Astra 用起来有何不同：同题对照与真实作品

Astra 是 OpenAI 的 GPT-6 模型。它把读材料、写代码、操作软件和制作文件接成较长的工作过程。对普通用户，值得关注的是一项任务能否从“告诉我怎么做”，继续走到可打开、可修改的文档、网页或场景。

9 月 19 日读取的 Artificial Analysis 综合指数中，Astra max 为 53 分，在该模型卡的 200 个同类模型中列第 3；Sol max 为 47 分。Claude Fable 5.1 的显示分数同为 53，列第 1。Astra 已在前列，Claude 也在同一梯队；比较具体工作，比只追一个总名次更有用。

官方发布表把专业软件任务列为重点：Agents’ Last Exam 中，Astra 为 59.3%，Sol 为 53.6%。这是 OpenAI 公布的评测。下面再用独立作者的同题结果，看绘图和批注的实际差别，最后进入可体验的真实作品。

1. 2026-09-04 · 进入 GitHub Copilot
2. 2026-09-05 · 作者公开 Blender 场景与制作过程
3. 2026-09-06 · 科普网站与个人博客的制作分享出现
4. 2026-09-09 · 公布企业工作流与新插件
5. 2026-09-13 · 用旧照片重建外婆家，公开后继续改进访问体验
6. 2026-09-28 · Basis 公布 50 页签税务工作簿同题用时

• 继续看 Opus 5.5 的同题作品与更新 →从另一种模型选择看沟通、作品和费用。
• 已有 GPT 账号，从哪个入口用？ ↓Plus、Pro 与 Work/Codex 的区别。

如果你熟悉的是 Sol，可以先看这道相同的画图题：输入都是“用 SVG 画一只骑自行车的鹈鹕”。两张 max 输出并排之后，鸟腿、踏板和车架的关系，比版本名称更容易看懂。

给已有 GPT 用户的建议：需要做结构说明图时，值得用 Astra 重试一张过去反复改不对的图。继续看物体关系是否正确，再判断它替你省了多少修改；日常短问答并不需要随之全部换模型。

Simon Willison 的个人实验采用“骑自行车的鹈鹕”这一主题，让模型生成 SVG 图形。记录把 GPT-6 Astra 与 GPT-5.6 Sol、Terra、Luna 放在一起，并比较不同推理档位下的结果。

作者展示实际生成的图形，同时列出输入和输出 Token 用量以及示例费用。这里保留的原始对照图有四列模型、MAX、XHIGH、HIGH 三行推理档位；可以直接看每个输出的细节，并对照当时记录的用量。

作者认为 Astra 整体画面更好，同时指出 max 以下档位仍不能稳定把腿放在车架两侧。单看“画出了自行车”容易忽略这层位置关系，前后两代的实际 SVG 才能让这项差别变得直观。

这些图片和数字来自这一条提示的个人实验。原文正文与对照图使用的 Sol 单价不同，因此图中的金额按作者当时的示例保留，不转写成当前价格排行。

资料来源日期为 2026 年 9 月 4 日。下方附页复用留存原图，没有重新生成鹈鹕或裁掉对照项目；原图的小字内容另有逐字稿。

• 打开作者的完整同题结果 ↗切换查看各模型、档位和原始 SVG。

Little Dorrit Editor 要求模型读懂书页上的手写修改，找对位置，再给出应改成的文字。9 月 19 日的公开榜单中，Astra 的 F1 为 0.7778，Claude Fable 5.1 为 0.7316，Opus 5 为 0.6904。这适合回答“谁更值得拿来试批注录入”，而不是替所有用途排顺序。

原图和下表选自作者公开的示范页 001、9 月 6 日各模型的第 1 次输出。两者都把 wine bottles 改为 wine-bottles；页底 fed 后的手写符号，人工答案是分号，Astra 写成分号，Fable 5.1 写成逗号。这里让你看到差别落在哪个字，而不是只看总分。

经常要把纸上批注录回电子稿，可以把 Astra 作为现有 Claude 的补充，先拿一页真实工作材料比较漏改和误改。如果你处理的已经是干净电子文字，这组视觉任务并没有给出更换日常助手的理由。最后仍应逐处确认原意，尤其是标点和修改位置。

