GPT-6 Astra 多模态实测：3D 迷宫、建模与空间推理表现

一边是迷宫里只拿到 14 分，另一边是看完一段浴室视频，就帮人设计出能装上的 3D 打印零件。GPT-6 Astra 的这两种表现，出现在同一批开发者实测中。

比起再列一遍发布会跑分，这组案例更适合回答一个实际问题：准备把 Astra 接入建模、可视化或电脑操作任务的开发者，究竟能把哪一步交给它？

先说结论：

• MazeBench 公布的 Astra 成绩是 14%，对应关闭 Python 的 ASCII 输入配置，不是直接观看 3D 视频的成绩。
• 开发者报告了从测量视频到 Fusion 360 参数化模型、再到零件试装的完整案例，但人仍参与了测量、确认和打印。
• 频谱猜音、分子演示和 48 关游戏各有看点，不能合并成一个“已经掌握物理世界”的结论。

以下依据截至 2026 年 9 月 8 日的基准记录与作者原帖整理，不是本站独立复测。中文 X 截图使用中文机器翻译，帖内模型输出及图表保留原貌；点击图片可查看原尺寸。

一、3D 空间推理突破：MazeBench 上的探索与偏科

MazeBench 由 Jonathan Pappas 和 David Pappas 在 7 月底公开。它有 200 多个房间、100 颗计分宝石，还包含推箱子谜题、电梯砖、可开关的墙和打滑的冰面。

模型通过 MCP（让模型调用外部工具的协议）使用 11 个基础动作：4 个移动、4 个视角转换，以及撤销、重置、传送。相机有 20 个观察角度，一道谜题可能需要规划 100 步以上。走到宝石旁边不算结束，还得弄清哪一块箱子先推、哪个机关会挡住回程。

这里要区分环境和输入：世界本身是三维的，但 Astra 这次在公开排行榜记录中属于 ASCII、无额外工具组，使用字符表示场景，Python 被关闭。它考验空间状态理解和行动规划，不能直接当成视频视觉识别成绩。

14% 登顶，但远没有走完整张地图

测试团队公布，Astra 花了 60 多个小时，最终计入排行榜的成绩为 14%。此前公布的无 Python 成绩不超过 1%；这次对比图中，Fable 5.1 为 2%。使用 Python 编写求解程序的旧成绩属于另一种配置，不能和这里直接排在一起比较。

MazeBench 公布 Astra 的 14% 成绩。（中文机器翻译）原帖。

热力图里，Astra 的探索范围明显大于 Fable 5.1。不过“范围更大”不是“遍历全图”：截至 9 月 7 日的暂停快照，记录为访问 256 个房间中的 103 个，计分宝石为 14 颗。记录还注明，运行期间引擎和关卡有过修改，统计包含回滚前的尝试，另有一颗宝石被排除计分。这是一份带过程说明的长任务记录，不是固定条件下多次运行的平均成功率。

Fable 5.1 与 Astra 的探索轨迹；颜色覆盖范围不等于已解开的谜题数量。来源：测试团队原图。

“批量出招”省了什么？

测试团队把“一步一回复”改为一次输出 10—20 步动作，并报告 token 消耗从约 30 亿降到 3.5 亿。按这两个近似数计算，降幅约 88%。token 是模型处理和生成文本的计量单位，不直接等于费用。

同一条帖子里的“便宜 3 倍、思考时间增加 60%”，说的是 Klotski 滑块谜题的那次比较。不能把这组成本和时间变化套到整场迷宫测试上。少往返能减少重复上下文，但动作一次发得更多，也减少了中途根据新情况调整的机会。

空间理解的短板同样具体。作者观察到，Astra 偏爱俯视角，容易忽略只能从某些角度看到的墙，把碰壁当成遇到了“隐形障碍”。超过三层高的堆叠谜题，也明显增加了困难。它更会探索了，却仍会把立体问题压成平面问题。

二、多模态能力：从视觉到物理世界的映射

1. 看测量视频，在 Fusion 360 中设计零件

Daniel Griesser 的案例从头发堵住浴室地漏开始。他录制了约 4 分钟视频，边说明问题，边用数显卡尺测量零件。

据他描述，Astra Ultra 对齐了视频中的测量动作与语音，先提出方案、生成交互式草图；得到确认后，再通过电脑操作进入 Fusion 360，建立可修改尺寸和特征的参数化模型。他追加了一句“加些圆角”，模型继续修改，最终打印出的零件首次试装便能装上。

Daniel Griesser 展示地漏零件的设计与试装，并说明 Astra 在 Fusion 360 中保留了参数化建模过程。（中文机器翻译）原帖。

这个案例的价值不只是“画得像”。模型需要知道卡尺此刻测的是哪个位置，再把尺寸变成能制造的几何形状。作者也明确说，零件本身并不复杂；首次装得上，并未验证长期耐用性、材料选择或批量制造公差。人仍负责拍摄测量、确认方案和打印安装。

2. 看频谱猜声音：狗叫与光剑不是同一种结果

Max 的测试没有直接给模型音频，而是给了一张梅尔频谱图：横轴是时间，纵轴按人耳感知方式排列频率，颜色表示声音在各频段的强弱。

Astra 猜测是“反复的狗叫，带粗糙的低吼”，还写出“woof-woof, woof…”的节奏，并用低频主体、重复共振带和高频噪声边缘解释判断。回答本身标注了“最佳猜测”和“中等置信度”，比简单宣布“识别正确”多了一层信息。

