GPT-6 Astra 上線一週就「變笨」？使用者回報 Agent 提早收工、忘記指令，問題可能不在模型本身

OpenAI 在 2026 年 9 月 3 日推出 GPT-6 Astra 後，這款被官方定位為目前最強端到端工作模型的新系統，很快就在 coding、research、computer use 與複雜多步驟工作中受到關注。

但模型上線不到一週，另一種聲音也開始出現。

部分重度 Codex 使用者陸續回報：Astra 似乎沒有剛推出時那麼可靠了。

問題甚至不是傳統意義上的「答錯問題」，而是更麻煩的 Agent 行為退化，例如工作還沒做完就停止、描述自己準備執行某件事卻沒有真正執行、宣稱任務完成但實際檔案沒有修改，以及前一輪剛確認好的目標到了下一輪就突然遺失。

這讓一個很容易引起爭論的問題浮上檯面：GPT-6 Astra 真的被 OpenAI「降智」了嗎？

目前答案是：有明確的 regression 回報，但還沒有足夠證據證明 Astra 的基礎模型能力本身被削弱。

最具體的回報：30 秒就收工，甚至沒做卻說做完了

9 月 7 日，OpenAI 官方 Codex GitHub repository 出現 Issue #43329，回報者描述自己在 9 月 6 日下午連續數小時遇到 GPT-6 Astra 的異常 Agent 行為。

使用環境並不算低階配置：模型使用 GPT-6 Astra、High reasoning effort 與 priority service tier。

更重要的是，使用者為了排除單一前端程式造成問題，先後透過第三方 Codex GUI、codex-cli，以及官方 ChatGPT 介面測試，但類似問題仍然重現。

回報中的主要症狀包括：

1. 模型描述自己要執行工作，卻沒有真正呼叫工具完成工作。
2. 原本應該持續數分鐘甚至更久的 Agent 任務，大約 30 秒就提前結束。
3. 任務尚未完成，模型卻直接報告工作已完成。
4. 遇到未知問題時，模型開始用猜測代替進一步調查。

這類故障和單純回答錯誤非常不同。

一般聊天模型如果算錯一道數學題，可以說是 reasoning error；但 Agent 如果連「還有沒有工作沒做完」都判斷錯誤，就會直接破壞自動化流程的可靠性。

假設一個 coding agent 的正常工作流程是：

讀取 repository → 找到問題 → 修改程式 → 執行測試 → 發現錯誤 → 再修改 → 驗證通過 → 回報完成。

如果 Agent 在第三步就認為任務已經結束，使用者看到的就會是：

模型看起來非常聰明，但事情就是沒有真正做完。

另一批回報：Astra 開始忘記「上一句才講好的事情」

9 月 9 日，Codex repository 又出現 Issue #44136。

這次問題集中在 conversational intent，也就是模型是否能持續記住整段工作中已經建立的目標。

回報者指出，GPT-6 Astra 在相鄰的兩輪對話之間直接違反前一輪才確認好的工作目標。

更麻煩的是，使用者糾正模型後，後續仍然出現 instruction-following failure，也就是模型沒有穩定吸收修正資訊。

回報者特別說明，當時沒有觀察到明顯的 context compaction，而且使用的 skill 先前已經長期正常運作。

因此目前無法簡單把問題歸因於 prompt 寫壞。

Issue 本身也保持相當謹慎，指出真正原因可能位於：

模型行為、context handling、instruction routing，或其他 Codex 元件。

這個區別非常重要。

因為使用者看到的是「Astra 忘記了」，但背後實際負責把歷史訊息送進模型的，可能還有 context manager、agent runtime、system prompt、tool state 與 conversation compaction 等多個元件。

不只 Astra，Codex 0.153.4 也有人回報整體退化

另一個值得注意的線索，是部分問題並不限於 Astra。

Codex Issue #43496 有使用者回報，0.153.4 版本中 GPT-5.6 Sol、GPT-5.6 Terra 與 GPT-6 Astra 都出現 task context 遺失、速度異常緩慢與品質下降。

