摘要： OpenAI 在 9 月 3 日公開 Astra 的網路安全評測，顯示 ExploitBench 解題率從 GPT-5.6 Sol 的 22% 提升到 100%，並在測試中發現兩個零日漏洞。文章同時指出 Astra 平均少用 9% token，但所有進階結果都來自 Daybreak Blue 存取層級，不是預設設定。
OpenAI 在 9 月 3 日發布「Path to Astra」貼文，同步公開 Astra 在網路安全方面的完整評測結果。安全研究者自然會把這些數字當成一手材料，但一般開發者同樣能從中讀到兩個切身訊號：模型處理真實工程任務的能力上限再度被推高，而完成相同工作所耗用的 token 反而下降。
先提官方開頭就講明的但書：底下每一項成績都來自 Daybreak Blue 存取層級，並非普通使用者取得的預設設定。在預設設定下，最先進的網路安全能力是被封鎖的。
ExploitBench：解題率從 22% 躍升到 100%
ExploitBench 是 OpenAI 設計來檢驗模型能否利用真實漏洞的基準。在同一套評測裡，GPT-5.6 Sol 的解題率為 22%，Astra 則是 100%。這已經超出漸進改善的範疇，屬於質變：前一代模型大半題目解不開，這一代則把全部題目做完。
評測方式本身也往前推了一步。單一漏洞的公開概念驗證碼會污染基準，模型可能只是記住了已公布的 exploit 而通關。為此 OpenAI 把挑戰搬進內部版本：一份含有 20 個高嚴重度漏洞的私有 V8 build，模型不可能事先背下答案。Astra 在這個條件下仍舊全部解出。
評測過程挖出兩個零日漏洞
這輪測試另外帶來一項意料之外的收穫：Astra 找出兩個過去不為人知的零日漏洞。兩者均已通報維護廠商，協調揭露程序正在進行。官方貼文直接寫明，公開這類能力是為了讓防禦方有時間部署修補。
這也是「評測本身即漏洞研究」的第一手案例。對安全團隊而言，它指向一種新的運作方式：把高能力模型放進受控環境，對自己的攻擊面做分析，換回來的是可以直接行動的防禦情資，而不是一個分數。
兩條完整攻擊鏈：沙箱逃逸與提權
除了單一漏洞的利用，Astra 還端出兩條多步驟攻擊鏈。其中一條是新穎的瀏覽器沙箱逃逸鏈，從網頁情境內部一路突破沙箱。另一條是作業系統的本地提權鏈，從無特權身分一路升到 root 權限。
這兩條鏈之所以關鍵，在於「自主性」：模型自行規劃並執行完整攻擊序列，中間沒有人類補位。這正是 Critical 門檻想捕捉的條件，也是 Astra 被歸入該等級的具體依據。
token 少用 9%，結果卻更好
對大多數開發者來說，整份報告裡最實用的大概就是這一句：Astra 平均消耗的 token 比 GPT-5.6 Sol 少 9%，同時交出更好的成績。代理式工作負載的成本與延遲都由 token 效率決定，同樣一筆預算如今能支撐更長的任務鏈。
外界報導另外補上背景：Astra 特別擅長替使用者操作電腦，也能處理比前代模型更長的工作，OpenAI 將它定位為至今最強的軟體工程模型。把這點和效率提升放在一起看，長時間代理任務的經濟性正迅速好轉。
給建構者的三個行動項
第一，若你正在做安全相關產品，Astra 級模型的防禦用途已獲得官方背書，Daybreak 計畫是取用更高權限的正式管道。第二，token 效率是模型升級時最常被忽略的紅利，請重新校準你對代理任務預算的假設。第三，公開的評測數據對應 Daybreak Blue 層級，而你的應用拿到的是預設設定，規劃能力預期時要把這段落差算進去。