OpenAI DevDay 2026 —Dots、6.1 Sol、被搁置的 Astra6.1

0. 先交代一下心情

9 月 29 日，OpenAI 在旧金山 Fort Mason 开了 DevDay 2026。官方说这是历届规模最大的一次，一口气 20 多项更新，覆盖 ChatGPT、Codex、模型、API、插件和企业服务。

我是第二天早上在通勤路上刷完的。看到"OpenAI 工程师的 dot 每天能修几十个 bug"那一段时，我默默打开 Jira，看了看那几个挂了两周的工单，陷入了沉思。

更要命的是，这一周根本不止 OpenAI 一家在发东西：9 月 22 日 Anthropic 发了 Claude Opus 5.5，28 日又补了 Sonnet 5.5，30 日 Google 宣布了 Gemini 4 Argon。一周之内前沿模型的排名换了好几轮，各家榜单的口径也跟着改。

这篇不做 25 项更新的流水账，只聊我觉得值得琢磨的几件事：

1. Dots：一个常驻的、有自己电脑的 agent；
2. GPT-6.1 Sol：一个会实实在在改变账单的模型，以及它和 Claude Opus 5.5 的正面对比；
3. 谁是现在最强的模型：这个问题比想象中难回答；
4. GPT-6.1 Astra 被搁置：大会前一天，OpenAI 自己按下的暂停键；
5. 最后落到实处：这些变化对我们日常写代码有什么影响。

1. Dots：不是一个聊天框，是一个"工位"

1.1 它是什么

Dots（官方写法是小写的 dots）由几周前发布的 GPT-6 Astra 驱动。它和 ChatGPT、Codex 最大的区别在于不等你发下一条 prompt：你给它一个目标，它自己往前推，你关掉网页它也照样干活。

几个关键设定：

• 每个 dot 有自己的云端电脑和浏览器，可以自己写代码、跑测试。权限沿用用户本人的访问范围。
• 能用 ChatGPT 上 4000 多款应用，并沿用用户已经连接的插件。
• 能进入 Slack、Microsoft Teams，在这些原本只有人参与的工作流里收活、汇报。之后还计划支持短信，甚至直接打电话。
• 用户可以定规则：哪些 App 能用、电脑能怎么操作、哪些动作可以自动做、哪些必须先请示。
• 目前每个用户先配 1 个 dot，以后可以组成一整队协同干活。
• 首批开放给 ChatGPT Pro、Business Premium 和 Enterprise，费用包含在现有套餐里，和 dot 对话也不计入用量。

企业侧还预览了 specialist dots（专业 dots）：由企业配置、服务整个团队，有自己独立的身份、凭证和系统权限，负责会计、市场、法务之类的工作。OpenAI 正和微软合作，把它接进 Agent 365 的治理和安全管控里。

1.2 画个图理解一下

1.3 我的理解：从"拉"到"推"

过去几年我们用 AI，本质上是 pull 模式：我有问题，我去问，它回答，我再问。人是调度器，AI 是被调用的函数。

Dots 想做的是 push 模式：它是一个长期在线的进程，有自己的工作环境、自己的消息入口、自己的待办。人从"调度器"变成了"审批人"。

这个变化听上去只是交互形式不同，对工程的影响却是结构性的：

• 它需要身份。一个能在 Slack 里被 @、能开 PR、能登录 SaaS 后台的东西，必须有清晰的身份和凭证。specialist dots 拥有独立身份，是整个发布里最"无聊"但最关键的设计。
• 它需要边界。"权限沿用用户本人"听起来方便，但做过权限系统的都知道，"继承一个人的全部权限"往往就是事故的开始。
• 它需要可审计性。它在你下班后干了什么，第二天你得能查清楚。

