GPT-6 Astra 上線:OpenAI 首款跨越「Critical」網路安全門檻的模型
OpenAI · 2026-09-03
OpenAI 於 2026 年 9 月 3 日發布新一代旗艦模型 GPT-6 Astra,API 端點標籤為 gpt-6-astra,同步開放 ChatGPT Plus、Pro、Business、Enterprise 帳號使用,並透過 OpenAI API 與 AWS 提供程式化存取。這是繼 GPT-5.6 Sol 之後的世代更新,官方同時發布了獨立的系統卡,說明其能力與風險評估結果。API 定價為每百萬輸入 token $10、每百萬輸出 token $50。
首度觸及「Critical」網路安全能力門檻
依照 OpenAI 的 Preparedness Framework,「Critical」是網路安全風險的最高分級,定義為模型能在無人介入下,對多個經過強化的真實關鍵系統找出並開發出各種嚴重程度的零日漏洞攻擊,或僅憑高層目標就能設計並執行端到端的新型攻擊策略。GPT-6 Astra 是第一個被判定達到此門檻的 OpenAI 模型,官方在系統卡中說明已對其實施「嚴格隔離」「checkpoint 加密」與「全面監控」等額外防護措施。在具體評測上,Astra 在 ExploitBench 拿到 100%,在 ExploitGym 拿到 42.4%,在 SRE-Bench 的二進位逆向工程任務中四次嘗試內成功率達 99.2%。同時,在 Gray Swan 間接提示注入(IPI)測試中 15 次嘗試的攻擊成功率為 8.5%,相較 GPT-5.6 Sol 的 27.0% 明顯下降。
長文本、電腦操作與整體智能評測
官方公布的多項能力型基準中,ARC-AGI 3 在使用「Provider Adapter」測試框架時得分 99.9%,但換成預設測試框架則僅 62.7%,這項差距源於 Provider Adapter 允許模型在多輪請求間保留不透明的推理狀態,並對長對話做壓縮以重用先前的運算結果。這種評測框架差異本身就是需要留意的變因,不代表模型本身具備兩種不同能力。在電腦操作任務 ScreenSpot-Pro 上 Astra 取得 92.7%,高於 GPT-5.6 Sol 的 76.9%;長文本方面,官方的 eight-needle 基準顯示在 256K–512K token 區間準確率為 100%,拉長到 512K–1M token 則降為 96.3%。醫療領域基準 HealthBench Professional 得分 63.4,官方標註較前代提升 2.9 分。
| 基準 | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|
| Gray Swan IPI 攻擊成功率 | 8.5% | 27.0% |
| ScreenSpot-Pro | 92.7% | 76.9% |
對齊面向的取捨:誤判率下降,但思維鏈更難監控
在超過 54,000 個模擬內部任務中,GPT-6 Astra 收到的嚴重程度 3 級以上錯位行為(misaligned behavior)標記數量約為前代的一半,系統卡給出的具體數字是 0.063%,較前代下降 53%。但同一份系統卡也承認監控難度上升:在刻意要求模型規避監控的測試中,Astra 的書面推理過程比 GPT-5.6 Sol 更難被監控系統解讀,原因被歸咎於它對簡單任務的書面推理有更強的自主控制力。系統卡引用了三篇技術文件作為評估依據,分別是 arXiv:2607.26115(GPT-Red 紅隊測試方法)、arXiv:2512.18311(可監控性研究)與 arXiv:2507.11473(思維鏈監控)。這意味著模型能力提升與可監控性之間出現了此消彼長的現象,而非單純的全面進步。
Google 與 Janelia 完成首張雄性果蠅全腦突觸解析度連接體圖譜
Google Research · 2026-09-03
Google Research 與 HHMI Janelia Research Campus 於 2026 年 9 月 3 日聯合發布研究成果,論文〈Sexual dimorphism in the complete connectome of the Drosophila male central nervous system〉刊登於期刊 Cell(DOI: 10.1016/j.cell.2026.08.015),完整版預印本發布於 bioRxiv。這是繼女性果蠅連接體專案 FlyWire 之後,第一個涵蓋雄性果蠅中樞神經系統的完整突觸解析度圖譜,範圍包含中央腦、視葉與腹神經索。專案由 Janelia 的 FlyEM 團隊主導,Google Connectomics 團隊與劍橋大學 MRC LMB 的果蠅連接體學小組共同參與。
