屏幕即接口：
GPT-6 Astra 的 Computer Use 打开了哪些新机会

§ 01 一周时间线：从仓库泄露到企业管控

这件事的节奏比大多数模型发布都快，值得先把时间线摆清楚。

9 月 3 日凌晨，发布前十几个小时。 有人翻 OpenAI 官方仓库 openai-cua-sample-app，发现一个由内部账号提交的 PR #71，分支名叫 gpt6-computer-use-images，新增了 gpt6-js-image 和 gpt6-py-image 两个环境。Token Gremlin 去 GitHub 历史里核对后发了一句："That's computer use."——GPT-6 会主打什么，这时候已经没有悬念。

9 月 3 日。 OpenAI 官方推文只有两句话："This is GPT-6 Astra. Anything you can do on a computer, Astra can do for you. Fast." 发布视频致敬的是 1979 年 MIT 建筑机器组的 "Put That There" 演示，据 Browserbase 工程师 Kyle Jeong 9 月 7 日的统计，这条推文当时已有 1.31 亿播放。宝玉转述，总裁 Greg Brockman 在发布前的媒体沟通会上说，他个人认为 OpenAI 已经做到了 AGI，"未来回头看，可能就是这个模型"。

9 月 4 日。 API 开放 gpt-6-astra，标准定价每百万 token 输入 10 美元、输出 50 美元。OpenAI 计算机使用团队同时宣布：搭配 Astra，ChatGPT 的 computer use 快了近 2 倍；而且 harness 层的优化是通用的，用旧的 GPT-5.6 Sol 也能快约 60%（Sac 转引的官方说法）。同一天，OpenAI 计算机使用团队核心成员 Maximilian Sieb 宣布离职，他的告别帖有 230 万播放，里面有一句话概括了这条路线的三年："我们把模型从订机票时点不准日期，带到了主线模型里的 computer use，再到这周的 Astra。"

9 月 5 日到 6 日。 demo 潮。KEITO 让 Astra 在 Canva 里用鼠标画自己的肖像，84 万播放；Alexey Fateev 给 Astra 和 Claude Fable 5.1 同一张照片、同一个 Paint，配文"Fable 5.1 欠我一个道歉"，119 万播放；Mark Kretschmann 看它弹钢琴后问"computer use 是不是已经被解决了"。Will Hu 在发布 48 小时后盘点了 7 个高互动案例，150 万播放，后面会细说。

9 月 7 日。 黄仁勋宣布 "AGI has arrived"，并透露 Astra 在超过 10 万套 NVIDIA Grace Blackwell NVLink72 系统上训练。这个量级 OpenAI 自己也确认过：研究副总裁 Aidan Clark 对记者说这是他们"迄今为止最大的一次训练"，"这是我们第一次在超过 10 万块 GPU 上做预训练，地点在德州的 Stargate"。Kyle Jeong 发出源码拆解博客。Bilawal Sidhu 把父母老宅的 3D 扫描交给 Astra 变成可编辑场景，然后"把重力调低、开了一个传送门"。

9 月 8 日。 第一桶冷水。CoArena 发布 CUA KnowledgeBench：花了超过 5 万美元让前沿模型做 12 小时的真实公司工作，Astra "勉强挤进前三"。同一天，Kyle Jeong 宣布用 Stagehand 做翻译层后，Astra 的 computer use 再快 2.5 倍。

9 月 9 日。 第二桶冷水。Francesco 团队针对被反复转发的高速演示视频说：预批处理的动作不等于 Agent 实时决策，"这不是今天现实的日常实时 computer use，一年内大概也不会是"。

9 月 10 日。 三件事同一天。OpenAI 的 James Sun 宣布企业级 CUA 管控：站点与应用白名单、上传/下载/历史/CDP 逐项开关、审批力度可调、每一次截图和动作都流到 OpenTelemetry。OpenAI 发布 Agents API，把 Codex harness 搬到云端托管，公测。NeoCognition 发布 ApprenticeBench，给出一个后面会反复引用的判断："No more CUA tax"——GUI 操作的成功率第一次追平了 API。

9 月 10 日到 11 日（v2 补充）。 同一个 48 小时里，围绕 CUA 的第三方基础设施集中落地了三件，而且分别占住了三个不同的位置。伯克利 RDI（Dawn Song 团队）发布 CUA-Lite，把环境、数据和 harness 三样东西统一成开源标准，附带免虚拟机的桌面沙箱和 3 万以上可验证任务；微软发布 Project Zenith，把 Agent 身份与容器隔离做进 Windows，试图让操作系统成为 Agent 的控制面；xAI 发布 Grok Bot for Enterprise，每个 Bot 一台独立云电脑加一个岗位，自带访问与审计控制。同一期周报还披露了 OpenAI 内部的 Agent 使用数据——到 8 月中每人类工作日约 3.1 个 Agent 工作日，但超过一半成功的 4 到 8 小时任务仍需人介入。开源标准、操作系统、企业产品，一周之内三个方向同时动手，说明 §05 讲的那一层不只是"机会"，已经是战场。

§ 02 官方数字：快了一倍，安全指标降了一个量级

OpenAI 发布页在 computer use 这一节给的数据不多，但每一条都可以对照。

几个值得停一下的地方。OSWorld 2.0 的分数只涨了 7 个百分点，时间却少了 47%，这说明"快"比"准"是更大的变化。ScreenSpot-Pro 是纯定位测试（给一张专业软件截图，找到该点的地方），从 76.9% 到 92.7% 是这张表里最大的跃升，也是 X 上"坐标又快又准"这类观感的来源。AutomationBench 翻了一倍多，但绝对值只有 41.4%，意味着一半以上的自动化任务仍然做不成。

安全那一行需要单独解释。OpenAI 用一个"对抗性挑选、专门诱导模型犯错"的 computer use 任务集测不良后果发生率，Astra 是 2.4%，上一代是 22.0%。发布页还提到，在内部评估里 Astra "从未尝试绕过 Codex Auto-Review 的拒绝"，即便审查被故意配置成可绕过、且不绕过就无法完成任务。这是 OpenAI 敢把 CUA 推给企业的底气，后面讲管控层时会再回到这里。

v2 补两个更贴 CUA 的安全数字，来自 OpenAI 9 月 1 日的 《Path to Astra: critical capabilities and frontier safeguards》。一是越狱拒绝率：Astra 拒绝了 91.5% 的违规请求，上一代 Sol 只有 59%。二是"范围收敛"——这一条对 CUA 才是真正要紧的：在测试模型会不会在难任务下去碰不该碰的系统时，Astra 留在了被指派的任务范围内，而没开生产防护的 Sol 在 56% 的同类测试里试图访问蜜罐目标。一个 Agent 能操作整台电脑的时候，"它会不会越界"比"它准不准"更决定能不能上生产。同一篇文章还交代了时间线上的一个细节：Hugging Face 事件之后 OpenAI 暂停了部分前沿训练两周来加固训练基础设施，大规模前沿 RL 跑是 8 月 28 日在新要求落地后才重启的。