• 放大这页手写批注 →看右侧 wine-bottles 与页底 fed 后的符号。

Samaritan Research 在 9 月 23 日公布了一项贴近日常物件的测试：研究者装配三件宜家家具，拍下 60 张过程照片，其中一部分故意装错。模型同时拿到照片、官方 PDF 说明书、当前完成的步骤，以及放大图片和运行 Python 的工具；它要判断目前是否装对，若有错误，还要指出出错步骤并解释。研究者给出的床架例子中，两条侧板的饰面朝里，而正确方向应朝外。下方红叉与绿勾是研究者在示例图上的标注，不是模型自动画出的结果。

在这组 60 张照片里，Astra 答对 80%；同一研究中的 Claude Fable 5.1 为 70%，Claude Opus 5 为 61%。十个月前测试过的 Opus 4.5 为 28%。这是特定家具、拍摄角度和评判规则下的结果，不是“你家家具十次能查对八次”。研究团队也没有测量人类在这些照片上的表现。

这项测试比“把照片发进聊天框问哪里不对”多给了重要条件：产品名称、做到哪一步、完整说明书、局部放大工具，以及每张照片最多 80 步的代理环境。答题先要找对出错步骤，再由 GPT-5.6 Sol 按宽松标准判断文字说明是否大致准确。Astra 每张照片的中位处理时间约三分钟；这还不适合作为实时装配提醒，也没有验证汽车维修或家电检修。

如果正对着说明书装一件家具，可以把型号、说明书和当前步骤连同清晰照片一起提供，请 AI 先指出照片里可见的部件与说明书哪一步不一致，再由自己核对实物和受力部件。这里的进展是模型能把技术图示与真实照片接起来，给人一个排查线索；它还不能替人确认装配安全。本站没有复跑这套评测，也没有验证普通聊天产品能否提供同样的工具和结果。

这与本站此前介绍的 TDM850 交互机械图谱正好从两端接近同一个问题：图谱把手册整理成可看的部件关系；这项测试则拿着手册去检查眼前实物。两者都让“读说明”走向“看懂物件”，但一个是作者做出的解释作品，一个是研究者设置的排错评测。

• 看研究者的装反与正确示例 ↗图上的叉和勾是研究者标注；读原文了解评测条件。
• 回看 TDM850 如何把手册变成图谱 ↓对照“解释部件关系”和“检查实物错误”两种用途。

10 月 7 日，OpenAI 宣布 GPT-6 与 Intelligent UI 开始进入 ChatGPT 的 Chat。回答可以包含可操作的图示、表单和小工具；官方演示用小游戏、分账工具和知识解释展示这种变化。它也能继续给出普通文字回答。

这接回本站此前的自行车讲解作品：过去我们跟着作者进入一个单独网页，调齿轮、看变化；现在类似的交互形式开始直接出现在聊天回答里。前者仍适合保存、分享和继续修改，后者更贴近眼前的问题。这是两种入口的比较，不代表官方新演示使用了那位作者的作品。

发布页按其日期说明：10 月 7 日先向 Plus、Pro、Business、Enterprise 开始推送，10 月 8 日起扩到 Free、Go。前一组使用面向聊天调整的 GPT-6 Sol，后一组为 GPT-6 Luna；企业还受管理员设置影响。这是分批开放安排，不能据此确认每个账户已经收到。

帮助页把 Intelligent UI 限定在 GPT-6 的 Instant 至 Extra High；Pro 推理档仍由 Astra 驱动，不支持这一界面。官方也说明，本次没有改动 Work、Codex 使用的模型。付费 Pro 套餐和 Pro 推理档是两个概念，选择哪一档会影响能否看到交互回答。

想尝试时，可先在网页版已开放的 GPT-6 中问一个需要改变条件的问题，例如让它做两人分账工具，再修改金额观察结果。旧版 macOS、Windows 桌面客户端不支持新界面，手机需更新到受支持版本。帮助页部分 Free、Go 段落仍保留旧模型说明，与新发布安排尚未完全同步，因此以账户实际显示为准，不把旧条款拼成新的保证。