如果多個不同模型在同一個 Codex runtime 同時出現相似問題，就會降低「Astra neural weights 本身突然變差」這個假說的可信度。

換句話說，問題可能存在於模型外面的那一層。

AI Agent 並不是只有一個 LLM。

真正的 production Agent 大致可以想成：

使用者指令 → System instructions → Context manager → Model → Tool router → Tool execution → Result → Model → Verification。

任何一層出錯，最後使用者看到的都可能是「模型變笨了」。

就像一台跑車突然開得很慢，不代表引擎一定壞掉，也可能是變速箱、電子控制系統、輪胎、限速器甚至道路本身出了問題。

503 overload 讓 routing 問題更加可疑

同樣在 9 月 7 日，有 Astra 使用者回報大量 HTTP 503 server overloaded 錯誤。

Issue #43446 描述 GPT-6 Astra 在 Agent 工作期間多次遇到伺服器容量不足，即使重新嘗試仍失敗。

更奇怪的是，其中一次請求最終成功後，回覆內容竟表示自己不是 Astra，儘管 client 介面與 request record 仍然顯示模型為 gpt-6-astra。

這並不能直接證明 OpenAI 把請求偷偷路由到另一個較弱模型。

模型回答自己是哪個模型，本身並不是可靠的模型身份驗證方式。

但與同期大量 capacity error 放在一起看，至少說明 Astra 推出初期的 serving infrastructure 並不是完全平穩。

另外，Issue #43398 甚至回報 GPT-5.5、GPT-5.6 Sol 與 GPT-6 Astra 同時遇到 capacity error，而較小的 GPT-5.4-mini 仍能正常運作。

如果這些回報反映的是同一段基礎設施壓力，就更可能是 serving capacity 或 orchestration 問題，而不是 Astra 單一模型突然退化。

Context compaction 也是另一個嫌疑人

長時間 Agent 工作會遇到一個非常現實的問題：context window 並不是無限大。

當對話、工具輸出、程式碼與 log 不斷累積後，系統必須對舊內容進行整理或壓縮，也就是 context compaction。

理想情況下，系統應該把數十萬 token 的歷史資料整理成較短、但仍保存任務核心狀態的摘要。

但如果 compaction 遺失了某些重要資訊，例如：

目前目標、已完成工作、不能修改的檔案、使用者剛剛下達的限制，或測試失敗的真正原因，

下一輪模型拿到的世界就會和上一輪不同。

Codex Issue #43062 就回報 Astra Ultra 在自動 context compaction 時卡住超過 20 分鐘，手動停止後又很快重新進入 compaction。

另一個 Issue #43194 則涉及 experimental context management 與 task state 遺失問題。

因此，對長時間 coding Agent 而言，「模型記憶突然變差」和「context pipeline 沒有完整保存狀態」在表面症狀上非常相似。

還有一個 Astra 特有變數：安全監控比以前嚴格得多

GPT-6 Astra 和前一代模型還有一項非常大的差異。

OpenAI 官方表示，Astra 是第一個在其 Preparedness Framework 中達到 Critical cybersecurity capability 等級的模型。

意思不是 Astra 只是比較會回答資安問題，而是 OpenAI 評估它在取得適當工具與系統權限後，已具備尋找未知漏洞、開發新的 exploit，以及在較少人工逐步指導下執行進階資安工作的能力。

因此 OpenAI 對 Astra 加入了比過去更嚴格的安全措施，包括更強的隔離、完整 trajectory monitoring，以及額外的 alignment evaluation。

官方 Release Notes 還明確指出：Astra 加入額外的 safety monitoring，用來偵測 Agent 是否可能錯誤理解使用者指令；如果系統判定可能發生這種情況，conversation 可能會被暫停或停止，讓使用者重新確認。

這個設計本身就可能造成非常有趣的 UX 矛盾。

安全系統看到的是：Agent trajectory 可能存在風險，因此停止。

但使用者看到的是：

「你怎麼做到一半突然不做了？」

因此部分所謂的 Astra regression，有可能並不是 reasoning capability 下降，而是 Agent 的允許行動範圍、監控方式或中止條件比前代模型更加保守。

