GPT-6 Astra 正式发布：Plus / Pro 谁能用，为什么还看不到？

为什么有人已经能用，有人模型列表里还没有

官方模型页的原文口径很明确：Astra 首先向 Trusted Access 企业推出，API 以及 Plus、Pro、Business、Enterprise 计划的访问将在随后几天开放。这里的关键字是“随后几天”，不是同一时刻向所有账号同步出现。

所以排查顺序应是：先确认自己使用的是 ChatGPT、Work、Codex 还是 API，再核对计划与工作区权限，最后等待灰度。满足计划条件但暂时看不到，并不能证明账号坏了；同样，购买 ChatGPT 会员也不会自动产生 API 余额。

• 先确认产品入口：ChatGPT、Work、Codex 或 API。
• 再确认计划：Plus、Pro、Business 或 Enterprise。
• Business / Enterprise 还要检查管理员是否开放相关能力。
• 官方公布后的几天内，模型列表出现时间不同属于可预期的灰度现象。

1.05M 上下文很大，但不等于无限记忆

Astra 的上下文窗口为 1,050,000 token，最大输出为 128,000 token，知识截止日期为 2026 年 4 月 30 日。它支持文本输入输出和图片输入，不支持原生音频、视频，也不支持微调。

上下文窗口只表示一次请求能够容纳多少内容。外部笔记、历史搜索、向量检索可以在需要时把旧资料找回来，但检索没有召回的内容不会自动进入本次推理。因此，“几乎无限上下文”更准确的解释是外部记忆加超长但仍有限的上下文。

• 放得下不等于每个细节都能 100% 找回。
• 外部记忆负责保存与召回，上下文负责本次实际推理。
• 大型代码库仍应按任务加载相关文件，不必为追求窗口利用率一次塞满。

真正需要注意的是 272K 计费分界

Astra API 标准价为每百万 token：输入 10 美元、缓存输入 1 美元、缓存写入 12.5 美元、输出 50 美元。一次请求的输入超过 272,000 token 后，整次请求的输入与缓存费率按 2 倍、输出费率按 1.5 倍计算。

只计算未缓存文本时，250K 输入加 10K 输出约为 3 美元；300K 输入加 10K 输出约为 6.75 美元。输入只增加 20%，总价却因跨档明显上升。Batch 与 Flex 为适用标准费率的 50%，Fast 为适用费率的 2 倍。

def estimate_astra_cost(input_tokens, output_tokens, cached_input_tokens=0):
    long_context = input_tokens > 272_000
    input_rate = 20 if long_context else 10
    cached_rate = 2 if long_context else 1
    output_rate = 75 if long_context else 50
    fresh_input = input_tokens - cached_input_tokens
    return (fresh_input / 1_000_000 * input_rate
            + cached_input_tokens / 1_000_000 * cached_rate
            + output_tokens / 1_000_000 * output_rate)

API 迁移不能只替换模型名

Astra 支持 Chat Completions，但需要工具调用时应使用 Responses API。新的异步调用、中途纠偏和动态推理配置也围绕 Responses API 设计。原来使用 none 或 minimal 的任务，可以先从 low reasoning 做对照测试。

• 模型名改为 gpt-6-astra。
• 删除 temperature、top_p 和 top_logprobs。
• Chat Completions 还要删除 logprobs。
• 从 GPT-5.5 或更早版本迁移缓存时，将 prompt_cache_options.ttl 设为 30m。
• 审计 AGENTS.md、skills 与仓库说明，清理过时或互相冲突的约束。

from openai import OpenAI

client = OpenAI()
response = client.responses.create(
    model="gpt-6-astra",
    reasoning={"effort": "low"},
    input="审查这个项目的登录流程，先列风险，再给最小修改方案。",
)
print(response.output_text)

怎样判断 Astra 是否真的适合你的任务

不要直接把官方单项跑分当作生产结论。评测里的 system prompt、工具、推理档位和运行环境可能不同于普通 ChatGPT 或你的应用。更可靠的方法是固定同一份输入、权限、时间与预算，让新旧模型各重复运行至少 3 次。

• 真实仓库修复：比较测试通过率、越界修改、回归与人工纠偏次数。
• 长文档核对：比较引用定位、冲突识别、遗漏率与跨过 272K 后的成本。
• 中途改变要求：观察模型能否保留已完成工作并从当前状态继续。
• 最终比较成功率、人工介入、完成时间与单次成功成本。