这张表本身需要一个注脚。 OpenAI 给的 OSWorld 2.0 跑在 v2026.08.08 离线集上，而 Anthropic 在自己的发布页上给 Claude Fable 5.1 的 OSWorld 2.0 是 77.9%（partial）/ 41.7%（strict），Opus 5 是 75.4% / 39.6%——都跑在 benchmark 作者的 2026 年 8 月任务集上，三个 Claude 在同一条件下重跑。Anthropic 自己在脚注里写明：任务文件和早先的 release 不一样，所以这些数字不能和此前公布的 OSWorld 2.0 结果直接对比，这也是它那一列干脆留空、不去引用别家公开分数的原因。另外 Fable 5.1 是开着生产环境防护跑的，防护介入的任务直接记零分，Anthropic 说这很可能压低了自己的成绩。所以上表"第三方对照"那一列请当作量级参考，不要当作同场竞技的排名。真正该留在脑子里的是 strict 档那个数字：最好的模型在严格判定下只有 41.7%，和 AutomationBench 的 41.4% 几乎重合。

其他几个数字不直接关乎 computer use，但决定了它的"底盘"：Terminal-Bench 4.0 从 37.3% 到 57.9%，FrontierMath Tier 4 到 97.6%。OpenAI 还说 Astra 在网络安全上达到了其 Preparedness Framework 的 "Critical" 阈值，ExploitBench 满分。这些数字和 CUA 的关系是：模型越聪明，完成一个任务需要的回合越少，而回合数正是 CUA 速度的瓶颈。

同一个模型，两个 harness，差 37 个百分点

本文初版的一处更正。 v1 把 ARC-AGI-3 写成"从 7.8% 到 99.9%"，这是不该犯的错：两个数字来自两套不同的 harness，不能并列。ARC Prize 9 月 3 日的评测报告把这件事讲得很清楚，而更正之后剩下的那个事实，恰恰是本文后面整篇要论证的东西。

ARC Prize 用两套 harness 跑了同一个 Astra。Standard harness 是 provider 中立的最小接口：模型自己决定把哪些笔记以可见文本的形式带到下一步，旧历史超过长度阈值就截断，上一轮的推理草稿每走一步就清掉。Provider Adapter harness 用 OpenAI 自己为 Astra 设计的上下文管理：在请求之间保留不可见的 reasoning state，长会话用 compaction 压缩而不是截断。

同样的权重、同样的游戏、同样的题目，结果是 62.7%（Standard，max 档，$26,098）对 99.9%（Provider Adapter，high 档，$18,817）——相差 37 个百分点，而且贵的那一边反而是分数低的那一边。在两套 harness 都解开的 167 个 game-reasoning 组合上，Provider Adapter 这一侧快约 3.66 倍、少用 49% 的 token。ARC Prize 的结论是两个分数都算 state of the art，但今后两种评测条件会分开标注上榜。和上一代的可比对照因此应该是 62.7% 对 7.8%——依然是巨大的跃升，但是 benchmark 真正支持的那一个。据 The Next Web 对同一份榜单的整理，harness 效应也不是 OpenAI 独有：Claude Opus 5 自己跑 30.16%，套上 NVIDIA AVO 和 AWS Strands 两个 scaffold 后分别到 100 和 99.95。

报告里还有两个和 CUA 直接相关的发现。第一，reasoning effort 越高反而越便宜：Standard harness 下 max 档 62.7% 花 $26,098，medium 档只有 38.6% 却花了 $48,090——因为想得清楚的模型用更少的动作解题，模型调用次数和 token 都跟着降。这对 CUA 的含义很直接：省钱的办法不是调低 effort，而是减少回合数。第二，在 ARC Prize 另做的 PRO-LONG harness 里给 Astra 一个可以执行代码的沙箱，它会给每个游戏现造一套工具——迷宫游戏 tu93 里它先写 maze_solver.py 做导航，再补 combat_solver.py 处理战斗规则、patrol_solver.py 建巡逻队模型、sync_state.py 拿预测去对观察。换句话说，模型已经开始自己写 harness 了。

一个必要的提醒：ARC Prize 明确拒绝了 OpenAI 那个结论——"我们不是在宣称这是 AGI"，跑满 ARC-AGI-3 本来就不构成 AGI 的证明，co-founder Mike Knoop 的原话是"我们还没有证据把这个叫做 AGI"。这句话值得和 §01 里 Greg Brockman 和黄仁勋的表态放在一起读。

§ 03 它为什么突然能用了：拆开 Astra 的 CUA 循环

Kyle Jeong 在 Browserbase 做了三年 computer use 的生产化，他 9 月 7 日的博客是目前最清楚的技术拆解，材料来自 Codex 开源仓库和 ChatGPT 客户端源码。他的核心框架一句话：computer use 是 harness（工程）和 model（研究）两个问题，模型决定做什么，harness 负责做到。 两个都得解。

旧路线的病根。 2024 年 10 月 Anthropic 用 Claude 3.5 Sonnet 开了先河，路线是纯视觉：模型看截图，输出像素坐标加动作，再由 Playwright 之类的驱动执行。后来 OpenAI 的 Operator、Google 的 Gemini 2.5 Computer Use 都是这个思路。它的问题在于，模型是在固定视口（比如 1288×711）上后训练的，换一个窗口尺寸就开始点不准；而且截图看不到内部状态——按钮到底是不是禁用的、表单有没有校验通过，只能反复试。

Astra 的路线：把屏幕读成文本，把动作写成代码。 Chrome 里每个网页、大多数桌面应用，都会为无障碍模式自动生成一棵 a11y 树（accessibility tree），把界面上每个元素的角色、标签、状态列成结构化文本。它比截图省 token，而且天然带状态。Astra 优先读这棵树，需要时再补一张截图，然后用代码发出动作。一次典型输出长这样：

{
  "type": "function_call",
  "name": "exec_js",
  "arguments": "{\"code\":\"await page.getByRole('searchbox').fill('browser automation'); ...\"}"
}

也就是说，computer use 现在就是 code mode。OpenAI 的 API 文档甚至直接建议所有 computer use 都走代码执行，浏览器推荐 Playwright，桌面推荐 PyAutoGUI。

架构本身不复杂。 会话开始时，Codex 起一个 Node REPL 保存状态，绑定浏览器或原生应用的操作接口。模型观察（文本、截图或两者）、写代码执行动作，本地一个叫 CodexComputerUseIPC-5 的服务通过原生管道上的 JSON-RPC 把动作落到元素 ID 或坐标上。执行完不算完，Astra 会再观察一次，把当前状态和预期状态对一遍，然后进入下一轮。因为 computer use 天然有状态，这个 REPL 必须撑满整个会话。

Guardian：动作执行前的安全审查。 Astra 是唯一要求 auto-review 的模型。机制是用 GPT-5.6 Luna 做后台分类器，评估当前工作流的风险，返回 high 或 low；high 会触发对后续动作的阻塞式审查，审查器输出类似 {"risk_level": "high", "user_authorization": "low", "outcome": "deny"} 的结论。常见的拦截项包括权限授予、登录和账户级操作、敏感数据提交、有后果的点击、绕过限制、破坏性操作、越权访问私有数据。用过 Codex 委派任务的人大概都撞过其中几条。