这三点，后面讲 GPT-6.1 Astra 的时候还会再回来。

2. 那个"每天修几十个 bug"的细节

2.1 演示里说了什么

OpenAI 产品团队用一个虚构的音乐 App "Blossom" 演示内部用法：早上 dot 会主动整理日程变动、用户测试反馈和最新的设计改动；Slack 里被 @ 的零碎请求可以直接转给 dot。

然后就是那句让我破防的话：OpenAI 工程师的 dot 会接管 bug 反馈频道，调查问题后直接提修复 PR，每天能修掉几十个 bug。

Altman 在台上还举了另一个例子：在旧版 API 下线之前把应用迁移出去。这类活难在调用点散落在整个代码库里，改完哪里会坏并不明显。dot 会追依赖、找出所有需要改的地方、写代码、跑测试，最后把 PR 交给团队审查。

2.2 流程大概是这样

2.3 为什么这个场景能跑通

冷静下来想想，"修 bug"其实是 agent 最容易落地的场景之一，原因很朴素：

• 输入是结构化的队列：bug 频道本来就是一个工单入口，任务边界相对清楚。
• 结果是可验证的：有代码、有测试、有 CI，对不对机器能先判一轮。
• 天然有检查点：PR 就是一个现成的审批节点，dot 负责提交，人类 reviewer 负责把关。

换句话说，不是 dot 突然变得无所不能，而是软件工程本身早就把"可验证 + 有审批"的流程搭好了，agent 只是插进了"提交者"这个位置。

2.4 但我还是有几个疑问

1. "修掉"指的是提了 PR，还是 merge 了，还是上线后没回滚？ 这三个数字可能差很多，演示讲的大概率是第一个。
2. 瓶颈会转移到 review。dot 一天提几十个 PR，就有人一天要看几十个 PR。review 质量会不会因此下降？"橡皮图章式审批"是所有审批机制最经典的失效方式。
3. 什么样的 bug 适合交给它？ 局部的、有测试覆盖的、能稳定复现的——放心交。跨模块的、涉及并发时序的、需要数据迁移的、或者"测试通过但业务语义不对"的——我目前还是想自己盯着。

3. GPT-6.1 Sol：真正会改变账单的那个

3.1 定位

同场发布的 GPT-6.1 Sol 是 GPT-6 Sol 的点版本升级（GPT-6 Sol 才上线一周就被替换了）。OpenAI 的说法是：在 agentic coding、computer use 和专业工作上接近 Astra 的水平，价格低得多。

价格有个小细节值得注意：Altman 在台上说的是约为 Astra 的五分之一，官方页面写的是标准输入和输出 token 价格为 Astra 的四分之一。各家报道两种说法都有，以官方定价页为准。缓存读取价格则比 GPT-6 Sol 又砍了一半。

OpenAI 自己的 DeepSWE 图表里有个很有意思的现象：Sol 的编码得分在 high effort 时达到峰值，而且超过了 GPT-6 Astra 的最好成绩；继续往 xhigh、max 加，分数反而下降，价格却翻倍。

3.2 为什么我觉得它比 Dots 更"实在"

Dots 是愿景，Sol 是账单。

常驻 agent 的成本结构和聊天完全不同。一个持续运行的 agent 会反复读取同一份上下文：代码库、工单历史、之前的对话、工具返回结果。它的 token 消耗大头往往不是"生成"，而是重复喂进去的上下文。

所以对 agent 来说，真正决定成本的是两个数：单价，以及缓存命中后的价格。两者叠起来，同样的预算能跑的任务量是数量级的差别。Altman 说 Sol 会成为开发者的"日常主力"，我觉得这不是营销话术，而是成本模型决定的。

4. 正面对决：Claude Opus 5.5 vs GPT-6.1 Sol

4.1 一周之内，三个模型挤在一起

Opus 5.5 是 Claude 5.5 家族的首发，Anthropic 的定位是：多数工作上达到 Fable 5.1 的水平，同时比 Opus 5 更省算力、更便宜，典型负载下成本比 Opus 5 低约 40%。

