很难再让所有请求默认使用最强模型。用户问一句简单问题，先由 Luna 或 Terra 处理。任务需要查很多资料、使用电脑或承担较高错误成本，再转给 Sol 或 Astra。

缓存、批量处理和弹性模式也会成为产品设计的一部分。Batch 与 Flex 的价格为标准模式一半，适合不着急的后台任务。Fast 模式是相应价格的两倍，买的是更快响应。

模型公司的产品正在接近云计算。用户不会只买一台最强机器，而会按任务选择不同规格，再用调度系统控制成本。

这种分层会直接进入产品界面。用户可以手动选择模型，系统也可以先用便宜模型判断难度，在置信度低、材料过长或工具调用失败时升级。后台还需要给每类任务设预算上限，防止一个循环中的智能体连续重试。过去模型路由常被当成体验优化，Astra 的价差会让它成为财务纪律。调用更强模型要能解释它多解决了什么问题。

计费记录也要跟着任务走。只统计整家公司一个月用了多少 token，管理者看不出钱花在了哪里。更实用的做法是记录每类任务调用了哪个模型、用了多少输入与输出、是否成功、经过几次重试，以及最后需要多少人工修改。产品团队才能发现某个流程适合升级到 Astra，另一个流程应该退回 Terra。模型的能力更新很快，这份账也要持续重算，不能在发布当天选定以后长期不动。每次模型或价格变化，团队都应该用同一批真实任务重新比较。

OpenAI 用 Luna、Terra、Sol 与 Astra 形成明显价格阶梯

08 准入产品

Astra 发布时最反常的一点，是价格已经公开，产品却还没有全面开放。

可信访问计划中的少量机构先用，其他付费用户和 API 开发者等待分批开通。免费层不支持 Astra。OpenAI 还会对使用工具的 Astra 运行额外监控，必要时暂停或停止任务，让用户检查以后再决定是否继续。

这套发布方式说明，前沿模型已经很难像普通软件功能一样在同一天推给所有人。计算资源、产品稳定性和风险控制都会限制开放速度。用户拿到 API 密钥以后，仍然受到账号层级、使用范围和平台持续观察的约束。

分批开放也让模型发布变成供给管理。OpenAI 要先观察真实任务消耗多少计算，工具调用会在哪里失控，用户愿意为哪些任务支付高价，再扩大名额。公开价格先给开发者一个成本预期，有限准入则给平台留下调整容量与产品规则的时间。对等待接入的公司来说，发布日与真正可用日已经不再是同一天。

Greg Brockman 可以在发布会上强调这是一场重要跃升，产品页面却仍写着未来几天逐步开放。发布叙事很大，实际交付仍要一批批账号打开。

对普通用户来说，最可靠的判断标准很简单。账号里什么时候真的出现，任务能不能完成，成本是否值得。

Astra 采用先少量机构、再逐步扩大的分批开放方式

09 高级劳动力

Astra 的发布没有让所有旧模型失去意义。它反而把模型之间的分工说得更清楚。

Luna 处理大量便宜请求，Terra 与 Sol 承担中等难度工作，Astra 进入长时间、跨工具、失败代价高的任务。开发者要决定何时升级模型，就像公司决定哪件事交给实习生，哪件事需要资深员工。

这个比喻也有边界。模型没有人的责任与判断，失败以后仍由使用它的公司承担后果。Legora 在案例里保留专业人员最后审核，正是因为模型能够完成检查，不能替律师对结果负责。

OpenAI 给 Astra 的 50 美元输出价格，正在测试市场愿意为更高成功率与更长执行过程支付多少。105 万 token、异步工具、中途调整和电脑操作把模型送进更完整的工作，昂贵的单价也迫使产品团队认真计算每一步。

最强模型不会接管所有请求。它会先成为一小部分高价值任务的高级劳动力，再由实际完成率决定能走多远。

资料来源：

•OpenAI 的 GPT-6 Astra 官方模型页面原文 https://developers.openai.com/api/docs/models/gpt-6-astra

•OpenAI 的 GPT-6 Astra 开发与迁移指南原文 https://developers.openai.com/api/docs/guides/latest-model?model=gpt-6-astra

•OpenAI 企业与 Codex 模型价格表原文 https://help.openai.com/en/articles/20001415-chatgpt-rate-card-enterprise-token-based-pricing

•OpenAI ChatGPT 更新说明中的 Astra 开放范围原文 https://help.openai.com/en/articles/6825453-chatgpt-release-notes

•OpenAI 发布的 GPT-6 Astra 系统卡原文 https://deploymentsafety.openai.com/gpt-6-astra/vision

•OpenAI 对 Astra 使用与监控方式的概述原文 https://openai.com/index/safety-overview-gpt-6-astra/

•OpenAI 与 Legora 的 41 份文件测试案例原文 https://openai.com/index/legora-financial-statement-review-with-astra/

•OpenAI 与 Playco 的游戏原型测试案例原文 https://openai.com/index/playco-game-prototyping-with-astra/

•Axios 对 Astra 发布、训练规模与开放节奏的报道原文 https://www.axios.com/2026/09/03/openai-astra-gpt-6-agi-brockman

•TechCrunch 对 Astra 发布说明会的报道原文 https://techcrunch.com/2026/09/03/openai-launches-astra-its-powerful-and-controversial-new-model/

•OpenAI 对真实工作任务评测 GDPval 的说明原文 https://openai.com/index/gdpval/

•OpenAI 对长时间智能体工作变化的研究原文 https://openai.com/index/how-agents-are-transforming-work/