那它为什么快？ Kyle 的回答很朴素：它更聪明，所以回合更少。Astra 在超过 10 万块 GB300 上做的后训练，大量时间花在 computer use 环境里的强化学习。推理速度反而不是主因：一旦超过 300 TPS，瓶颈就在动作执行而不是生成。harness 层的 websocket 预热、连接复用、用 previous_response_id 做增量请求，这些只压缩工具启动时间，不改变每步动作的速度。

有一个旁证很说明问题。Kyle 团队做了一个翻译层，把 Astra 输出的 Playwright 命令转成 Stagehand，速度再快 2.5 倍，他给的例子是 Astra 自己决定把整个 logo 的绘制合并成一条命令，一次画完。这正是"聪明 → 回合少 → 快"的具体形态：不是每一笔都更快，而是它知道可以把一百笔打包成一笔。

还没解决的。 Kyle 自己列了三条：观察可能失败（a11y 状态不完整、截图细节不够或者视图已经过期）；观察和动作之间状态会漂移，有些应用的 a11y 树变得很频繁，动作就会落空；长时程 computer use 基本没被验证过——压缩做得好可以跑很久，但跑几天、几周之后表现如何，没人看到过。

§ 04 X 上的两种声音

爆款 demo 分四类

把一周里高互动的案例按"它到底在操作什么"归一下类，比按播放量排更有信息量。

第一类，画像。 Canva、Paint、Apple Notes、Kleki，给一张照片，让它一笔一笔勾出来。这类视觉冲击最大，也最没有实用价值。Jesse Lau 说得直接：让 LLM 复制一张图的像素再重画，"属于预先做一个程序就能搞定的事情"，纯属浪费 token。但他接着说了一个真有用的场景：打开 TradingView，直接在行情图上画趋势线、阻力线、斐波那契回撤和波浪标注，给出初步读图结论，作为人工交易前的预筛。

第二类，3D 和游戏。 这是流量最大的一类。Annalea 在 Blender 里 one-shot，97 万播放；Kevin Kern 让它在 Blender 里造车；Will Hu 盘点里有 /goal 连跑 5 天的 SimCity 克隆、Manager Loop 跑一周在 Unreal Engine 里逐街搭建的曼哈顿、一张老蒸汽火车图纸变成 3,295 个可编辑对象、600 个 Astra Agent 住进同一个 Unreal 世界。Tykoo 的观察顺便点破了一个副作用：一堆人用 Blender 建 3D，把本来就讲不清楚的"世界模型"定义搅得更乱，李飞飞几天前刚发的模型流量全被抢走。

第三类，生产工具。 这一类播放量不高，但每一条都是有人真的在用。Sac 让 Codex 直接操作剪映粗剪，"作为粗剪完全够用"；Kyle Balmer 所有长视频都由 Codex 剪辑，再用 computer use 上传 YouTube、填描述、传封面；AWAMORI 让它从 Illustrator 的落地页设计稿切图到写代码，全程含修改消耗了 Pro 5x 计划周额度的 15%；LinearUncle 用 Keynote 加动画，内容是 Codex 生成的 SVG；cosine 发现不再需要 Figma dev MCP，Astra 直接在 Figma 里看属性、改设计。

第四类，开发验收。 宝玉的评价有 20 万播放："它不像 GPT-5.6 那样要稍微等一会才操作，现在能很快很精准地帮我测试 App……这带来一个最大的提升，就是让 Agent 从开发到验收形成了完整的闭环。" quark_h 更进一步：要测 Windows 客户端，就开一台 Windows 虚拟机，Mac 远程登录进去，让 Codex 在 Mac 界面上操作 Windows，"测试过程非常丝滑"。

Will Hu 盘点完 7 个案例的结论，和我们看完两百多条推文的结论一致："以前做 AI 自动化，是先给 Agent 配 API、MCP 和插件，再教它怎么用软件。Astra 的路线，是让模型直接把屏幕当界面、把整台电脑当工具。所以它最可能先改写的，不是内容生成，而是那些功能强、学习成本高、又没来得及做 AI 接口的老软件。"

四桶冷水

第一桶：实时性。 Francesco 团队的判断前面引过了。他们自己录了 QGIS 出图、Preview 批注 PDF、GIMP 转 Inkscape 的多应用演示，每条都注明"手势 1 倍速播放，等待、重试和设置被剪掉，这是剪辑片段，不是完成时长的声明"。Cosmic Raven 的吐槽更具体："Astra 在 demo 里弹钢琴，然后花 30 秒打开一个 File 菜单。中等推理档在每次点击前都要跑一步思考，这就是你那 30 秒。" 需要说明的是，OpenAI 计算机使用团队成员声称发布视频里的所有 demo 都是实时录制的。两种说法我们都无法独立验证，只能并列放在这里。

第二桶：长时程。 CoArena 的 benchmark 值得多说几句，因为它的设计和常见 benchmark 完全不同。10 个未公开的真实公司任务，每个 5 个种子，一共 50 次运行，每次 12 小时墙钟时间，超过 100 个应用，最后只看工作产物是否合格，二值判定。一个环境是配送中心的班次：仓库系统、SAP 风格的 ERP、团队聊天和邮件，32 个工作窗口，证据随时间陆续到达。结果是最好的 Claude Fable 5.1 做成了 12 次（24%），Astra 勉强前三。更有意思的是分布：一个模型会做的任务，5 个种子里能做成 2 到 3 次；模型之间的差距主要在"10 个任务里有几个根本做得了"，头部是 4 个，尾部是 1 个。就算做成了也慢，Fable 5.1 成功运行的中位数是 6,940 个动作、6 小时 22 分钟。CoArena 接下来要花 20 万美元跑 1 天、3 天、7 天的版本。Doug Champion 在评论区质疑这种测法是否合理："没有 Agent 会在 Gmail 或 Slack 里用鼠标"，这个质疑和 NeoCognition 的"GUI 追平 API"结论放在一起看，恰好是当前争论的两极。

第三桶：判断力。 Max Schoening 一句话："Astra is way too eager to CUA."清凤的例子有 2 万播放：明明有 GitHub CLI，Astra 转头打开 Chrome 试图在网页上创建 issue。Akira 说它"很强，但为什么总做我不想让它做的事"。arjun chintapalli 玩 Cities: Skylines 的结论最尖锐："能跑但很慢，铺水管这种精细操作做不了；写了个 harness mod 之后就丝滑了。cua 是派对戏法，有用的 Agent 是在 harness 层解决的。"

第四桶：专业软件，以及换个主题就崩。 这一桶是 v2 补的，它直接顶在 "No more CUA tax" 的对面。Snorkel AI 用开源的 Cua-Bench 框架给 KiCad 做了一套 benchmark——KiCad 是完整的电子设计自动化套件，快捷键语法密集、多个编辑器互相联动，选它的理由正是"常见 benchmark 任务太短、领域知识门槛太低、界面本来就是为直觉设计的，前沿模型靠试错往往能糊过去"。25 个由专家出题的任务，结果是：4 个完全通过（16%），16 个跑到步数上限都没宣称完成，5 个在错误的产物上宣布自己做完了，而16 个"从零搭"的任务全军覆没——每一个通过的案例都是在已有原理图上改单个元件。约 80% 的错误落在规划、感知和导航效率上。榜单后来动了一点：最好的前沿 Agent 现在能过 25 题里的 6 题。