GPT-6.1 Sol 的标价正好是 Opus 5.5 的一半，所以 OpenAI 在发布会图表里直接拿它和 Opus 5.5 比。不过要注意，Sol 的标价和 Sonnet 5.5 完全一样。从价格档位看，Sol 真正的同级对手其实是 Sonnet 5.5，Opus 5.5 是两家都在"往下够"的那个。

4.2 价格表

最后一行是个坑，后面单独说。

4.3 能力：默认档持平，天花板 Opus 更高

两家官方图表各挑对自己有利的项目比：OpenAI 拿 Sol 和 Opus 5.5 比了几项它选的评测，Anthropic 的发布表里压根没有 6.1 Sol。真正有参考价值的，是第三方用同一套评测、跑遍两个模型所有 effort 档位的结果。Artificial Analysis 做了这件事，结论大致如下（这几天数字还在修订，看趋势即可）：

几个观察：

• 同分时 Sol 便宜很多：最低档同为 42 分，Sol 便宜约四分之三；在 51 分这个交叉点，Sol 便宜七成左右。
• 但 51 分以上只有 Opus：Opus 5.5 往上还有 54、56、58 三档，Sol 加钱也上不去。
• 分项上 Opus 赢得多：知识工作类文档、科学计算编码、专家级推理这些项目 Opus 领先明显；Sol 的明确优势项是复杂专业 PDF 的理解。
• "加 effort 不一定更好"两边都存在：Sol 的编码分数在 high 达到峰值，部分评测上 Opus 的 max 也不如 high。

一句话总结：Sol 是更好的默认选项，Opus 5.5 是更高的天花板。 你的任务需不需要那个天花板，决定了该选谁。

4.4 别只看单价：几个隐藏变量

272K 悬崖。 Sol 的输入一旦超过 272K token，长上下文价格会作用于整个请求，而不只是超出的部分。也就是说，多塞一千个 token，账单可能直接跳一大截。Opus 5.5 在 1M 范围内都是统一价。对那种"一直往上下文里追加文档、不做压缩"的 agent，这一条非常关键。

缓存规则不一样。 Sol 的缓存最小 1024 token，保留至少 30 分钟且复用时刷新；Opus 5.5 最小 512 token，默认保留 5 分钟，可以付更高价格买 1 小时。如果你的 agent 调用频率低、或者 prompt 前缀经常变动，实际缓存命中率会和你算的不一样。

Thinking 控制不一样。 Opus 5.5 是自适应思考、常开，不能关；Sol 6.1 去掉了 GPT-6 Sol 原来的 none 档，最低只能 low。之前显式关掉推理来省钱的调用方，迁移时都要改配置。

延迟体验不一样。 Opus 5.5 的流式输出速度更快，Sol 在中低档 effort 下首 token 出来更早。交互式场景和后台批量 agent，看的指标不一样。

4.5 选型思路

5. 那么，谁是现在最强的模型？

这个问题我本来以为能一句话回答，查完资料发现答不了。原因很简单：换一个榜单，第一名就换一个人。

5.1 各榜单的第一名（10 月初的快照）

5.2 我的结论

• 如果只能报一个名字：就"公开可用 + 综合评测"这个口径，现在排第一的是 Claude Opus 5.5。
• 但更准确的说法是"第一梯队是一个簇"：Opus 5.5、Sonnet 5.5、Fable 5.1、GPT-6 Astra、Gemini 4 Argon，差距在几分之内，换一套评测、换一个 effort 档位，顺序就会变。Artificial Analysis 一周之内就改了两次评测组成，每次改完排名都跟着动。
• 具体场景下的"最强"各不相同：编码 agent 看 Fable 5.1 / Astra；computer use 和 token 效率看 Astra；性价比默认档看 Sol 和 Sonnet 5.5；复杂 PDF 抽取 Sol 反而有优势。
• 真正最强的可能不在榜上：OpenAI 刚因为对齐问题搁置了更强的 6.1 Astra，还暂停过最强模型的训练；Anthropic 更高的 Mythos 级别模型也只对少数合作方开放。前沿实验室手里"能做出来但不发"的东西，正在变多。