• 回看：能调齿轮的自行车讲解 →
• 看官方交互演示与开放说明 ↗

9 月 29 日发布的 GPT-6.1 Sol，给 Astra 用户增加了一个更低成本的选择。OpenAI 称它在代码、电脑操作和专业工作上接近 Astra；这是厂商定位。官方 DeepSWE 1.1 测试中，它在更低推理档位超过旧 Sol 的最佳成绩 6.4 个百分点。变化值得看，但仍要回到自己的任务验证。

本站 9 月 30 日读取的 Artificial Analysis 对照页中，两者均为 max 档：Sol 6.1 综合指数 52，Astra 53；加权每任务费用分别为 0.72 和 3.26 美元。与此同时，平均任务耗时约为 547 和 483 秒。更低费用并不意味着更快交付；这些是评测集的结果，不是一次日常提问的报价或预计等待时间。

综合分接近也不等于能力完全相同。该页的 AutomationBench-AA 为 65% 对 68%，Terminal-Bench 4.0 为 56% 对 59%；Sol 6.1 在另一些项目中更接近或超过 Astra。做网页小修改、整理表格或检查资料时，应看对应任务的结果与返工量，不能只用一分差距替所有场景下结论。

API 文档列出的标准输入／输出单价为每百万 token 2／10 美元，缓存命中输入为 0.10 美元。“Astra 五分之一”说的是标准输入和输出单价，不是订阅费，也不保证每项任务账单都恰好打两折。超过 272K 输入 token 的请求、Fast 等服务模式另有计价规则。

可用入口也要分清：官方列出付费计划中的 ChatGPT Work、Codex 和 API，普通 Chat 暂未提供。GitHub 则已宣布向 Copilot Pro+、Max、Business 和 Enterprise 渐进推出，组织管理员可控制开放。图中是 GitHub 官方接入示意，并非本站账户实测。

本站建议先保留同一份材料和验收要求，让 Sol 6.1 接手一项熟悉的小任务，再比较成品、返工、等待和实际用量。已经使用 Sonnet 或 Opus 的读者，也可沿这个共同任务建立参照；本节没有据此宣布跨品牌胜负。前面的 Basis 工作簿比较使用的是 GPT-5.6 Sol，不能把旧结果直接套到新 Sol 6.1 上。

• 接着看 Sonnet 5.5 与 Opus 怎样分工 →
• 查看完整独立对照 ↗
• 查看 Copilot 开放条件 ↗

OpenAI 的 10 月 8 日 API 更新把 Ultrafast 开放给 GPT-6.1 Sol。请求仍使用同一个模型名，改变的是服务速度档；它没有因此变成一个新的能力版本。这接续上一节的 Sol 与 Astra 比较：先选适合任务的模型，再考虑是否为更短的等待付费。

标准、Fast、Ultrafast 的短输入 API 单价如下。若同样使用 1 万输入和 2000 计费输出 token（包括推理 token），暂不计缓存、工具与地区加价，三档分别约 0.04、0.08、0.24 美元。这是按公开单价做的计算示例，不是本站的一次请求账单。超过 27.2 万输入 token 后，整次请求采用长输入价格，Ultrafast 输入 24、输出 90 美元／百万 token。

官方文档把变化解释为生成 token 之间的时间缩短，并提醒：连续调用工具时，连接开销也会影响收益。以查资料后写报告为例，网页加载、工具执行和检查结果的时间仍然存在；不能把输出更快直接读成整项工作按同一倍数完成。这是对任务等待构成的解释。

API 面向所有 API 用户开放，另有速率限制。Codex 与 ChatGPT Work 则面向 Pro 500 美元及符合条件的 Enterprise、Edu：购买额度按标准档 6 倍计，套餐内用量按 8 倍消耗，企业默认关闭。两套计费不能互套，也不能据此认为普通 Chat 对话和所有订阅都获得了 Ultrafast。

如果正在用 Sol 改网页或逐轮改文稿，可以先比较同一个任务的完整耗时与实际费用。眼前等待影响连续修改时，加速可能有意义；离线整理资料时则可以继续使用原档位。现有榜单不为一个服务速度档新增能力名次，实际作品和任务结果仍是选择的参照。

