正文：
本次ReLE评测立足中文真实应用场景，涵盖教育、医疗、金融、法律、推理数学、语言指令、Agent工具调用以及Coding共8大板块，累计测试约1.5万道题目。由于中文单轮综合题库难以完全覆盖官方主打的复杂长程Agent与工程任务，相关海外基准数据在第三节“官方评测”中单独呈现。
gpt-6-astra版本表现：
- 测试题数：约1.5万
- 总分（准确率）：74.2%
- 平均耗时（每次调用）：14s
- 平均token（每次调用消耗的token）：350
- 平均花费（每千次调用的人民币花费）：108.1元
1、新旧对决
对比参照模型gpt-5.6-sol-pro，gpt-6-astra在中文评测中呈现出明显的“瘦身提速”特征：虽然总分略微回调，但推理延迟腰斩，平均Token消耗与实际调用成本均大幅下降。具体数据如下：
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark
*输出价格单位： 元/百万token
- 总分微幅回调：gpt-6-astra得分为74.2%，相比gpt-5.6-sol-pro的74.4%微降0.2个百分点，总榜排名从第15位调整至第16位。
- 语言与指令遵从提升明显：语言与指令遵从从72.8%增至75.3%（+2.5个百分点），是新旧对比中提升最大的单项，说明新模型在理解中文复杂指令和格式约束时更加准确、干练。
- 法律、教育与医疗稳步微增：法律与行政公务提升至85.7%（+1.4个百分点），教育提升至64.6%（+1.1个百分点），医疗与心理健康提升至88.6%（+0.7个百分点），文科与专业领域均有正向改善。
- 理科与工具类分项略有回落：金融降至82.8%（-2.9个百分点），推理与数学计算降至80.2%（-2.2个百分点），Agent与工具调用降至56.0%（-1.5个百分点），Coding微降至74.8%（-0.2个百分点）。理科与逻辑题的失分是总分未能继续冲高的主要原因。
- 响应速度直接腰斩：单次调用平均耗时从28秒缩短至14秒，整整快了一倍。在高频交互、实时问答和高并发批量调用场景中，这一提速体感极强。
- 输出长度极其克制：单次平均Token消耗由4882骤降至350，降幅达93%。gpt-6-astra大幅收敛了冗余发散的思考与回答路径，转向更为精炼直接的输出风格。
- 综合调用成本断崖式下降：尽管官方将输出单价由210元/百万Token上调至350元/百万Token，但由于Token消耗量骤减93%，折算后每千次调用的实际花费由398.7元暴降至108.1元（降幅约73%），实现了“单价变贵但实际花费反而更省”。
2、横向对比
在当前大模型竞争格局中，gpt-6-astra处于什么梯队？我们从三个维度进行横向对比分析：
同成本档位对比
- 处在百元档中上游：在每千次调用90~130元的中端区间内，可比模型包括qwen3.7-max（76.9%，99元）、qwen3.8-max（75.4%，107.3元）、deepseek-v4-pro（74.9%，94.1元）、kimi-k2.6（72.9%，100.4元）、gpt-5.4-high（72.6%，122.3元）、claude-opus-4.8（71.5%，99.4元）以及两款Grok模型。gpt-6-astra（74.2%，108.1元）总分优于Claude Opus 4.8、Kimi-k2.6与GPT-5.4-high，但落后于Qwen与DeepSeek同成本档位旗舰。
- 延迟优势极为突出：gpt-6-astra的平均耗时仅14秒，在百元档同级对手中处于领先地位，大幅快于qwen3.7-max（51秒）、qwen3.8-max（67秒）、deepseek-v4-pro（145秒）和kimi-k2.6（175秒），仅次于claude-opus-4.8（9秒）。对响应速度要求严苛的业务场景中，其综合体验优势更为明显。
- 极低Token消耗独树一帜：平均350 Token的消耗量在总榜前20名中处于极低水平，远少于gpt-5.5（955）、claude-opus-5（1216）、gemini-3.8-flash（1673）和qwen3.7-max（2920）。对于追求回答精炼、严控上下文长度的工程场景而言极具价值。
- 向下看低成本杀手：glm-5.3-flash（74.2%，12.7元）在总分打平的前提下成本仅为其十分之一，qwen3.8-flash（74.0%，10元）与gemini-3.7-flash（75.4%，27.8元）更是在低成本档位区间构筑了极高的成本效率比护城河，对大吞吐量批量任务带来直接竞争压力。
新旧模型对比
- 迭代重心由刷分转向效能：gpt-6-astra（74.2%，14s，350 token，108.1元）相比上一代gpt-5.6-sol-pro（74.4%，28s，4882 token，398.7元），核心价值在于用更低延迟和超短输出换取了73%的成本削减，体现出OpenAI在模型落地工程化层面的权衡思路。
- 与高分标杆gpt-5.5存在差距：gpt-5.5（75.3%，15s，955 token，158.5元）在保持相当响应速度的同时，中文综合得分高出Astra 1.1个百分点。追求更高中文准确率可选gpt-5.5，重视极限精简与成本控制则Astra更具优势。
- OpenAI家族内部分工明确：纵观OpenAI系列，中文准确率最高为gpt-5.5（75.3%），而gpt-6-astra则凭借350 Token在全系中保持最低的单次生成量与极佳的响应效率。
开源/商用对比