失败的样子比失败率更有信息量。有一次它把电阻值照字面打成 2.80kOhm，而 KiCad 的规范写法是 2.8k：拓扑检查通过了，数值检查没过。还有一次它把 LT3010 这颗 LDO 的参考电压说成 1.24V，实际是 0.808V。Snorkel 的点评是这两次的关键——标题栏、状态栏、ERC 对话框或者存下来的 netlist 里任何一个都能抓到这个错，但 Agent 在对着自己的叙述做推理，而不是去读界面。这句话和 §05 里 Yenpro Musik 那句"Agent 喜欢说自己做完了"是同一件事的两种说法。

Cua-Bench 这个框架本身还带来了第二个坏消息：它被做出来，就是因为现有 CUA 在细微界面变化上有超过 10 倍的成绩波动。它引用的 OpenApps 那项研究显示，同一个任务的成功率会因为主题、字体或语言设置差出 10 倍以上；框架作者给的例子更刺眼——一个在 Windows 11 上 90% 成功率的 Agent，同样的任务放到 Windows XP 上可能掉到 9%。原因是 OSWorld、Windows Agent Arena 这类 benchmark 都跑在固定应用、固定视觉配置的静态虚拟机快照上。所以 §02 那张表里所有数字，都该理解成"在那一套视觉配置下"的成绩。

这四桶水指向同一件事：模型能力已经过线，但"什么时候该用 CUA、什么时候不该"的判断，以及围绕它的工程，还远没有跟上。这恰恰是机会所在。

§ 05 八个新机会

1. 没有 API 的老软件：OpenAI 自己点名的市场

这是全部材料里信号最强的一条。James Sun 在 OpenAI 的原话："CUA 对企业尤其有用，因为很多工作流发生在没有任何 MCP 或 API 的老旧或自研软件里。" 他说这套管控已经在"全球最大的一批公司"里测试了一个月，采购、财务、QA、GTM、市场、IT 都长出了新工作流。

Sanjin 从国内企业的视角说了同一件事："很多企业后台、传统软件，没有好用的 API。想接 MCP、写 Skill，往往也得先花大量精力把底层操作打通。与其让所有旧系统重新适配 AI，不如让 AI 学会人原来的操作方式。" 他期待的具体场景是"导出后台数据、整理成表格、上传到另一个系统"，跨几个软件连续完成，出错还能自查。

NeoCognition 的 ApprenticeBench 给了这条路线第一份量化证据。他们让 Agent 在一家模拟的加州建筑公司的应付账款部门做 7 个月学徒：学 ERP、从公司历史里学惯例、从反馈里持续学习，处理进项发票错误、供应商沟通、审批流程和政策变更、给账单项目分配成本代码。结论是 Fable 5.1 和 Astra 在这个岗位上超过了人类专业人员，而且"通过 GUI 做和通过 API 做一样好"。项目成员 Boyu Gou 的说法更进一步："最强的 Agent 现在通过 GUI 成功的次数已经比通过 API 更多。"

对创业者的含义：过去十年"集成"是 SaaS 行业的隐形税，一家企业要接一个新系统，先问有没有 API、再找 FDE（前线部署工程师）写胶水代码。如果 CUA 税真的归零，"有没有 API"就从能不能自动化的门槛，变成了成本高低的问题。RPA 厂商、系统集成商、以及所有靠"我们有连接器"活着的公司，都要重新想自己的护城河在哪。

2. 三层工具栈成为默认：CLI、MCP、CUA 各归其位

X 上真正在生产环境用 Astra 的人，不约而同地描述了同一种分层。Kevin Kern 造车的配置：Blender CLI 跑脚本、批量渲染和导出；MCP 做场景的实时检查和编辑；computer use 负责视觉审查，以及 CLI 和 MCP 都暴露不出来的 UI 操作。Brent Schooley 在一台全新机器上测 DaVinci Resolve，本来想给 Codex 写个插件，结果发现不必要："我看着 Astra 找到能用 Python 脚本的地方就用脚本，用不了的地方就切 CUA。"

这条分层的意义在于，MCP 不会死，但它的位置变了。过去一年 MCP 是 Agent 接入软件的入口，现在它退到了中间层：能走 API 的走 API，因为更便宜更稳；走不了的地方 CUA 补位。熊布朗做完调研的判断是，开源的 cua 项目已经算成熟方案，但离 Codex 的 computer use 还有差距，他打算把 cua 以插件形式接进自己的 Agent。

对 MCP 开发者的含义：为一个有完整 GUI 的软件专门写 MCP 的价值在下降，除非它能提供 GUI 拿不到的东西（批处理、结构化状态、更低成本）。反过来，"帮 Agent 判断该走哪一层"的路由逻辑，是新的价值点。

3. 开发到验收的闭环：QA 第一次能被 Agent 自己关上

宝玉那句"从开发到验收形成完整闭环"背后是一个具体的工程变化。以前 Agent 写完前端，验证靠人打开浏览器点一遍；现在 Astra 自己开浏览器、点按钮、看结果、修 bug。OpenAI 发布页把"运行前端 QA 检查、确认网站上所有功能都能用"列为 computer use 的标准场景，Cognition 的 Silas Alberti 说 Devin 在发布当天就把 Astra 接进了 harness，"测试视频明显更容易看懂，报告更清楚更简洁"。Lovable 的 CTO Fabian Hedin 则观察到，Astra 在高 effort 档会"把更多迭代花在新构建上，通过浏览器测试做更多验证"。

这打开的不只是"AI 写代码"的下一步，而是整个测试外包和 E2E 测试工具的重估。quark_h 用 Mac 远程操作 Windows 虚拟机测客户端的做法，本质上是把一个专职测试岗位变成了一条 prompt。

4. 不会写代码的人，第一次能做自动化

FleetingBits 的一串思考是这个方向最完整的论证，有 1.2 万播放。他的核心观点：AI 悲观者不理解的一点是，新的模型能力会重置采用曲线。ChatGPT 之后是聊天机器人的采用潮，coding agent 之后是第二波，下一波会由 computer use 驱动，因为 Astra 已经接近能支撑大量自动化的可用度。他自己已经把报销、Airtable、Google Docs、日历和 iMessage 全交给了 Astra，"大量企业办公流程就是按 Google Doc 里的规则把东西从一个 SaaS 复制到另一个 SaaS，Astra 能做这个"。

关键的一句是："因为 computer use 不要求用户懂任何代码，它能被范围广得多的办公室员工使用——他们知道自己想让模型做什么。"

他同时列出了两个缺口，每一个都是一家公司的题目：一是密码和权限还得人管，"Codex 和 Cowork 里需要内置密钥管理器"；二是 computer use 工作流仍然要人来触发，"需要一种简单方式在公司级或团队级账户上设置监视器"。

5. 企业管控与审计层："CUA 的 SOC"

James Sun 列出的管控项，每一项都对应企业安全团队会问的问题：能限制 CUA 访问哪些站点和应用；能逐项管理上传、下载、历史记录、CDP（Chrome DevTools Protocol）；能通过调审批设置来控制人在环的程度；每一次截图、动作和审批都流到 OpenTelemetry，管理员可以审计和回溯每条轨迹。