• 回到 Sol 与 Astra 的任务比较 ↓
• 核对自己套餐的入口与消耗 ↗

Asana 的浏览代理要在公开演示书店查 32 本书，每本收集六个字段，再交出表格与价格合计。Astra 在 Codex 中查代码、组织实验和分析记录，Sol 是执行浏览任务的四个模型之一；工程师定目标、审核结果，再把改动接到 StackAI。这里把模型的研究能力与它在产品中的执行角色接了起来。

原流程每一步都会重发页面文字和截图，却只缓存固定说明与工具。频繁删旧截图、截短文字又改动了已读历史，导致缓存难以复用，部分书页还被重新访问。团队同时扩大文字历史预算、缓存历史、改成批量清理截图。两个预算是 12 万和 48 万字符，不是模型的 token 上下文窗口。

公开的“76 倍”把原 Model B 流程，与优化后的 Sol 流程相比：既改变流程，也换了执行模型。同一 B 的优化已经带来约 29 倍费用下降；在固定较大预算下，Sol 自己由原策略的 1.97 降到 0.47 美元，约四倍。优化 Sol 的模型费又比优化 B 低约 2.6 倍，但两阶段的思考、工具、接口和缓存条件有差异，不能全归为模型本身的优势。

费用是按当时 token 计数和价格表估算的模型费，排除服务器与沙箱；基线有未完成或截断运行，均值是下界。实验共选四模型、两预算、六策略，每条件三轮，另有 12 轮后续。B 的最佳截图策略为 20:10，Sol 为 20:1：超过 20 张后分别删至十张或一张，不等于每 20 个网页清一次。它是开发实验中的结果，不能直接当所有线上客户的账单降幅。

完整研究还有一个摘要容易略过的细节：较大预算下，Sol 的 18 轮都看过并保留了 192 条事实，报对总价 1164.91 英镑；但它交的是总价、最便宜和最贵书的短摘要，代替了要求的完整表格。看见材料、把数字算对和交齐可复用成果，是三件需要分别看的事。

这接续前面的费用与等待讨论：配置合适的历史和工具流程，可以少花重复的钱；交付时仍要打开结果，核对字段、格式和遗漏。比较自己的模型与工具时，用同一任务同时看完整耗时、费用和最终文件，而不只拿一个更低数字或一句“已完成”判断。

• 看原研究第 18 页的交付说明 ↗
• 对照同一模型的速度档费用 ↓

• 先打开作者已上线的通讯索引 ↗每周通讯链接到 Substack；公开月刊可在作者博客阅读，最新月刊先供赞助者阅读。

Simon Willison 的新通讯索引，把每周 Substack 与月度通讯排进同一条时间线。读者可以按年份找回旧期，公开月刊有博客内的阅读页，最新月刊则标明 Sponsors only 并链接到 GitHub。这是给原有博客新增的入口：让此前分散的内容更容易发现和接着读，不是一套从零生成的新网站。

他在 10 月 9 日的复盘中说，自己先用键盘让 Codex 打开本地开发预览，再一边做饭一边与 GPT-6 Astra High 语音沟通，约半小时做到大部分功能。模型修改 Django 的数据、导入和页面代码，他看着预览继续说想怎样改。约半小时是作者自报的这次经历，没有同条件的打字对照，不能据此计算节省了多少时间。

完整记录里，口头想法逐渐变成具体规则：通讯可以公开列在目录里，正文仍只供赞助者阅读；旧月刊公开后进入站内搜索，却继续按原发送日期排序。作者还区分了日期归档、标签和首页应该出现什么。这里值得看的不是一条完美提示词，而是人怎样在对话中说清内容关系，模型再把这些关系接进已有网站。

做完饭以后，他又用了约半小时的键盘提示与代码审查才满意上线。一个具体修改是导入方法：初版调用 Git 子进程，他在 PR 中指出，部署到 Heroku 时要额外配置才能使用 Git，于是改为 HTTP 和 GitHub API 导入。私有资料的访问也需要由他配置凭据。语音适合继续描述想法，具体运行环境和上线决定仍由熟悉项目的人处理。

