GPT 6 Astra 发布有一段时间了。这阵子我把它作为主力模型深度用在了好几个不同类型的项目里，正好可以结合实际做出来的东西，聊聊它相比上一代 GPT-5.6 Sol 到底有哪些真实提升，又有哪些老毛病依然没改。
在官方宣传里，GPT 6 Astra 最受关注的两项升级是 3D 建模能力和电脑自动化（Computer Use）能力。为了检验这两项能力在真实场景下的成色，我先后用它做了一款 3D 种菜背单词游戏、测试了控制桌面软件做 PPT，并搭建了一套全自动生成 AI 视频的复杂工作流。
一天做出 3D 种菜背单词游戏：参数化建模与 Blender 后台调用
很多开发者拿到 GPT 6 Astra 的第一反应是拿它做游戏。我自己其实很早以前就想做一个类似 QQ 农场的背单词游戏：玩家在农田里种下种子，每一颗种子对应一个英语单词；想要让植物发芽、长叶、开花并最终结出果实，就需要通过浇水和施肥来完成单词学习与测验。
上面就是 GPT 6 Astra 用一天时间帮我做出来的成品。地图里包含了房屋、水渠、发光路灯、旋转风车、农夫立绘以及牛羊小鸡，农田里种满了处于不同生长阶段的单词作物，底部还配齐了种子袋、照顾练习、装饰商店、植物图鉴和成就手记，已经可以支撑很长时间的真实游玩。
这个想法之所以以前用 GPT-5.6 Sol 和 Fable 5 都没能做出来，当时主要卡在庞大的美术资产上。我在游戏里直接导入了高考 3500 词加上基础词汇，图鉴里一共收录了 3858 个单词，而我的目标是让每一个单词都拥有各自不同的植物外观。
以前我设想用 AI 生图来做 2D 农场，但生图方案要求老老实实生成几千张独立图片，当时生图模型还不支持透明底，每张图都得生成绿幕底再抠图，而且很难保证几千棵植物插在土地上的透视和画风一致，后续每加一批新词都是巨大的工作量。
而 GPT 6 Astra 的 3D 建模能力把这个死结解开了。通过代码参数化建模，我可以让模型设计一套植物生成机制——将花茎、叶片、花瓣、果荚和冠型拆成可复用的变量组合，稍微调整参数就能派生出截然不同的植物形态，不仅插在地里天然保持统一的 3D 透视，还能开启多个子 Agent 并行把三千多个单词的题目与模型一次性配置完毕。
除了用代码生成植物，我还测试了让 Codex 在后台直接调用 Blender 为农场商店制作装饰物和小动物模型。我平时完全没用过 Blender，直接让 Agent 自己安装并在后台运行。虽然它属于电脑自动化操作，但可以在后台静默建模，完全不占用前台鼠标和窗口。
不过仔细看商店里的模型细节，就能看出它目前自发建模的边界：像午后长椅、石砌水井、小鸟信箱这类偏几何结构的物件，放在低多边形画风的游戏里完全够用；但一旦涉及复杂造型，比如稻草人就会出现明显的穿模，而长耳小兔、围巾小鸭和橘子小猫做出来完全是棱角分明的多边体，既不圆润也没有毛茸茸的质感。另外，它给房子建模时默认不会主动贴材质纹理，需要我明确提示它用 AI 生图生成木纹并贴到墙面上，整体质感才会好起来。如果追求精致的 3D 角色资产，现阶段还是接入腾讯混元 3D 或 Tripo3D 这类专门的图生 3D 模型更稳妥。
电脑自动化做 PPT：能跑通，但只能作为最终兜底方案
第二个实测场景是用它做演示文稿。在 Codex 里开启内置的 presentations 插件后，AI 可以通过编写代码的方式直接生成原生 PPT。为了测试 GPT 6 Astra 的电脑自动化水平，我特意给它准备了一份基础模板，让它直接接管桌面上的 WPS 软件，像人一样通过点击界面菜单来制作外滩大会的支付接入分享 PPT。
实测下来，它确实能够看懂 WPS 的界面并自动点击完成排版，点击速度也不算慢；但如果和直接写代码生成 PPT 相比，电脑自动化的效率和成品精细度还是要差一大截。
