Aravind Srinivas 发了一条让不少人意外的推文：祝贺 OpenAI 发布 GPT-6 Astra。按常理，一个靠整合多家模型做产品的公司，未必乐见某家模型一骑绝尘。但他不仅祝贺，还给出了明确判断——在宽度和深度研究任务上，GPT-6 Astra 远超其他模型，而且更有成本效益。更实在的是后半句：这个模型很快会进入 Perplexity Computer，Pro 和 Max 用户先用。这不是面子工程，是 Perplexity 给自己新一阶段产品选定的发动机。
Perplexity 的算盘：不造模型，但要抢入口
先接住最强模型再说
Perplexity 从来不是理想主义的开源布道者。它的商业模式很朴素：谁的模型能更好地回答问题，就把谁集成进来。过去几轮竞赛里，它同时接入 OpenAI、Anthropic、Google 的模型，把选择权交给用户。这一次对 GPT-6 Astra 的高调确认，等于告诉市场和用户：在“研究任务”这条最吃模型能力的产品线上，Perplexity 选了 OpenAI 做主力。
逻辑很简单。推理模型的竞争已经进入下半场，光能聊不够，要能查资料、读文档、对比数据、产出可用的结论。GPT-6 Astra 在 Perplexity 内部的评测里领先，那就没必要为了所谓的“中立”放弃最佳体验。
“宽度”和“深度”到底在说什么
Aravind 口中的“宽度”和“深度”不是两个形容词。宽度，指模型能覆盖的任务类型——从写代码到读论文，从多轮对话到跨网站信息整合。深度，指单条任务上能推进到多底层——比如让模型读一个一万行的代码仓库，找到 bug 并给出修复方案，而不是只给你几条搜索摘要。
能同时在这两个维度上拉开差距的模型，市面上没几个。大多数模型在简单问答上差异不大，一到长上下文、多步骤推理、复杂指令跟随就开始露馅。GPT-6 Astra 的优势恰好集中在这些点上，而这也是 Perplexity 最需要补强的能力。
成本效益是算出来的，不是夸出来的
很多人忽略“更具成本效益”这句话的分量。模型能力强不稀奇，稀奇的是能力强的同时还便宜。API 定价直接决定 Perplexity 这类中间层能不能赚钱——如果每次深度研究要消耗几美元甚至几十美元的 token，那订阅费根本覆盖不住。
Srinivas 敢把成本效益单独拿出来说，说明 GPT-6 Astra 的单次任务成本已降到可以商业化的区间。对 OpenAI 而言，这也是一种策略：用更低的推理成本，把应用层伙伴牢牢绑进自己的生态。
GPT-6 Astra 的边界：能操控电脑，也能触发警报
1.05M 上下文：项目级理解成为标配
这次发布的 GPT-6 Astra 不是简单的聊天模型升级。它带着 1.05M 的上下文窗口而来，意味着一口气吞下整个大型代码库、一整本书或者几十份研究报告都成了常规操作。模型不仅能“看到”这些内容，还能在它们之间做推理、找关联、执行操作。
上下文从几万跳到上百万，不是量变，是质变。当模型能同时记住对话开头埋下的细节和结尾抛出的任务时，很多过去无法完成的工作——比如让 AI 当真实的研究助理、数据分析师、代码审查员——开始变得可行。
触及 Critical 阈值：OpenAI 罕见地自我设限
更有意思的是，OpenAI 因为模型能力触及 Critical 网络安全阈值而主动限制了部分访问。说直白点，这个模型已经强到让发布者担心被滥用。以往这类决定大多发生在闭门测试阶段，而这次被公开摆到台面上。这既是一种姿态，也是一种免责声明。
但限制从来挡不住技术扩散。真正的看点是：当一个模型能自己操控计算机、阅读并执行复杂指令时，安全边界到底该划在哪里？OpenAI 没有给出答案，它只是在边缘踩了一脚刹车。
99.9% 的 ARC-AGI：又一个被刷新的标高
ARC-AGI 3 得分 99.9%，这个数字几乎顶到天花板。ARC-AGI 测试的是模型在从未见过的任务上的推理能力，而不是死记硬背。99.9% 意味着绝大多数新任务对 GPT-6 Astra 来说不再构成挑战。
当然，benchmark 永远只是投影。真正值得在意的不是分数本身，而是分数背后反映出的通用推理能力——以及这种能力被整合进消费级产品后的体验提升。
Perplexity Computer：搜索正在变成研究
深度研究不是一个按钮，是一条流水线
Perplexity Computer 是 Perplexity 对“用于工作的 AI 电脑”的构想。它不再满足于你问我答，而是要把搜索、阅读、推理、生成报告串成一条完整流水线。在这样的产品里，GPT-6 Astra 的深度研究能力可以直接变成用户端的一项核心技能。
想象这个场景：你扔给它一个课题——“分析全球电动重卡市场的竞争格局”——它自己规划搜索路径，打开几十个网址，读取 PDF，比较不同机构的数据，最后产出一份带引用的结构化报告。过去这需要专业分析师忙一整天，现在可能只需要几分钟。
Pro 和 Max 先行：一场高价值用户的定向测试
Perplexity 选择先向 Pro 和 Max 用户开放 GPT-6 Astra，而不是所有免费用户。原因很现实：深度研究任务消耗的算力惊人，必须用付费订阅来过滤需求。Pro 和 Max 用户可以视为最核心的研究型用户群体，他们的反馈决定了这个功能是推向大众，还是继续打磨。
这其实也是大模型应用层产品共用的策略：先用高价锁定重度用户，跑通成本和体验的平衡点，再逐步下放。真正的分水岭在于，Perplexity 能不能让这些用户觉得值回票价。
模型竞赛的下半场：应用层正在成为主战场
成本下降，把战火引向产品体验
GPT-6 Astra 释放出的信号不只是“我更强了”，还有“我可以更便宜地强”。当推理成本降到一定程度，模型之间的差距会缩小，用户感受的差异更多来自产品端——怎么调用、怎么编排、怎么把模型能力嵌入工作流。Perplexity 的站台，本质上是在押注自己比任何单一模型厂商都更懂得如何服务信息工作者。
OpenAI 也需要 Perplexity 这样的分发渠道。只有让足够多的用户用起来，模型价值才能从技术参数转化成实际留存率和口碑。
反馈闭环：下一步的护城河
模型每回答一次，应用层就多一条真实使用记录。用户查了什么、点了哪条链接、对哪个回答不满意，这些都是训练下一代模型最珍贵的原料。Perplexity 这类产品握着搜索引擎级别的用户意图数据，这是模型厂商自己短时间难以补齐的资产。
所以，Aravind 的祝贺从来不是为了礼貌。他在为 Perplexity 抢下最前沿模型的供应权，同时也在为自己的反馈闭环积累弹药。GPT-6 Astra 进入 Perplexity Computer 只是开始。接下来值得看的，是这两家如何在一个入口里共同定义“研究”的边界。