- 商用阵营位列前列：作为商用模型，gpt-6-astra在总榜中位列第16，领先于qwen3.8-flash、gemini-3.5-flash和Doubao-Seed-2.0-pro等模型，但排在qwen3.7-max、claude-opus-5及doubao-seed-evolving之后。
- 国产与开源模型表现强势：kimi-k3（75.6%）、glm-5.3（75.2%）和deepseek-v4-pro（74.9%）在中文题库中均取得更高分数；轻量级如glm-5.3-flash更以极低成本实现了同等准确率，展现出较强的中文语境适配能力。
3、官方评测
在OpenAI官方技术报告（https://openai.com/index/gpt-6-astra/）中，官方评测重点聚焦在复杂Agent、环境交互、软件工程、科研探索与高等级安全对齐等高阶能力。需说明的是，官方测试成绩取自不同推理强度（effort）下的峰值表现，实际生产环境体感可能存在差异。
Agent与计算机使用
在长程规划与UI交互理解等Agent任务中，GPT-6 Astra展现出了主场优势：
- Agents' Last Exam：得分59.3，超过GPT-5.6 Sol（53.6）、Claude Opus 5（55.5）和Gemini 3.8 Flash（51.2）。
- OSWorld 2.0：准确率72.6%，领先于GPT-5.6 Sol（65.7%）与Claude Opus 5（70.2%）。
- ScreenSpot-Pro：达到92.7%，显著优于GPT-5.6 Sol（76.9%）、Claude Fable 5.1（87.3%）与Claude Opus 5（88.5%）。
- AutomationBench：取得41.4%，大幅超越GPT-5.6 Sol（18.1%）和Claude Opus 5（36.6%）。
软件工程与Coding
在终端操作与工程代码落地方面，官方展示了其在全流程开发中的基准数据：
- Terminal-Bench 4.0：得分57.9%，显著高于GPT-5.6 Sol（37.3%）、Claude Fable 5.1（55.8%）与Claude Opus 5（52.6%）。
- DeepSWE：达到74.1%，与GPT-5.6 Sol（72.7%）、Gemini 3.8 Flash（73.8%）基本处于同一高位水平。
- FrontierCode系列：FrontierCode Extended为64.5%，Main为53.3%，数据库迁移（Database migration）达63.9%。
- AA Coding Agent：取得67.0%，虽略逊于Claude Opus 5（68.1%）和Claude Fable 5.1（67.2%），但明显超越前代GPT-5.6 Sol（63.2%）。
专业知识、科研与生命科学
在专业学术研究与高难度知识推理场景中：
- 检索与CAD设计：BrowseComp达91.5%（前代90.4%），BenchCAD达到95.9%（前代83.3%）。
- 复杂创作与上下文检索：OpenScore String Quartets（弦乐四重奏分析）达0.84，远超前代0.19；MRCR v2 8针长文本检索在512K-1M区间保持96.3%准确率，512K以内达100%。
- 抽象与前沿数学：ARC-AGI-3达99.9%，ARC-AGI-1/2保持在95%~98.5%高位；FrontierMath Tier 4达97.6%，GPQA Diamond达96.0%，带工具HLE为57.2%。
- 生命科学与医药：Terminal-Bench Science达64.6%（前代22.4%）；GeneBench Pro为37.1%，MedChemBench为49.3%，LifeSciBench为60.3%，HealthBench Professional为63.4%。
网络安全与安全对齐
网络安全攻防与生产运维能力是本次官方重点迭代方向：
- ExploitBench（漏洞利用）：达到100%，远高于GPT-5.6 Sol的78.5%。
- ExploitGym（实战渗透）：达到42.4%，高于前代的30.3%。
- SEC-Bench Pro（安全基准）：达到85.4%，高于前代的79.1%。
- SRE-Bench（系统可靠性运维）：达到88.0%，相较前代55.9%大幅跃升。
在安全对齐方面，官方重点公布了负向失误指标：在原生计算机操作安全评测中失误率为2.4%，加入自动审查机制后进一步压低至1.8%；而在事实性评测中，事实幻觉率降至4.2%（前代为12.2%）。这表明Astra在高风险工程场景中显著强化了风控与输出可靠性。
非线智能官网 https://nonelinear.com/static/models.html 已上线gpt-6-astra，支持一键接入（附接入代码），添加客服 发送 体验金，可享20-50元首充奖励，欢迎对比体验。
快速接入示例代码如下：
from openai import OpenAI
client = OpenAI(
base_url="https://api.nonlinear.com/v1",
api_key="YOUR_API_KEY",
)
response = client.chat.completions.create(
model="gpt-6-astra",
messages=[
{"role": "user", "content": "分析一份中文业务材料，提取核心结论和后续行动建议"}
],
)
print(response.choices[0].message.content)