GPT-6 Astra 实测：3D、Agent、审美全面进化

从一张图到 3D 场景：视觉理解的跃升

B站UP主段风连夜实测了 GPT-6（代号 Astra），第一个任务就颇具挑战性——把一张图片直接发给模型，要求复刻并还原成 3D 场景。整个过程分两轮迭代：第一版耗时 24 分钟，输出的光影和质感已经相当到位，但与原图仍有差距；经过一句「想想办法」的追加指令后，第二版用了 27 分钟完成，水面、树叶、家具乃至楼顶的草都被细致还原。

UP主在体验中反复提到「味道非常正」「质感有点帅」的直观感受。这类从二维图像推理三维空间结构、材质和光影的能力，是过去多数模型的短板。GPT-6 能在两轮内把场景推进到可交互的网页——穿过玻璃、自由探索、墙壁上贴出带布料质感的贴图——说明它对空间关系和材质渲染的理解已经进入实用区间。

Computer Use：让模型自己动手建模

更硬核的测试是 Computer Use 能力——GPT-6 直接控制 Blender 帮 UP主建模，完整场景包含山体、草地、小木屋、水流，元素数量达到一两千个，整个流程耗时两个多小时。UP主坦言瓶颈在自己的硬件：机器性能不足，无法渲染更高质量的光影，属于「巧妇难为无米之炊」。

这个案例的意义在于，模型不再只是生成代码或图片，而是能操作专业软件完成一整套建模流水线。对于真正做建模的从业者来说，只要硬件跟得上，这种「口述需求、AI 执行」的工作流可能会大幅压缩前期搭建时间。

Computer Use 是指 AI 模型直接操控计算机图形界面（GUI）的能力——不是生成代码让人去运行，而是像真实用户一样点击菜单、拖拽对象、调用工具栏。这一方向由 Anthropic 在 Claude 3.5 Sonnet 时率先公开演示，核心技术是让模型通过截图"观察"当前屏幕状态，再决定下一步鼠标或键盘操作。对于 Blender 这类专业 3D 软件，模型需要理解视图切换、物体变换、材质节点等操作逻辑，远比执行命令行复杂。GPT-6 在此任务上完成上千元素场景，意味着它能在软件层面维持较长的多步操作链而不中断或报错，这对 Agent 的上下文管理和容错能力要求极高。

Agent 任务的诚实与「小聪明」

Agent 相关的测试暴露了一些有趣细节。UP主让 GPT-6 把图片做成 SVG，一开始效果惊艳，追问后才发现是调用了公开脚本而非纯视觉绘制；而真正让它「用视觉绘制」时，效果就朴素了很多。

另一个例子是接管浏览器根据图片绘制简笔画，13 分钟完成，UP主的评价是「你先别说像不像，你就说快不快吧」——速度成了亮点。

最典型的是复刻超级玛丽游戏。GPT-6 从 GitHub 项目下载了玛利奥、敌人、砖块、水管、云朵等素材并做了署名。UP主一度调侃它「耍小聪明」，但转念一想：「人在做这种任务时也会去抄一抄、看一看，非常合理。」他特别指出，这是测试过的所有模型中，唯一一个仅凭一句话指令就自己主动去找素材的——某种程度上，这种「自主找资源」的行为反而更接近真实开发者的工作方式。

SVG（可缩放矢量图形） 是一种基于 XML 的矢量图像格式，用坐标和路径描述图形而非像素点阵，因此可以无损缩放。用 AI「视觉绘制」SVG，意味着模型需要将输入图像的形状、颜色、层次关系翻译成一段段 <path>、<circle>、<polygon> 等标签代码，考验的是视觉到结构化语言的直接转换能力。调用公开脚本与纯视觉绘制的效果差距，揭示了当前模型在「感知—生成」链路上的真实短板：复杂图像的几何抽象仍然困难，借助工具是务实选择，但也遮蔽了底层能力的真实水位。

审美升级：五种风格网页各有说法

UP主让 GPT-6 生成五个不同风格的网页，明显感觉到审美水准的提升：

• 星际漫游：带土星和环绕小圆点，支持交互，但被吐槽行星只改了颜色、偷懒
• 声音的形状：自带 3D 音响和小球元素，质感获好评
• 空间的另一种可能：3D 楼层可展开合拢，交互性强
• 灵感游乐场：配色大胆、可拼贴下载，UP主称赞「不像之前那么保守」
• 光的另一面：可下载的光效作品

UP主对 3D 表现给出「真的有说法」的评价。相比过去偏保守的设计风格，这次配色和排版都更放得开，说明模型在美学取向上有了明显调整。

我的世界恐怖场景与宣传视频

压轴测试是「高还原度但恐怖氛围的我的世界」，要求真实光影和材质，26 分钟完成。成品可以敲石砖、跳跃、拾取物品，还有会移动的 NPC 和高亮的月亮。UP主在体验中玩得不亦乐乎——试图给 NPC 挖坑、帮卡住的角色移动、点亮庇护所，整体交互完整度相当高。

最后 UP主让 GPT-6 为它自己制作宣传视频，迭代两版后导出。他调侃导出速度太慢——「导出这一块他导不过我」，但成片效果被评价为「这么帅」。

成本与总体印象

值得关注的是成本：这一整轮测试大约消耗了 47% 的额度，UP主直呼「感觉浪费我的 token 了」。这提醒了实际使用中，复杂的多步 Agent 任务和长时间建模会带来可观的资源开销。

综合来看，GPT-6 Astra 在 3D 场景生成、空间理解、Computer Use 自主操作软件、网页审美和游戏还原等多个维度都有明显进步。UP主段风最终的评价很直白：「很牛逼，很厉害」，并建议感兴趣的读者亲自去试。当然，这些测试均来自单一 UP主的一次实测，具体表现仍需更多独立验证。

Token 额度消耗在多模态 Agent 任务中往往远高于纯文字对话，原因是多方面叠加：图片输入本身需要将像素编码为视觉 token（如 GPT-4o 的图片分块机制），Computer Use 的每一次截图反馈又引入新的视觉输入，而长达数十分钟的多步推理链还会累积大量中间推理 token。以 47% 额度完成本次全套测试，意味着类似工作流在生产环境中的月度成本可能相当可观。对于企业或重度用户，如何拆解任务、减少冗余截图轮次、压缩中间输出长度，将成为控制成本的关键工程问题。