Max 分享频谱猜音结果。（帖子中文机器翻译，模型输出为原文）原帖；狗叫回答原图。

光剑那张则经历了一次追问。完整对话原图显示，模型先猜电机或微波炉等机械嗡鸣；用户要求“再仔细看，试着听出来”，并未透露光剑这个答案。第二次回答才提出光剑点火、持续嗡鸣和熄灭，同时注明“仅凭频谱图不能确定”。这说明模型能在追问后重新考虑解释，不是第一轮就准确识别了声音。

光剑音效与频谱中的起始、持续嗡鸣和结束段。来源：Max。

3. 把药理机制做成可以旋转的分子演示

Andrew Aiginin让 Astra 解释 Ozempic（司美格鲁肽）的作用机制，并称一小时后得到了一个交互式分子旅程。演示包含 11 个章节，从 GLP-1 受体结合，到 cAMP 细胞内信号传递，再到胰岛素相关过程，配有可旋转、缩放的 3D 分子画面。

Andrew Aiginin 称 Astra 用约一小时完成 Ozempic 交互式解释。（中文机器翻译）原帖。

Ozempic 交互式分子旅程演示。来源：Andrew Aiginin。

从长段文字到可操作的教学界面，变化很直观。不过，动画中的仪表和数值并不因此成为实验数据。这是科学传播作品，不是经过医学审查的模拟器，也不能用来指导个人用药。

4. 48 关“我不是机器人”，究竟证明了什么？

Sharif Shameem 报告，Astra 完成了 neal.fun 的 “I’m Not a Robot” 全部 48 关。这款游戏把常见验证码变成逐渐升级的视觉谜题，既考识别，也考规则理解和操作。

Sharif Shameem 公布 48 关游戏通关结果；原帖没有完整披露重试或人工干预情况。（中文机器翻译）原帖。

Astra 操作“I’m Not a Robot”的游戏画面。来源：Sharif Shameem。

通关足够有趣，但“一次性、零干预”并非原帖已经证明的条件。真实网站的反机器人系统还涉及行为、设备和风险判断，不能据此宣布所有线上验证码都失效。

三、算力底座与产业共振：黄仁勋的“AGI 已来”

黄仁勋在原帖中写道：“AGI has arrived.” 他提到从 ChatGPT、o1 到 GPT-6 Astra 的四年历程，以及超过 10 万块 GPU 的训练集群，并称后续还将有 40 万块 GPU 上线。

Greg Brockman 转引黄仁勋的 AGI 表态与 GPU 集群规模。（中文机器翻译）黄仁勋原帖。

产业界显然仍在为更大规模的训练和运行投入资源。但“AGI 已来”是黄仁勋的判断，不是上述案例共同通过了一项 AGI 验收。GPU 数量也不能直接换算成智能倍数，更不能单凭规模解释为什么模型会忽略迷宫里的一面墙。

关于算力如何进一步参与 AI 研发，可结合 OpenAI 披露的研究 Agent 使用数据阅读：能并行运行更多任务，和每个任务都能独立做对，仍是两个问题。

四、结语：能设计零件，也会在墙前迷路

这组实测最有意思的地方，不是所有案例都在证明同一种“强”。Astra 可以把测量视频变成可编辑的零件，把药理解释变成交互演示，却仍会在立体迷宫中误判遮挡和高度。

对开发者而言，比“是否已经 AGI”更容易着手的问题是：选一件能验收的小任务，让它交出可修改的文件，再检查尺寸、规则或运行结果。地漏零件能否装上，和屏幕上的模型看起来是否漂亮，给出的答案可能完全不同。

如果想看相同提示词下的编程表现，可以接着读 Astra 与 Fable 5.1 的 3D 游戏实测，其中检查的是生成游戏能否通关，而不是模型自己能否走出迷宫。准备反复修改设计时，再对照 Astra 的 Plus 使用限制与 API 实际费用，区分订阅额度和单次调用账单。

通过 API 先做一个图片小测试

截至 9 月 8 日，SandBase 的 GPT-6 Astra 模型页列出的能力是文字和图片输入、文字输出。可以先准备一张已知声音来源的频谱图，不向模型透露标签，提问：“描述重复出现的图案，给出两种可能的声音来源，并说明仅凭这张图还不能确定什么。”再对照真实音频标签检查答案，不要把解释听起来合理算成识别正确。Vision 文档说明了图片传输与校验方式，请按所选模型的当前接口字段接入。

这个路由页面尚不能证明支持直接上传视频或音频。模型 API 也不附带 Fusion 360、桌面会话、鼠标键盘操作工具及相应权限。要复现建模案例，仍需另外准备这些组件，并由人核对尺寸；传一张图片只是规模更小的视觉分析测试。

FAQ

MazeBench 的 14% 是答对了 14% 的题吗？

这里按收集的宝石计分，满分 100。公开记录计入 14 颗宝石，不是对一套独立题目的平均正确率；访问房间数也不等于解题数。

Astra 是直接看着 3D 画面走迷宫的吗？

本文引用的记录是 ASCII 输入、关闭 Python 的配置。环境有三维几何关系，但不能把这次结果写成原始视频输入下的空间视觉测试。

可以照着案例直接打印模型设计的零件吗？

先核对尺寸、间隙和材料，再进行低风险试装。Daniel 的首装成功是一个具体案例，不是安全承重件、医疗器械或批量生产的验证。

看懂频谱图，等于模型真的听到了声音吗？

不等于。模型根据图中的时间与频率特征猜测来源；缺少原始音频和足够多的盲测样本，无法据此计算可靠的声音识别准确率。