这些步骤可以分别追溯。PR 719 保留八个提交，10 月 9 日已合入；后续提交增加 HTTP 导入，再删除旧 Git 导入方法。现在的索引、年份页与一份公开月刊也能实际打开。两张配图分别是作者呈现成品的索引截图，以及语音对话旁的本地预览；本地页面不充当上线证明。本站核对了原文、记录与公开入口，没有复做这次开发或检查他的私有后台。

这与同一作者前面的 Blender 三版场景相连：Astra 的工作留下了还能修改的作品，人继续看结果、提出更具体的选择。这次生活场景让沟通发生在做饭时，最终成果仍回到代码审查和真实读者的入口。它给创作者的启发，是先把自己想整理的内容关系说出来，再用可看的第一版继续决定；需要精确处理细节时，换回键盘也是过程的一部分。

• 按年份找一份作者通讯 ↗
• 看一份已公开月刊的实际阅读页 ↗
• 接着看同一作者的三版 Blender 场景 ↓比较两种作品如何保留第一版，再由人继续修改。

一份有 50 个页签的税务工作簿，既要填完，又要让会计师查得回去。OpenAI 9 月 28 日公布的 Basis 案例中，Basis 让自己的代理分别使用 GPT-6 Astra 和上一代 GPT-5.6 Sol 完成同一项复杂工作簿任务；公司报告 Astra 用时约为 Sol 的一半。下图将 Sol 的用时设为 100% 作相对示意，不代表公开了实际分钟数或原始表格。

Basis 联合创始人 Mitch Troyanovsky 将差异归于模型更早理解任务意图、较少走弯路和返工；他还说代理可以在难步骤增加推理、简单步骤减少推理，同时保留缓存。这些是参与测试的企业对自身流程的解释，不是对所有税务任务的通用速度结论。Basis 另报告内部评估分数约提高 20%，但公开案例没有给出样本量、评分细则或各项费用。用时减半不等于账单减半，也不能据此推断准确率翻倍。

模型不是单独打开一张电子表格就完成整套业务。Basis 自己的税务产品说明了周围的工作：读取客户资料和往年文件，按事务所标准建立工作底稿，记录数字来源、假设与例外，交给专业人员检查并决定。Basis 还公开说平台会按任务路由不同前沿模型。因此，这次 Astra 对 Sol 的比较只对应案例中的代理与工作簿，不能写成 Basis 的每一份报税工作都由 Astra 处理。

这个例子把 Astra 专题里的“能力”推进到公司接入后的具体结果：同一项长任务里，少走错误路径可能比单次回答更有价值；可追溯的工作底稿和人的复核，则决定它能否进入真实工作。它与 invideo 的视频时间线案例相似：模型参与规划，专业产品保存可检查的成果，人承担最终判断。公开材料尚未提供匿名原始工作簿、完整任务记录或独立复测，本站也没有做税务准确性验证。

• 回看 Astra 如何参与视频剪辑 ↓对照两个专业产品如何把模型工作留在可检查的成果里。

Simon Willison 用 Astra 调用 Mac 上的 Blender，制作骑自行车的鹈鹕，并在 9 月 5 日公开三个阶段的场景、脚本和会话。第一版先建立角色与自行车，后续再补背景和细节。

这与前面的 SVG 画图题是两件事：这里交付的是能继续编辑的 .blend 场景，对象、材质、灯光和相机都留在文件里。想制作产品演示或教学场景的人，可以从作者的过程理解“描述场景—调用工具—继续修改”这条路径。

• 查看三版场景与可编辑文件 ↗作者保留了 .blend、脚本和会话。

从前面的可编辑场景再走一步：创作材料可以是自己珍藏的照片，结果则成为能让家人和朋友访问的地方。

9 月 13 日，创作者 dirstart 在 V2EX 分享了“竹林里的老屋”：他用几年前拍摄的照片，借助 Astra 制作外婆家的 3D 场景，并开放了网页和源码。作者说，老屋位于福建龙岩，小时候曾在那里生活；村里后来搬迁，回到原来的住处已不方便。

项目以 Three.js 在浏览器中呈现竹林、木廊与房间。当前项目说明提供沿路观看、廊下望竹、切换屋内外地点和 360° 环顾，也可以选择清晨至夜晚，以及晴风到暴雨等天气，搭配自然声音。访客看到的不再只有一张照片，还可以换个角度看屋檐，听一场竹林里的雨。