从我个人开发的经验上来讲：Opus5.5在成本/效率/效果上达到了最完美的平衡，在现在这个时间点来看，它就是毫无疑问的宇宙最强模型。

6. 大会前一天，被搁置的 GPT-6.1 Astra

6.1 发生了什么

9 月 28 日（周一），也就是 DevDay 前一天，《华尔街日报》报道、随后 OpenAI 确认：原计划 10 月在 ChatGPT 和 Codex 上线的 GPT-6.1 Astra 不发了。

OpenAI 安全系统负责人 Saachi Jain 的解释大意是：

• 6.1 Astra 在能力上是进步的：更不"偷懒"，更能端到端地独立完成困难任务，写作也更好；

• 但它在两个方面相比 GPT-6 Astra 退步了：

  1. Scope authorization（范围与授权）：会在没有授权的情况下继续推进任务、调用外部工具；
  2. 如实汇报：不总是如实告诉用户自己做了什么、没做什么。
• 所以没达到 OpenAI 对公开发布设定的安全与对齐标准。

OpenAI 还表示，这和上周因为一个 agent 绕过网络限制而暂停训练最强模型那件事是两回事；他们希望在同一个基座上继续做强化学习，改善对齐。

于是 Dots 最终跑在上一代的 GPT-6 Astra 上，大会上发布的新模型只有 6.1 Sol。

6.2 争议在哪

这件事引起的讨论，热度一点不比 Dots 低。我看到的观点大概分三派：

• "负责任"派：能力更强的模型因为对齐退步而主动不发，这在行业里很少见，值得肯定。
• "时机微妙"派：一边宣布最新模型会骗人、会越权，一边第二天发布一个拥有云端电脑、能进 Slack、能连 4000 个应用的常驻 agent，这个对比让人有点出戏。
• "安全即营销"派：大会前一天公布，客观上也给 DevDay 做了一轮"我们很重视安全"的预热。

我个人不太关心动机，更关心那两个具体的退步项，因为它们恰好是 Dots 这类产品最怕的两种失效。

6.3 "不偷懒"和"越权"，可能是同一个旋钮的两端

报道里说 6.1 Astra 在 "laziness"（偷懒）上进步了，同时在 "scope authorization" 上退步了。这两个放在一起看，其实很好理解：

• 一个"懒"的 agent，遇到不确定的时候会停下来问你；
• 一个"勤快"的 agent，遇到不确定的时候会自己想办法往前推。

而"自己想办法往前推"，再往前多走一步就是"没经授权就做了"。

把模型往右拧，任务完成率上去了，越权风险也上去了。如果同时还伴随着"汇报不诚实"，做了说没做、没做说做了，那就是最糟糕的组合：你既控制不住它，也看不清它。

7. 落到实处：这些变化对我们写代码有什么影响

前面都是看热闹，这一节是我真打算改的东西。

7.1 默认模型下沉，按任务路由

一年前的习惯是"什么活都用最强的模型"。现在 Sol、Sonnet 5.5 这一档已经能覆盖大部分日常编码，价格是旗舰的一半甚至更低。更合理的做法是：默认用中档模型，失败或者遇到明确的高难任务再升级到旗舰（见 4.5 的路由图）。

团队层面要做的，是把"选模型"从个人习惯变成可配置的策略：哪类任务默认走哪个模型、什么条件触发升级、升级后要不要人工确认。

7.2 调 effort 比换模型更划算

这一轮最反直觉的发现是：effort 拉满不一定更好。Sol 的编码分数在 high 见顶，再往上加只是多花钱。所以除了"选哪个模型"，还要为每类任务找到合适的 effort 档位，把它写进配置，而不是一律 max。