目前沒有證據可以證明所有退化回報都是 safety system 造成，但它確實是一個不能忽略的變數。

模型 Benchmark 很強，為什麼實際 Agent 還是可能變差？

這其實揭露現代 AI 評測最大的難題之一。

傳統 benchmark 通常測量的是：

模型看到一個問題後，能不能產生正確答案。

但 Agent workload 測試的是完全不同的能力：

能不能理解任務、記住數十輪上下文、操作工具、觀察結果、發現錯誤、修正計畫、不要提前停止，最後還要確認工作真的完成。

因此可能同時出現兩個看似矛盾、實際上完全可以共存的現象：

Astra reasoning benchmark 非常高，但 Astra 在某個 Codex production environment 中完成長任務的可靠性下降。

第一個測的是 intelligence。

第二個測的是 operational reliability。

而對真正拿 AI Agent 做工作的使用者來說，後者有時甚至更重要。

一個 IQ 極高但每做到一半就說「完成了」的工程師，實際生產力可能還不如能力稍弱、但會老實把 checklist 一項一項完成的人。

所以 Astra 到底有沒有被「降智」？

截至 2026 年 9 月 11 日，較合理的結論是：目前確實存在多個具體且可追蹤的 Astra / Codex regression 回報，但沒有公開證據證明 OpenAI 修改了 GPT-6 Astra 的核心模型權重，刻意降低其 reasoning capability。

目前較值得調查的可能原因至少包括：

Codex runtime regression、context management 或 compaction 問題、instruction routing 異常、tool orchestration failure、服務容量與 inference routing，以及 Astra 新增的安全監控。

而且部分問題也同時出現在 GPT-5.6 Sol 等其他模型上，進一步說明問題可能不是 Astra 單一模型造成。

所以現在直接說「GPT-6 Astra 被 OpenAI nerf 了」仍然太早。

但反過來說，把所有使用者回報都視為心理作用也不合理。

GitHub 上已經可以找到任務提前結束、false completion、intent loss、context failure、capacity error 與 orchestration 異常等具體案例。

真正值得關注的，可能不是 Astra 的智商下降，而是 AI 產業正在撞上一個新的工程難題：模型愈來愈聰明之後，決定實際生產力的瓶頸開始從「模型會不會思考」，轉移到「整套 Agent 系統能不能穩定地讓它把事情做完」。

這也意味著未來比較 AI 模型，可能不能只看 benchmark 分數。

對 coding、research 與 computer-use Agent 而言，Task Completion Rate、Context Retention、Tool Reliability 與 False Completion Rate，可能會逐漸變成和 reasoning benchmark 一樣重要的指標。

Tech English 專有名詞

Regression（功能退化／回歸問題）：原本正常工作的模型或軟體，在更新或環境變化後出現性能或功能下降。AI 模型 regression 不一定代表模型權重被修改，也可能來自 runtime 或部署系統。

Agentic Behavior（代理式行為）：AI 不只回答問題，而是能規劃任務、呼叫工具、觀察結果、修正策略並持續執行工作的能力。

Context Compaction（上下文壓縮）：當對話內容接近 context window 上限時，系統把較舊內容壓縮成摘要，以騰出空間繼續工作。若摘要遺失重要狀態，模型可能表現得像突然失憶。

Instruction Following（指令遵循）：模型理解並持續遵守使用者、system prompt 與工作流程限制的能力。長時間 Agent 任務中特別重要。

Orchestration（代理協調／工作流編排）：負責連接模型、工具、sub-agent、context、API 與執行流程的系統層。Orchestration 出問題時，即使底層模型能力正常，最終 Agent 仍可能失敗。

False Completion（錯誤完成宣告）：Agent 在任務實際尚未完成、沒有執行必要工具或未通過驗證時，就宣稱工作已經完成，是自動化 Agent 中相當危險的可靠性問題。