原帖中多位访客提到加载慢、发热或卡顿，作者随后回复正在优化，也有读者提交了改进。当前项目文档已记录渲染优化；对这类作品，让不同设备上的访客顺畅进入，仍是持续制作的一部分。正文旁的“走进竹林里的老屋”可打开网页，公开仓库则保留了场景结构，供有兴趣的人继续改造。

• 走进竹林里的老屋 ↗打开作者的网页，切换视角、光线和天气；初次加载可能需要稍等。

老照片可以成为场景，课文则多了一条叙事路线。宝玉用 ChatGPT Pro 中的 Astra 制作《桃花源记》网页，再提供朗诵 MP3 与 SRT 时间轴，最后让 Codex 拆分音频等资源。这个案例展示了从原型到交付的接续：画面之外，还要处理声音、时间与文件。

打开作者作品后，点“循文入境”，可沿二十幕阅读，切换原文与白话并回看章节。本站本次打开了导览并操作暂停，配图就是该次画面；这不代表已经检查完整旅程或所有设备。作品需要支持 JavaScript 与 WebGL 的浏览器。

如果把自己的材料做成网页，可以先明确读者要按什么顺序看、在哪里停，再逐步补齐交互和资源。这里的 AI 用于制作网页；不要把这个作品理解为每位访客都在调用 Astra，也不能据此判断它比其他模型更适合所有课文。

• 打开作者的二十幕导览 ↗中文作品；进入后可暂停与回看。

int64ago 用 Astra 制作 vistep 科普网站，公开源码，让生活中的机制变成可调参数的实验。本站此前体验自行车变速页面，并据此整理了齿比、踏频与坡度的解释：先预测，再改参数，看数字怎样回应。

另一条路径从已有资料开始。jackdoe 用 1993 年 Yamaha TDM850 的手册与零件表制作机械图谱，让读者从整车进入前叉、发动机等子系统。两个例子都把“读一段说明”变成“看到部件关系并操作”，适合借鉴的是怎样让画面帮助理解。

• 操作自行车变速实验 →先调齿比，再看踏频、距离和速度的关系。
• 打开 TDM850 机械图谱 ↗从整机进入前叉、发动机等部件。

Thomas Ricouard 的 Void Explorer 把太空飞行、着陆与步行设计成连续探索。本站此前短暂体验了轨道场景：按住空格推进，速度升高、目标距离缩短；这次记录没有完成着陆。作者的方法包括可重复的起始场景、状态检查，以及继续亲自游玩。

Justin3go 的博客首页则用作品、经历和手绘形象介绍一个具体的人。它提示另一种用法：做个人网站时，把真实内容和希望别人认识的特点交给助手，页面才有自己的表达。两件作品关注的都是打开以后怎样使用，而不只是一张漂亮截图。

• 玩一段 Void Explorer ↗直接体验推进与探索，再回来看制作方法。
• 浏览 Justin3go 的个人网站 ↗看看模型怎样参与一个真实个人网站的更新。

AI 做视频不只有从文字生成画面一条路。OpenAI 9 月 23 日介绍 invideo 的接入：编辑者给出要求后，Astra 帮助手规划剪辑步骤、选择工具并把修改放到时间线的准确位置。这里的起点是已有素材和剪辑项目；模型参与组织工作，invideo 的编辑器执行并保存可继续修改的结果。

调色能看出这种分工。假设要改变背景颜色，却保留人物肤色，助手先得分离人物、逐帧跟踪，再决定使用校色、调色、LUT 或其他手段，把修改作用到正确区域。Astra 被用于安排这些步骤；这不是说 Astra 自己逐帧生成了整部视频，也不是一句提示就能省掉看片和修正。

OpenAI 案例中，invideo CEO 称调色与校色任务的成功率约提高三倍；几位编辑还在一天内用模型制作了约 50 个可调整的效果。这些是厂商在 OpenAI 案例中的报告，不是本站或独立机构的复测。公开文章没有给出基线成功率、样本量和判定方法，因此“三倍”不能换算成剪辑速度、画质或所有用户的成功率。