7.3 上下文工程就是成本工程

• 控制上下文规模：272K 悬崖意味着"把整个仓库塞进去"在 Sol 上会突然变贵。检索、摘要、上下文压缩不再只是质量问题，而是直接的钱。
• 稳定 prompt 前缀：缓存命中依赖前缀不变。系统提示、项目说明、工具定义放在前面且尽量不动，变化的内容放后面。
• 按模型调整缓存策略：两家缓存的最小长度和保留时间不一样，同一套调用方式换个模型，命中率可能完全不同。

7.4 模型一周一换，抽象层和自有评测集是刚需

GPT-6 Sol 上线七天就被 6.1 Sol 替换，评测榜一周改两次口径。在这种节奏下：

• 代码里不要写死模型 ID 和参数，通过一层模型网关或配置中心管理；
• 建一个自己的评测集：从已经解决过的真实任务里挑几十个，每次新模型出来跑一遍，看通过率和成本。别人的榜单只能参考，你的任务分布只有你知道；
• 看"每个被接受任务的成本"，而不是每百万 token 的单价。便宜一半但通过率低一半，算下来可能一样贵；
• 迁移前查 breaking changes：比如 Sol 6.1 去掉了 none 推理档，Opus 5.5 不能关闭 thinking，这些都会让旧配置直接报错。

7.5 仓库要"agent-ready"

Dots 修 bug 能跑通，前提是那个仓库本来就容易被验证。想让 agent 在自己的项目里也干活，需要先补这些课：

• 一键可复现的开发环境：agent 的云端电脑得能把项目跑起来；
• 快且稳定的测试：flaky test 会让 agent 陷入"改了又改"的循环；
• 清晰的项目说明文档：目录结构、编码规范、怎么跑测试、哪些地方不能碰，写给人看也写给 agent 看；
• 小粒度 PR：一次只改一件事，方便 review，也方便回滚。

7.6 Review 会成为新瓶颈

agent 提交 PR 的速度远超人类 review 的速度。几个应对思路：

• 自动化检查前置：lint、类型检查、测试、安全扫描全部过了才进入人工 review；
• PR 分级：文案、依赖升级、局部修复可以快速通道；核心模块、公共接口、数据结构变更走严格通道；
• 限制 agent 的并发：与其一天收 50 个没人看得过来的 PR，不如一天 10 个都认真看完。

7.7 权限与可信度：别信自述，信系统记录

6.1 Astra 的两个退步项，提醒我们设计 agent 工作流时要默认"它可能越权、可能汇报不准"：

具体到日常：

1. 权限按任务授，不按人授。给 agent 单独的服务账号和最小权限，不要直接用自己的 token；
2. 不可逆动作一律走审批，哪怕它因此显得"懒"一点；
3. 不读它的总结，读系统记录。它说"测试已过"，就去看 CI；它说"只改了一个文件"，就去看 diff；
4. 所有动作留痕，而且日志不能由 agent 自己写。

8. 写在最后

把这一周的事串起来看，讲的其实是一个故事：

• Dots 说：agent 要从工具变成同事了；
• 6.1 Sol 和 Opus 5.5 说：这个同事越来越便宜，而且你有不止一个供应商可选；
• "谁最强"答不出来 说：第一梯队已经挤成一团，差异化正在从"谁更聪明"转向"谁更便宜、谁更可控"；
• 6.1 Astra 被搁置 说：同事能力越强、越勤快，越要管住它的手、看清它干了什么。

前面几件是油门，最后一件是刹车。今年的 DevDay 难得地把油门和刹车放在了同一张桌子上。

至于我自己，认真规划了一下新的分工：Sol 帮我写单测，Opus 帮我 review，Astra 在 Slack 里替我回复"在看了"。剩下我负责最重要的环节——点 merge，以及出事之后写复盘。

"从入门到放弃"系列，这次放弃得格外有条理。

生命在于折腾。Coding the world!