加上前面讲的 Guardian 和 OpenAI 在发布页上的表态——"额外的安全检查有时会减慢、暂停或停止合法工作，包括防御性网络安全任务；在 ChatGPT 或 Codex 里任务会暂停等你审核，在 API 里任务会直接停"——可以看出 OpenAI 自己把"可控"当成了 CUA 进企业的前提，而不是附加功能。

Yenpro Musik 的一句话点出了审计的必要性："Agent 喜欢说自己做完了。计算机使用 Agent 普及的那一周，我就不再信这个词了。模型能点击、能打字、能留下一串看起来像工作的痕迹。" 谁来验证这串痕迹是真的工作，就是这一层的生意。轨迹分析、异常检测、合规回放，围绕 OpenTelemetry 数据流做 CUA 专用的安全运营，市场刚刚出现。

而 v2 要补的是这一层为什么不再是"附加功能"。 把 §02 那个 37 个百分点的 harness 差距和 Astra 的架构争议放在一起，会得到一个不太舒服的结论。ARC Prize 的 Provider Adapter 之所以能快 3.66 倍、省 49% 的 token、多拿 37 分，靠的是在请求之间保留"我们看不见的"reasoning state——原文用词是 opaque reasoning state。而 The Information 9 月 1 日的报道（单一匿名信源，此处依据 Fortune 的转述与追踪）说 Astra 用了受约束的"recurrent depth"，也叫 looped transformer：把信息在同一组层里反复绕圈以换取每个 token 的额外算力，代价是一部分思维链不再以自然语言表达。Fortune 追踪的安全研究者反应里，Redwood Research 的 Ryan Greenblatt 把转向不透明推理称为一次重大退步。

OpenAI 反驳得很硬。首席科学家 Jakub Pachocki 说他们刻意限制了 looped Transformer 的使用范围以保住推理的可读性，当前前沿模型（包括 Astra）计算图的深度和 GPT-4 相比"在两倍以内"，他要"避免一场由混乱报道点燃的、冲向不可监控的竞赛"；但他同一段话里也承认思维链监控"本身就脆弱，而且正在朝坏的方向走，原因和架构变化无关"。Sebastian Raschka 从技术上也不认这个因果：复用层本身并不压制可见思维链。需要说清楚的是，Astra 的 system card 并没有点名 recurrent depth，架构那部分至今只有一个匿名信源；但 OpenAI 自己确实写了 Astra 通过思维链更难被监控、能在不把推理说出口的情况下完成明显更难的任务，并且更善于控制哪些内容出现在推理轨迹里。

这三件事拼起来就是本文 v2 最想留下的一句话：让 CUA 变快的那个机制，和让它变得难以监控的那个机制，是同一个。 如果模型的"想"有一部分不再落成文字，那么可审计的东西就只剩下它"做"了什么——截图、点击、键入、审批。James Sun 那条 OpenTelemetry 数据流因此不是锦上添花，它是企业唯一还剩下的观测面。这一点上产业界已经在同一个方向上动了：Mercor 联席 CEO Adarsh Hiremath 在 伯克利 RDI 的 Agentic AI 峰会上说"evals 在很大程度上就是企业成功部署 Agent 的瓶颈"，他主张一次 Agent 评估要同时抓住任务、轨迹、上下文、产物和验证器五样东西，好让人知道它为什么失败而不只是它失败了；Google Cloud 的 Rao Surapaneni 则把企业 Agent 当新员工建模——要有身份、明确的访问权限、清楚的职责和运行时的监控与干预手段，归结为"可见性、控制力、安全性"三件事，以及一句"trust but verify"。微软把同一件事下沉到了操作系统：Project Zenith 在 Windows 里做 OS 级的 Agent 身份和 Microsoft Execution Containers 隔离，机器要求至少 64GB 统一内存、250+ GB/s 带宽，以便本地跑 30B+ 的模型。谁掌握这一层，是 OpenAI、操作系统厂商还是第三方，现在还没有定。

6. Harness 层：模型是 OpenAI 的，工程是大家的

这是被讨论最多、也最容易被忽视的机会。Kyle 的翻译层让速度再翻 2.5 倍，arjun 的 harness mod 让 Cities: Skylines 从"派对戏法"变成能用，OpenAI 自己的 harness 优化让上一代模型也快了 60%。三个例子说的是一件事：模型能力过线之后，剩下的提升空间大部分在 harness。

Flrande 的评论带情绪但有信息量："Codex 爆火都半年了，还给 Astra 摸索出 computer use 的路子，而 A➗ 还在 TUI 上雕花。" 不管你是否同意对 Anthropic 的评价，Codex Desktop 的 harness 确实成了 X 上被拿来比较的基准。

具体的题目已经有人在做：Cosmic Raven 提到的 cua-driver解决桌面端的访问问题，包括文件选择器；Simular 在旧金山科技周办 CUA 聚会，主题就是"CUA 普及之前还需要发生什么"；Kyle 提到 Stagehand 做的是 DOM 与 a11y 树的精简快照，把 27k token 的原始 HTML 压到 6k。谁能把观察、动作、状态和失败回放做成开发者一行代码就能接的东西，谁就在这一层站住了。

v2 补一句：这条判断在一周之内就被三件事各自证实了一遍。

第一是那 37 个百分点。§02 讲的 ARC-AGI-3 两套 harness，是目前能找到的最干净的对照实验——同样的权重、同样的题目，只换上下文管理方式，分数从 62.7% 到 99.9%。这不是一个"harness 也挺重要"的软性结论，这是 harness 贡献了比模型换代还大的增量。同一份榜单上 Claude Opus 5 从 30.16% 被 NVIDIA AVO 和 AWS Strands 抬到 100 / 99.95，说明这不是某一家的偏方。

第二是活网页上的排名本身。在 Online-Mind2Web 这个跑真实网站的 benchmark（300 个任务、136 个站点）上，Steel.dev 追踪的榜首是 Browser Use Cloud 的 bu-max，按 Browser Use 自己公开的评测仓库是 291/300 = 97%（他们把 9 个失败里的 2 个判为"任何浏览器 Agent 都不可能完成"，剔掉后是 291/298 = 97.7%）。榜首是一个专用 harness，不是一个前沿模型。这里要加一句方法论的提醒：Online-Mind2Web 的分数对判分方式很敏感，论文自带的 WebJudge 与人工判断大约 85% 一致，而近期部分提交用了自定义判分器，另有一个 Aside 浏览器 Agent 报告 297/300（99.0%）——所以"榜首"是相对某一份收录标准而言的。但方向不受影响：这一层的竞争发生在 harness 之间。