这条能力落在一个具体产品里。invideo 9 月 1 日推出的浏览器编辑器有多轨时间线；助手加入的是普通片段和可撤销的修改，创作者仍能移动镜头、改节奏、手动调色并决定最终版本。官方说明手动编辑器免费，AI 助手和生成模型消耗点数。OpenAI 案例没有说明普通用户能否在产品里指定使用 Astra，因此不要把这次接入当成一个人人可选的模型按钮。

如果手里已有两段拍摄素材，可以先做一个小实验：要求助手“把这两段镜头的色调调得一致，保持人物肤色自然，不改变镜头顺序”；然后在监看画面和时间线上逐段检查，指出不满意的地方或自己改。这个请求来自 invideo 帮助页的调色例子，加入了明确的保留条件与检查步骤；它是可尝试的方法，不是本站已完成的实测。

与 Opus 5.5 把文字、图形写成浏览器动画再编码成视频相比，这里处理的是现成镜头上的剪辑。两条路都可能交付一个视频文件，但模型、软件和人的工作不同。选方法时，先问自己是否已经有需要整理和修改的素材，还是要从零制作动态图形；再看成品是否需要留下可接手的源项目。

• 看 invideo 的实际编辑步骤 ↗先从两段素材的色彩一致性试起，检查时间线后再决定是否继续。
• 对照 Opus 5.5 的视频做法 →另一条路线是让模型写浏览器动画，再渲染为视频。
• 继续看 AI 视频的实际用法 →从已有素材的剪辑，连接到其他作品和制作路径。

Plus 用户可以先看 Work 或 Codex 中是否已有 Astra；它们包含限量用量，不必为了试一次就先升级 Pro。Work 面向报告、表格和演示文稿，Codex 面向代码与软件项目。普通聊天中的 GPT-6 Pro 是另一条入口，套餐与额度如下。

Work 与 Codex 共用一套额度，与聊天额度分开；Astra 通常比 Sol 消耗得更快，任务长度和推理档位会影响用量。对已有 GPT 用户，更实用的安排是：短改写继续用熟悉的模型，把需要综合材料、连续修改和产出文件的任务交给 Astra。

第一次可以切到 Work，选择 Astra，附上已有材料，并说清交付物。例如：“把这三份会议材料整理成可编辑的 5 页演示稿，标明结论出处；完成后检查图表、文字溢出和缺失信息，修好再交付。”这是本站建议的试用任务。需要本机文件或软件时在桌面端选本地工作；未见 Work 入口时，查看账号开放进度与客户端更新。

从 Sol 换过来，旧提示也值得简化：保留目标、必须遵守的条件和完成标准，删去已经不需要的逐步指挥。OpenAI 的 Astra 提示文章特别建议讲清“做到哪里才算完成”，让它继续检查和修正，而不是得到第一稿就停。

• 打开 ChatGPT，查看自己的可用模型 ↗先用已有账号；在 Work 或 Codex 中选任务和模型。

把这些材料放回实际选择：反复画不对的结构图、纸上批注录入、需要交付文件的长任务，值得拿一件自己的工作试 Astra；日常聊天、短改写或现有工具已经顺畅完成的流程，可以继续沿用。如果你只想做一张海报或改照片，直接使用图片工具通常更贴近这件事；Astra 的网页与三维作品，则多了一层组织代码、素材和交互的工作。

作品能够生成以后，后续修改与接手也重要。Armin Ronacher 在 9 月 7 日的复盘中描述，让 Astra 自行展开 Python 解释器修改，约 35 小时后仍认为代码不可接受；他也反思了任务安排。这个经历与前面的短篇作品回答不同问题：更长的任务，还要看结果能否读懂、检查和继续维护。

机械臂实验也让“完成”变得具体。Robocurve 的两个任务中，Astra 方块入碗完成 19/20 次，拼图入槽完成 2/20 次；一份拼图记录由模型以 done 结束，人工却判为部分完成。沿这些结果继续看，才能把能执行动作、能生成文件，与真正完成任务接起来。

• 只想改图片？看连续编辑的例子 →从现有图片逐处修改，和组织一个可交互网页是不同任务。
• 已经在用 DeepSeek？看图片与工具的新入口 →先确认手里的版本与工具能做什么，再决定是否增加一种选择。