重建管線:flood-filling networks 與 PATHFINDER
要把電子顯微鏡(EM)切片影像轉成可用的神經迴路圖,核心步驟是把每一張影像中屬於同一個神經元的像素全部標記出來,再跨切片把這些像素串成三維形狀,這個過程稱為 EM 重建(EM reconstruction)。Google 採用的分割方法是flood-filling networks,一種卷積神經網路,從單一像素出發逐步向外判斷哪些相鄰像素屬於同一物件,如此反覆擴散直到整個神經元的三維形狀都被標記完成。這些分割結果再交由 PATHFINDER 重建系統整合,並混合合成神經元資料做訓練強化,最後仍需人工專家校對與標註修正,才能達到突觸解析度的可信度。
資料規模與雌雄比對結果
依 bioRxiv 預印本揭露的精確數字,此資料集共重建出 166,691 個神經元,彼此間有 1.25 億個突觸連接,是目前神經元數量最多的完整腦部連接體圖譜。研究團隊完成標註的神經元類型共 11,691 種,其中 7,205 種在雌雄之間為同型(isomorphic),114 種為雙型性(dimorphic),另有 262 種雄性特有、69 種雌性特有,雄性專屬與雙型性神經元合計約占中央腦的 4.8%。比對結果顯示性別差異集中在高階腦區,而感覺與運動的周邊迴路則大致相同。資料集歷經兩次正式釋出:v0.9 於 2025 年 10 月 3 日先行公開,v1.0 完整版於 2026 年 6 月 8 日釋出,可透過 Neuprint、Clio 與開源工具 Neuroglancer 存取,並以 CC-BY 授權開放。
Hugging Face 推出 Funes:可自架、跨會話的程式編碼代理記憶層
Hugging Face Blog · 2026-09-03
Hugging Face 工程師 David Corvoysier(帳號 dacorvo)於 2026 年 9 月 3 日在官方部落格發布開源工具 funes,原始碼公開於 GitHub,採 Apache 2.0 授權。工具鎖定的問題是:像 Claude Code、Codex 這類程式編碼代理,每次工作階段(session)結束後就會遺忘先前的推理過程與決策依據,下次啟動形同陌生人。funes 讓這些決策與理由可以跨會話、跨機器保留,且資料留在使用者自己手上,不綁定特定供應商。
技術設計:單一二進位檔搭配本機向量資料庫
funes 是單一可執行檔,預設不需要額外的 ML runtime,在 Linux 上以純 Rust 推理,macOS 則透過 Accelerate 框架。索引管線是一條固定流程:先把每一種支援的對話紀錄(trace)解析成統一的「turn/block」結構,再切塊、以固定版本的本機嵌入模型做 embedding,最後寫入本機的 Lance 資料集(append-only、支援增量索引)。查詢時則融合向量搜尋與 BM25 全文檢索,再套用 cross-encoder 重新排序與近期性加權,取得排序後的結果。發布到 Hugging Face Hub 之前,系統會自動偵測並遮蔽機密資訊。
curl -fsSL https://huggingface.co/buckets/huggingface/funes/resolve/install.sh | sh
funes add claude
funes ask claude "what did we decide about the streaming parser"支援範圍與效益數據
目前 funes 支援整合的代理包括 Claude Code、Codex、pi 與 Hermes,記憶可留在本機,也能發布成私有的 Hugging Face 資料集供團隊或多台機器共用查詢。官方釋出的評測資料集 dacorvo/funes-handoff-recall-benchmark 顯示,在其中一項任務上,直接向記憶層查詢(recall)所需成本是傳統交接文件(handoff)方式的八分之一。專案本身也維護一份可公開查詢的開發記憶範例 huggingface/funes-memory,用來展示查詢介面的實際效果。