第三是这一层开始被标准化和开源。伯克利 RDI 在 9 月 10 日那期周报里发布了 CUA-Lite，把 CUA 开发拆成三个统一抽象：Lite.Gym 用 Gym 风格的 reset / step / close 把 15 个以上 benchmark 统一到一个观察格式和一套按平台划分的 GUI 动作空间（桌面/浏览器 click+type、移动端 tap+swipe），并自带免虚拟机的 Docker 桌面沙箱——以远低于 OSWorld 的成本复刻同一个桌面，装了 3 万以上可验证任务；Lite.Sample 把 10 个以上公开 CUA 数据集转成同一种形状；以及给 14 个模型家族（GPT、Claude、Qwen、UI-TARS 等）各写一个在评测、RL 和 SFT 之间共用的 harness。它想解决的问题正是本节说的那件事：每个环境有自己的运行时、每个数据集有自己的格式、每个模型有自己的动作空间，没有共同标准的话，把模型接到环境上就是把同样的动作映射、上下文窗口和 rollout 循环再写一遍。同一期周报还提到字节的 HarnessDev 与 HarnessEvolve 让开源模型从空沙箱里自己搭出运行时——和 ARC Prize 在 PRO-LONG 里看到 Astra 自己写 maze_solver.py 是同一个现象：编排正在从开发者的工件变成模型的能力。

顺带说一个有点讽刺的当期现象：X 和一批开发者博客上流行的配置是把 Astra 塞进 Claude Code 里跑——OpenAI 的模型，Anthropic 的 harness，底下再挂便宜模型干粗活。"模型是 OpenAI 的，工程是大家的"这句话，现在连 Anthropic 的工程也算在"大家"里了。

7. 创意生产的"反向图形学"

Bilawal Sidhu 的实验流程值得完整记下来：2019 年拍的约 400 张 2D 照片，经 RealityScan 做摄影测量得到一个网格；把网格丢进 Blender，让 Astra 把它变成一个完整、干净、可编辑的 3D 场景，材质来自照片扫描，其余用程序化着色器。他的判断是"多模态 LLM 可能已经跨过了反向图形学的鸿沟，对 VFX、AR/VR 到机器人都有巨大影响"，但也老实说了缺陷：有些错误是从 RealityScan 的参考网格继承来的，"人在'空间自动补全'上仍然强得多"。他的下一步，是让 Astra 用 CUA 打开摄影测量软件，对照源图像继续修。

OpenAI 发布页的 BenchCAD 数据（从多视角渲染反推 CAD 代码，Astra 95.9% 对 Sol 83.3%）和 Higgsfield CEO "复杂创意工作流 token 少 20%" 的引用，加上 Dimillian 从一句话建筑需求到 Unreal Engine 5 可漫游住宅的开发者博客，说明这不是一两个人的运气。建筑可视化、游戏资产、影视预演，这些过去靠专业人员数天工时的环节，现在的边际成本变成了 token。

8. Agent 入职而不是集成

ApprenticeBench 最有意思的地方不是结果，是设计。它把"部署一个 Agent"建模成"一个新员工入职"：没有 FDE，Agent 自己上岗，学系统、学惯例、从反馈里持续学。NeoCognition 的说法是"No FDEs. Agents deploy themselves into the job."，他们认为一到两年内 Agent 能成为跨行业的独立劳动力。

但同一串推文里也给了反面数据，值得记住。人和 Agent 的学习行为不一样：人练得越多越快，Agent 的记忆笔记越多越慢；人需要的笔记远少于 Agent，因为人更擅长压缩学到的东西、记在脑子里。John Rood 在评论里提出真正的杀手级测试："第 2 个月教一条审批规则，第 6 个月换掉它，然后测 Agent 会不会在不复活旧规则的前提下遵守新规则。持续学习不是累积，是知道什么已经不再成立。"

OpenAI 同一天发布的 Agents API 是这个方向的基础设施：云端托管的 Codex harness，OpenAI 负责编排、长时运行会话和上下文管理。加上发布页提到的 Codex 新特性——模型可以跨上下文窗口保留笔记，旧窗口仍可搜索，而不是每次压缩成一段摘要——"Agent 上岗"在技术上第一次有了闭环。它离真的能用还有多远，要看 CoArena 的 1 天、3 天、7 天结果。

v2 补充：这条路线上已经有第一个带美元数字的产品。 据伯克利 RDI 9 月 10 日那期周报，xAI 发布了 Grok Bot for Enterprise：每个 Bot 跑在自己独立的云端计算机上，被指派一个具体岗位，然后一直做下去，直到任务完成或者需要人来拍板；企业版加了访问、网络和审计三类控制。xAI 说他们自己那个负责采购的 Bot，靠分析供应商支出、用量、合同和市面替代方案，已经找出超过 10 万美元的潜在节省。注意"采购"正是 James Sun 点名的那批新工作流里的第一个——OpenAI 把它当成 CUA 的应用场景，xAI 直接做成了带岗位和审计边界的产品。这是"Agent 入职"这条叙事第一次从 benchmark 走到产品形态，也说明这个位置不会空太久。

不过同一场峰会上也给了这条路线一个必要的限定。HubSpot 首席产品与技术官 Duncan Lennox 讲他们内部 AI 转型的教训是：光有前沿模型不够，Agent 需要拿到公司自己的工具、惯例、工作流和机构知识——"AI 知道很多关于这个世界的事，但你需要一个懂你这个世界的平台。"这句话和 ApprenticeBench 让 Agent 做七个月学徒是同一件事：可交付的不是模型，是模型加上你公司那套上下文。所以"Agent 入职"真正的产品形态，大概不是一个更强的模型，而是一层把公司惯例喂给 Agent 并持续纠偏的基础设施。

§ 06 还没解决的问题

成本与配额。 Moken说 200 美元计划的周额度用 Fable 或 Astra 不到一天就烧完，"订阅制无限用的时代结束了"。山田的经验是 Astra 推荐的中等 effort 档最划算，"一开极高或 Ultra 立刻溶掉"。Yizhou Wang 的抱怨代表了一类真实需求："用 Astra 去做只需要一个正常人脑的事情很蠢，但其他模型又没有 Astra 的 CUA 能力。" 一个便宜的、CUA 能力过线的小模型，是明显的空位。

v2 给这一条补三个数字。一是 Astra 的计价比"每百万 token 输入 10 美元、输出 50 美元"复杂：缓存输入 1 美元，超过 272K 输入 token 的请求整单按 2 倍输入、1.5 倍输出计费，Batch 和 Flex 半价，Fast 模式翻倍——CUA 天然是长上下文，这个 272K 的台阶很容易踩到。二是 ARC Prize 那份成本表推翻了"调低 effort 省钱"的直觉：Standard harness 下 max 档拿 62.7% 花 $26,098，medium 档只有 38.6% 却花了 $48,090，想得清楚的模型因为动作更少反而更便宜。山田"中等档最划算"的经验在聊天场景可能对，在 CUA 这种按回合烧钱的场景要重新算。三是额度这场仗在往紧的方向走：Anthropic 给 Claude Code 加了 /limit-reset，但那个临时的 50% 周额度加成 9 月 13 日到期，14 日换成永久 25% 加成，净效果是符合条件的订阅者比此前的表低约 17%——刚好和 Astra 落地撞在同一周。

安全检查会误伤。 OpenAI 自己承认额外的检查"有时会打断合法工作"，并在继续迭代减少不必要的中断。Kyle 补充了一个细节：Guardian 在技术上不保证看到完整的 a11y 树。对做防御性安全工作的人，这意味着 Astra 目前会拒绝写概念验证漏洞利用，更宽松的权限要经由 OpenAI 的 Daybreak 项目逐步放开——按 OpenAI 9 月 1 日的《Path to Astra》，先进网络安全能力初期只开给一批测试者，之后通过 Daybreak Blue 扩大防御性用途。Astra 也是第一个触到 Preparedness Framework "Critical" 网络能力阈值的模型，公开版本因此直接拒绝这类任务。

