OpenAI的GPT-6 Astra正被证明是一款绝对的现象级产品，从这家AI实验室目前吸引到的企业资金规模来看，其增长势头之猛，已令宿敌Anthropic首次在大约两年半的时间里陷入被动局面。
OpenAI的GPT-6 Astra凭借其新颖的循环Transformer架构，如今正被证明在企业客户中绝对大受欢迎。
“上周，OpenRouter用户在OpenAI模型上的支出超过了在Anthropic模型上的支出。这种情况已有超过两年半未曾出现。”——tae kim（@firstadopter），2026年9月15日
根据OpenRouter的数据，上周用户在OpenAI模型上的支出超过了Anthropic的模型，实质上扭转了过去两年半一直延续的格局。
OpenAI在前沿领域正赢得企业支出。截至本周，根据Ramp的数据，Astra占据企业AI支出的13%，而Fable仅为8%。一些初步想法：1. Anthropic在最近呼吁放慢前沿步伐的决策中承担了巨大风险。其前沿模型已经落后于……——Ara Kharazian（@arakharazian），2026年9月15日
这一观点也得到了Ramp数据的印证：数据显示，上周OpenAI的GPT-6 Astra拿下了企业支出13%的份额，而Anthropic的Fable级模型仅占8%。
当然，就整体采用率而言，Anthropic仍然领先。但若近期趋势持续，OpenAI有望凭借Astra的强劲表现实现反超。
正如我们近期所指出的，OpenAI在一个10万块GPU的集群上训练了GPT-6 Astra，此次训练运行的成本很可能在5亿美元至10亿美元之间。为那些可能尚不了解的人说明一下：GPT-6 Astra无需开发者为AI智能体所需的每个应用提供专用API，而是能够以与人类极为相似的方式操作任何给定软件；它生成智能体，让这些智能体跨浏览器、电子表格、网站和桌面应用协同工作，产出成品文档和演示文稿，并执行多步骤工作流，而不仅仅是告诉用户如何完成。
基本上，GPT-6 Astra的核心推理引擎利用原生多智能体结构来解决复杂问题。面对复杂任务时，该模型的主编排智能体会制定一个方案，并部署不同的子智能体来并行测试各种变体并验证结果。这种原生委派机制使其对“毁灭循环”——即模型陷入重复错误循环——具有高度韧性，能够自主调试自身代码并实时调整策略。
SemiAnalysis：对低容量内存需求最强烈的呼声恰恰来自这些实验室本身，这表明它们认为模型参数规模不会有太大增长。“我们所观察到的是，参数规模并没有真正大幅增长。有太多技术试图保持……”——Fireside Alpha（@firesidealpha），2026年9月15日
此外，据SemiAnalysis称，OpenAI的GPT-6 Astra很可能采用了循环Transformer架构。回顾一下，一个AI模型基本上由一系列Transformer块或层组成，这些块或层由两个关键要素构成：
注意力层（Attention Layer）负责观察句子中词语之间的关联方式。例如，如果你给模型一个提示“巴黎是法国的首都”，注意力层会将“首都”一词与“法国”关联起来，并识别出“巴黎”为答案。即便如此，该层并不知道法国或巴黎意味着什么，但会以KV缓存的形式保存这些记录。随着上下文增加，KV缓存也随之增大。
前馈网络（Feed-Forward Network，FFN）以权重的形式保存模型的全部知识总和，正是这一层使用深度数学公式来挖掘每个词背后的含义。例如，它会审视“法国”并激活其国家百科知识，以此类推。
在普通模型中，一个输入token依次经过第1层、第2层，一直到最后一层，每一层都拥有自己独特的权重。然而在循环Transformer架构中，token会被多次送入给定的Transformer块，每次通过相同的权重都让该层得以优化其输出。这使得模型的响应能够变得更加准确，而无需增加权重或参数的数量。另一方面，循环Transformer会显著增大KV缓存的大小。然而，正是这种独特的架构，很可能让OpenAI的GPT-6 Astra展现出可观的性能提升。
大船🚢这周，然后为开发者日🚢🚢🚢🚢🚢🚢——山姆·阿尔特曼（@sama），2026年9月15日
最后，请注意山姆·阿尔特曼刚刚预告了本周将有一款重大模型发布，而下周预计将有多场发布活动，类似于OpenAI的DevDay 2025——当时这家AI实验室宣布了七项重大产品发布和平台更新。