比如我想在幻灯片里做一块斜切背景，或者给四个并列模块加上带圆角的背景容器，写代码可以一次性精准算好坐标生成；而在桌面软件里，看着它一个一个去菜单栏找插入图形、缓慢拖拽调整位置，过程非常煎熬，而且多轮截屏识别消耗的 Token 也很多。更典型的是调整字号大小时，它不知道按住按键一次性多选四个文本框批量修改，而是逐个点中文本框、再去顶部下拉框改字号，操作了半天版面也没有太大改善。
因此，我对 Codex 电脑自动化（Computer Use）的定位非常明确：它确实拓宽了自动化的边界，但只能作为「最终兜底方案」。凡是能用 API、CLI 命令行或浏览器自动化解决的任务，绝对不要首选桌面点击；只有当面对像 Screen Studio 这类没有任何外部接口的桌面剪辑软件，需要最后帮我点一下「导出视频」按钮时，动用电脑自动化才是最合理的选择。
审美波动与复杂长任务的「钻牛角尖」问题
在日常高频的编程、写文档和 UI 设计任务上，GPT 6 Astra 与上一代 GPT-5.6 Sol 的对比也很鲜明：
- UI 审美与 SVG 绘制：刚发布那几天，GPT 6 Astra 的前端审美有肉眼可见的提升，但最近这段时间模型智力与审美出现了一定回落，做出的页面又回到了和 GPT-5.6 Sol 差不多的水准。不过它在前端编写 SVG 矢量图形和 3D 场景上的能力确实比 5.6 强了不少。
- 传统业务代码与文档方案：在不涉及 3D 与复杂前端视觉的后端业务逻辑、架构设计和产品文档撰写上，它与 GPT-5.6 Sol 几乎一致。以前爱写冗余测试、爱在 PPT 和网页里见缝插针塞满小字说明的毛病依然没改——如果不加严厉约束，只要画面上有一丁点空隙，它都要补上一两行密密麻麻的描述小字。
在需要长时间自主推进的复杂业务中，GPT 6 Astra 最让我头疼的依然是对业务方向的理解和创意传达。下面是我近期打磨得最费劲的一个复杂工程：全自动 AI 视频生成工作流。
这个项目的目标是围绕「Apple 推出重构版 Siri，串联短信、邮件食谱与提醒事项购物清单」的新闻，全自动生成一条带有片头吸睛动画（调用 MiniMax 生成）、分镜 UI 演示、转场动效和配音的完整短视频。
如果直接把目标丢给单个 GPT 6 Astra Agent 让它自己从头做到尾，它的代码执行力没问题，也能顺利调通外部 API，但想出来的分镜点子和提示词非常糟糕，前后逻辑前言不搭后语；更严重的是，任务执行时间越长，它就越容易钻牛角尖——当某一个镜头的视觉效果做崩了，它只会在原有烂代码上反复缝缝补补，完全不会跳出来重新思考是不是应该换一种视觉传达方式。在这类需要理解人类意图、不偏离大方向的长线任务上，Fable 5 和 Fable 5.1 的表现明显比 GPT 6 更让人省心。
为了让这条 AI 视频达到能直接发布的水准，我最终不得不把自己的大量经验拆解成一套多子 Agent 协同的复杂工作流：最开始的选题与口播稿撰写甚至换用了其他模型（因为让 GPT 自己写中文口播稿依然充满生硬的语法问题），中间拆出专门负责单镜头生成、单镜头视觉 Review（拦截丑镜头）以及全帧解码与音轨一致性检查的子 Agent，并在框架层面经过了极其频繁的人工介入调优。
总结：拓宽了能力边界，但依然离不开人的把控
综合这段时间的深度使用，GPT 6 Astra 相较于 GPT-5.6 Sol 的真实进步，在于把 3D 建模从「不可用」推到了「完全可用」，把电脑自动化做到了能作为可靠兜底的水准，并进一步提升了 SVG 绘图能力。它实实在在地拓宽了我们在 Codex 里能做的事情边界，比如让我花一天就能跑通以前不敢动手的 3D 单词农场游戏。
但与此同时，旧版本在业务理解、中文文案创意、乱塞小字以及生成无用测试代码上的老毛病依然存在。面对复杂长链条任务时，即使使用当前最强的模型，也远没有到设个目标就能放手不管的程度，依然高度依赖人去设计 Harness 约束、清理冗余文档与测试，并在方向跑偏时及时拉回来。