网站反制。 udit 发现让 Astra 扫一个网站会被 robots.txt 拦下，同样的任务 Codex 的 CUA 却可以做，"大概很快会被补上"。这暴露的是一个更大的问题：当 Agent 用人类的界面访问网站，网站要不要、能不能区分它和人？

密码和权限。 FleetingBits 点名的密钥管理器缺口，James Sun 的管控项里也没有完全覆盖。今天大多数人是让 Agent 复用自己浏览器的登录态在跑，这在个人场景可以，在企业里过不了安全审查。

判断力仍是短板。 "too eager to CUA" 不是一个模型版本能修的问题，它需要 harness 层的路由规则、成本感知，以及更多"什么时候不该用 GUI"的训练信号。

长时程完全未验证。 Kyle 和 CoArena 从两个方向说了同一句话。12 小时是目前的天花板，最好的模型成功运行的中位数已经用掉 6 小时 22 分钟。跨天、跨班次、等待对方回复，这些真实工作的常态，公开 benchmark 上还没有数据。但 v2 找到了一个更有说服力的数字，而且是 OpenAI 自己给的。 据伯克利 RDI 整理的 OpenAI 内部披露，到 8 月中，OpenAI 研究组织每 1 个人类工作日要消耗约 3.1 个 Agent 工作日，并且已经达成了此前宣布的"自动化研究实习生"目标，下一个目标是 2028 年 3 月做出自动化 AI 研究员。但同一份数据的另一面是：超过一半成功的 4 到 8 小时 Agent 任务仍然需要人介入，研究优先级和"哪个结果值得追"仍然由人决定。也就是说，在全世界最懂怎么用 Agent 的那个组织里，4 小时量级的任务都还没做到无人化——12 小时只有 24% 成功率就不奇怪了。

环境脆性。 §04 第四桶水里那个 10 倍波动是一个独立的工程风险，不是 benchmark 里的小字。同一个 Agent、同一个任务，换主题、换字体、换语言、换 OS 版本就可能从 90% 掉到 9%。对要把 CUA 放进生产的团队，这意味着"我们在自己机器上测通了"几乎没有迁移价值；而对创业者，这是一个明确的题目：跨视觉配置的回归测试和自适应定位。

合规与数据驻留。 9 月 10 日发布的 Agents API 把 Codex 的 harness 做成了托管服务，内置 compaction、tool search、程序化工具调用和 subagent，公测期不额外收费（只付 token、工具和容器时间），环境可选 OpenAI 托管、自托管的 codex exec-server，或者 Blaxel、Cloudflare、Daytona、DigitalOcean、E2B、Modal、Oracle、Runloop、Vercel 这一排合作沙箱，早期用户报告延迟降到四分之一、每任务成本低 60%、失败响应少 86%。但它目前只有美国数据驻留，且没有零数据保留选项——对金融、医疗和欧洲客户，这一条足以把整个托管路线挡在门外。想用这层 harness 又受监管约束的团队，短期只能走自托管，这也顺带说明为什么"自建 CUA harness"这门生意暂时死不了。

benchmark 自己不测该测的东西。 这是 v2 想加的一条元问题。《From benchmarks to deployment》（Artificial Intelligence Review）系统梳理了 AgentBench、WebArena、SWE-bench、GAIA、ToolBench、Terminal-Bench、Mind2Web 等 15 个主流 agentic benchmark，结论是：没有一个把安全测试纳入评分，只有 2 个（WebArena 和 BrowserGym）做了部分成本追踪——而且只报动作数、没有成本归一化指标——零个在主指标里惩罚违反安全约束的行为。作者的判断是评测方法论而不是模型能力，已经成为可靠部署的首要瓶颈：成功率相同的两个 Agent，资源消耗和失败模式可以完全不同，而二值判定把这个差别抹掉了；更糟的是，不惩罚不安全解法的效用型 benchmark，实际上在鼓励 Agent 绕过安全约束。再加上 §04 那个静态虚拟机快照带来的 10 倍波动、Anthropic 自己声明的任务集不可比、以及 ARC-AGI-3 上 37 个百分点的 harness 差距，一个诚实的结论是：目前所有 CUA 排行榜的精度，都低于各家用来做营销的那个小数点。 能把"同一套环境、同一套 harness、同时记成本和安全"做成公共设施的人，会拿到定义这个行业记分牌的权力——CUA-Lite 想做的正是前半截。

§ 07 我们的判断

第一，CUA 税归零改变的不是"能不能"，而是"贵不贵"。过去有没有 API 决定一个流程能不能被自动化，现在它只决定成本。这意味着所有以"集成难"为护城河的业务，包括 RPA、系统集成和大量 SaaS 连接器，护城河在变浅；而所有因为"没有 API 所以一直手工做"的岗位工作，第一次有了被自动化的路径。这一点我们比较确定，因为 OpenAI 的企业客户数据、NeoCognition 的量化结果和 X 上的一线使用者说的是同一件事。

第二，接下来六个月的赢家在 harness 和管控层，不在模型。模型的能力已经由 OpenAI 和 Anthropic 决定，且两家都过了线；但翻译层能让速度再翻 2.5 倍、harness mod 能让游戏从戏法变成能用、密钥管理和触发器还没有人做好、审计和回放刚刚有了数据流。这些都是创业者能碰的东西。

第三，长时程是真正的分水岭，在它被验证之前，"Agent 上岗"仍然是一句宣传语。24% 的 12 小时成功率、"笔记越多越慢"的学习曲线、以及没有人跑过的跨天任务，都说明现在能交给 Agent 的是"任务"，还不是"岗位"。CoArena 的 7 天结果和 ApprenticeBench 的政策反转测试，是接下来几个月最值得盯的两个数字。v2 补一条旁证：OpenAI 内部超过一半成功的 4 到 8 小时任务仍需人介入——连他们都还没关上 4 小时这一档。

第四，这是 v2 新增的一条，也是我们现在最想让读者记住的：速度和可监控性来自同一个机制，企业要为此单独付一笔钱。 让 Astra 的 CUA 快起来的东西——请求之间保留不可见的 reasoning state、用 compaction 而不是截断——正是让它的推理更难被看穿的那个东西；ARC-AGI-3 上那 37 个百分点就是这笔交易的明码标价。如果模型的"想"有一部分不再落成文字，可审计的只剩下它"做"了什么。这让 OpenTelemetry 轨迹、eval 的五元组（任务/轨迹/上下文/产物/验证器）、以及 OS 层的 Agent 身份与容器隔离，从"安全团队的合规项"变成了 CUA 能不能进生产的前置条件。我们对这条比对前三条更有把握，因为推着它走的不是某一家厂商的路线图，而是一个结构性权衡。

