---
title: "🔥GPT-6：循环架构升级，抬升智能上限 | 中信证券计算机 [玫瑰]GPT-6 Astra推出，端到端任务与自主操作能力显著加强 与前代GPT-5.6 Sol"
topic_id: 14425582282215252
created_at: 2026-09-10T08:06:53.961+0800
source: zsxq
type: topic
cssclasses: zsxq-vault
---

# 🔥GPT-6：循环架构升级，抬升智能上限 | 中信证券计算机 [玫瑰]GPT-6 Astra推出，端到端任务与自主操作能力显著加强 与前代GPT-5.6 Sol

- 序号：498
- 星球链接：[打开网页](https://wx.zsxq.com/group/15522451881222/topic/14425582282215252)
- 附件：图片 0，音频 0，文档 0
- 音频文件：_无音频_

## 图片

_无图片_

## 正文

🔥GPT-6：循环架构升级，抬升智能上限 | 中信证券计算机

[玫瑰]GPT-6 Astra推出，端到端任务与自主操作能力显著加强
与前代GPT-5.6 Sol相比，Astra在推理与执行上实现了代际跨越：ARC-AGI-3测试从个位数跃升至99.9%，FrontierMath Tier 4达98%，OSWorld 2.0任务完成率从65.7%提升至72.6%且耗时从75分钟锐减至40分钟。
其核心优势在于端到端任务执行，GPT-6 Astra能直接操作电脑界面，将检索、分析、代码执行到交付物制作整合为完整工作流，在Terminal-Bench 4.0（57.9% vs 55.8%）、AutomationBench（41.4% vs 31.4%）等长程Agent测试中已超越Claude Fable 5.1等竞品。

[玫瑰]或采用循环Transformer的升级架构，有望抬升智能上限
根据the information等媒体报导，GPT-6 核心技术迭代核心为循环Transformer（Recurrent Transformer）架构升级，引入层内循环迭代+持久化KV记忆机制，无需大幅增加物理层数与参数量，通过单层网络的多次隐空间迭代就可以提升有效推理深度。同时，模型多数复杂推理步骤在隐状态内部完成，无需输出大量中间思维链Token，且持久化KV可跨时间步、跨迭代复用，彻底改变了传统架构逐层单向计算、KV实时重算即用即弃的模式。

[玫瑰]架构迭代带来算力与IO需求结构的切换，对高算力服务器硬件需求进一步抬升
一方面，内部迭代使单Token计算量小幅上升；另一方面，有效压缩任务整体Token输出量，且持久化KV缓存大幅缓解长序列场景下显存与IO带宽压力。整体来看，大模型推理瓶颈从显存IO带宽约束，一定程度上转向芯片算力利用率约束。因此，循环transformer有望拉升高算力服务器需求。

[玫瑰]循环Transformer增加思维链获取难度，理性看待对蒸馏的影响
循环Transformer架构将显式思维链转为隐空间计算，导致通过外部蒸馏手段获取模型思维链的难度增加。这对需要获取教师模型思维链过程的软蒸馏有影响，对只需要取得答案的硬蒸馏无影响。此外，随着以GPT-6为代表的模型走向端到端任务与CoWork场景，真实操作日志、执行轨迹等过程数据，其反哺价值已超越静态Benchmark答案。具备完整开发者生态与商业用户池的头部厂商，可通过真实数据闭环与RL迭代巩固优势，合成数据（RSI）则进一步放大其算法先发优势。

[玫瑰]建议关注海外算力、云产业链、国产模型及算力的相关公司：
1）海外算力，包括工业富联等；
2）云产业链，包括深信服、金山云等；
3）国产模型与国产算力，包括智谱、海光信息、中科曙光、浪潮信息等。

## 总体总结

主题正文
1. 与前代GPT-5.6 Sol相比，Astra在推理与执行上实现了代际跨越：ARC-AGI-3测试从个位数跃升至99.9%，FrontierMath Tier 4达98%，OSWorld 2.0任务完成率从65.7%提升至72.6%且耗时从75分钟锐减至40分钟。
2. 其核心优势在于端到端任务执行，GPT-6 Astra能直接操作电脑界面，将检索、分析、代码执行到交付物制作整合为完整工作流，在Terminal-Bench 4.0（57.9% vs 55.8%）、AutomationBench（41.4% vs 31.4%）等长程Agent测试中已超越Claude Fable 5.1等竞品。
3. 根据the information等媒体报导，GPT-6 核心技术迭代核心为循环Transformer（Recurrent Transformer）架构升级，引入层内循环迭代+持久化KV记忆机制，无需大幅增加物理层数与参数量，通过单层网络的多次隐空间迭代就可以提升有效推理深度。
4. 同时，模型多数复杂推理步骤在隐状态内部完成，无需输出大量中间思维链Token，且持久化KV可跨时间步、跨迭代复用，彻底改变了传统架构逐层单向计算、KV实时重算即用即弃的模式。
5. [玫瑰]循环Transformer增加思维链获取难度，理性看待对蒸馏的影响
6. 这对需要获取教师模型思维链过程的软蒸馏有影响，对只需要取得答案的硬蒸馏无影响。
7. 此外，随着以GPT-6为代表的模型走向端到端任务与CoWork场景，真实操作日志、执行轨迹等过程数据，其反哺价值已超越静态Benchmark答案。
8. [玫瑰]建议关注海外算力、云产业链、国产模型及算力的相关公司：