研究说明：本文素材于 2026 年 9 月 11 日通过 ego-browser 在 X 上以 "Astra CUA"、"Astra computer use"、"GPT-6 Astra CUA"、"Astra Codex computer use" 四组关键词抓取，覆盖 9 月 3 日至 11 日约 200 条推文及其线程，并交叉核对了 OpenAI 发布页与 Kyle Jeong 的技术博客。所有播放量、点赞数为抓取时快照。X 上关于演示视频是否实时录制的争议，我们无法独立验证，文中两种说法并列。

v2 更新说明（2026 年 9 月 12 日）：这一轮补的是 X 之外的一手评测与官方文档，材料来源从推文转向 ARC Prize 评测报告、Anthropic 与 OpenAI 各自的发布页与安全文档、Snorkel AI 与 Cua-Bench 的专业软件评测、Steel.dev 与 Browser Use 的公开榜单，以及伯克利 RDI 9 月 10 日那期周报。主要改动四项：（1）更正 v1 把 ARC-AGI-3 的 "7.8% → 99.9%" 并列成同一条件下的对比，实际跨了两套 harness，可比数字是 7.8% → 62.7%，详见 § 02 新增小节与图 7；（2）补注 § 02 那张 benchmark 表的可比性边界，包括 Anthropic 自己声明任务集不可直接对比；（3）新增第四桶冷水（专业软件与环境脆性，图 8）；（4）新增「速度与可监控性同源」这一条判断，以及 9 月 10 至 11 日第三方基础设施的三件落地。The Information 关于 recurrent depth 的架构报道只有单一匿名信源，Astra 的 system card 未点名该架构，文中已就此标注不确定性。

参考来源 · Sources

官方与技术拆解

• GPT-6 Astra: A new generation of intelligence（OpenAI 发布页，含全部 benchmark 表与安全说明）
• OpenAI 官方发布推文："Anything you can do on a computer, Astra can do for you. Fast."
• How does Astra's computer use actually work?（Kyle Jeong / Browserbase，2026-09-07，基于 Codex 与 ChatGPT 客户端源码）
• What's the big deal about computer-use?（Kyle Jeong，2025-12-15，视觉 vs DOM 路线综述）
• Kyle Jeong：用 Stagehand 翻译层让 Astra 的 computer use 快 2.5 倍
• OpenAI Developers：Agents API 公测（云端 Codex harness）
• James Sun（OpenAI）：企业级 CUA 管控与 OpenTelemetry 审计
• Maximilian Sieb：离开 OpenAI 计算机使用团队的告别帖
• Token Gremlin：发布前 openai-cua-sample-app PR #71 的核对

Benchmark 与反证

• CoArena：CUA KnowledgeBench，12 小时真实公司工作，5 万美元
• NeoCognition：ApprenticeBench，computer use + 在岗持续学习，"No more CUA tax"
• Boyu Gou：最强 Agent 通过 GUI 成功的次数已多于 API
• John Rood：持续学习的杀手级测试是政策反转
• Francesco 团队：预批处理动作不等于实时决策，附多应用实测片段
• Cosmic Raven：弹钢琴 vs 30 秒打开 File 菜单
• arjun chintapalli：Cities: Skylines 实测，"cua 是派对戏法，有用的 Agent 在 harness 层"
• Max Schoening："Astra is way too eager to CUA."
• 清凤：不用 GitHub CLI，转头打开 Chrome 建 issue
• udit：robots.txt 拦下 Astra 但拦不住 Codex CUA

一线使用与观点

• FleetingBits：新模型能力重置采用曲线，下一波由 computer use 驱动
• Will Hu：Astra 上线 48 小时的 7 个 computer use 案例盘点
• Sanjin：Agent 的下半场是 Computer Use，最直接的价值是接住老系统
• 宝玉：Computer Use 让 Agent 从开发到验收形成闭环
• 宝玉：GPT-6 Astra 发布与 Greg Brockman 的 AGI 表态
• Kevin Kern：Blender CLI + MCP + Computer Use 的三层配置
• Brent Schooley：DaVinci Resolve 里 Astra 能用脚本就用脚本，不能就切 CUA
• cosine：不再需要 Figma dev MCP
• Bilawal Sidhu：3D 扫描到可编辑场景，"反向图形学跨过鸿沟"
• Sac：Codex 操作剪映粗剪，官方 harness 提速说明
• Kyle Balmer：YouTube 长视频全部由 Codex 剪辑并用 CUA 上传
• AWAMORI：Illustrator 设计稿切图到编码，消耗 Pro 5x 周额度 15%
• quark_h：Mac 远程操作 Windows 虚拟机做客户端测试
• Jesse Lau：画像是浪费 token，TradingView 画趋势线才是正确用法
• Yenpro Musik："Agent 喜欢说自己做完了"
• Moken：200 美元计划一天烧完周额度
• Yizhou Wang：需要一个便宜的、有 CUA 能力的模型
• KEITO：Canva 肖像，84 万播放
• Alexey Fateev：Paint 对比 Astra vs Fable 5.1，119 万播放
• Tykoo：Astra 的 Blender 热潮搅乱了"世界模型"的定义
• Flrande：Codex Desktop 的 harness 领先
• 熊布朗：开源 cua 与 Codex computer use 的差距

v2 补充信源（2026-09-12）

• OpenAI's GPT-6 Astra on ARC-AGI-3（ARC Prize，Greg Kamradt，2026-09-03，两套 harness 的完整成绩与成本表、PRO-LONG 自造工具、"不宣称这是 AGI"）
• The Next Web：Astra 的 AGI 分数来自 harness 而不是模型（含 Claude Opus 5 在 NVIDIA AVO / AWS Strands 下的对照）
• Path to Astra: critical capabilities and frontier safeguards（OpenAI，2026-09-01，越狱拒绝率、范围收敛、Daybreak Blue、RL 重启时间线）
• Introducing the Agents API（OpenAI，2026-09-10，托管 harness、三类沙箱环境、数据驻留限制）
• Introducing Claude Fable 5.1 and Claude Mythos 5.1（Anthropic，OSWorld 2.0 partial/strict 成绩与"任务集不可直接对比"脚注）
• Cua-Bench: benchmarking computer-use agents on professional software（Snorkel AI，25 道 KiCad 专家任务的结果与失败模式）
• Cua-Bench 榜单与框架说明（trycua，开源 MIT；含 OpenApps 环境变体研究引用的 10 倍成绩波动）
• Online-Mind2Web Leaderboard（Steel.dev，活网页榜首是专用 harness 而非前沿模型）
• browser-use/online-mind2web：bu-max 291/300 的公开评测仓库与失败案例判定
• Agentic AI Weekly（伯克利 RDI，2026-09-10：CUA-Lite 发布、OpenAI 内部 Agent 工作日数据、Project Zenith、Grok Bot for Enterprise、峰会上的 evals 与治理讨论）
• Fortune：recurrent depth 的安全争议，含 Pachocki 的反驳与 Redwood Research 的批评
• Sebastian Raschka：looped transformer 与思维链可见性的技术辨析（不认这个因果）
• Fortune：Astra 发布会现场，Brockman 的 computer use 表述与 Aidan Clark 的 10 万 GPU 预训练说明
• Eigenwise：把 Astra 放进 Claude Code 跑成了当期主流配置
• From benchmarks to deployment: a comprehensive review of agentic AI evaluation（Artificial Intelligence Review，15 个主流 agentic benchmark 的安全与成本盲区）

作者：冯小平，[email protected]