9 月 4 日，开发者 Simon Willison 在获得 GPT-6 Astra 的早期访问权限后，用一组标志性的“鹈鹕骑自行车”SVG 图像生成测试对它进行了快速摸底。他将 Astra 在低、中、高、xhigh 和 max 五个 reasoning 档位下的输出，与 GPT-5.6 Sol、Terra、Luna 的结果放进同一张对比网格中。这次测试看起来像开发者社区常见的趣味实验，但对关注大模型能力变化的读者来说，它提供了一个观察新模型早期特性的切口。
为什么用“鹈鹕骑自行车”做测试
“让模型生成一只鹈鹕骑自行车的 SVG”是 Willison 长期使用的一种非正式评测方式。这个提示词的优势在于，它既不是简单图形拼接，也不至于复杂到难以比较。模型需要同时处理动物形态、自行车结构、骑行姿态以及矢量图形的可读性。生成结果是否协调，往往能反映模型在视觉理解、空间关系和指令执行上的差异。
这次测试的特殊之处，在于 Astra 的 reasoning 参数设置。Willison 提到，Astra 不支持 reasoning=none，也就是说它至少会带有一定程度的推理过程。他随后在 low、medium、high、xhigh 和 max 五个档位分别生成图像，并把结果汇总成一张对比网格。这种方式让观察者不仅可以看到单张图像的质量，也能看到不同推理强度下模型输出的变化。
对比网格中的几个线索
Willison 在文中表示，这张网格“除了有趣之外，结果意外地有用”。他特别提到，Astra 和 Luna 之间的关系可能比 OpenAI 公开说明的更密切。由于素材中没有展开具体图像细节，这一判断目前仍属于他的观察性推测，但对比网格本身为这种推测提供了直观依据。
在这类图像生成测试中，模型之间的相似性通常可以通过以下几个方面体现：
- 主体姿态是否接近，例如鹈鹕与自行车的相对位置；
- 线条风格和构图复杂度是否呈现同源特征；
- 对细节的处理方式是否类似，例如翅膀、车轮和踏板的表达；
- 在不同 reasoning 档位下，输出变化的方向是否一致。
如果 Astra 与 Luna 在这些维度上表现出较高相似度，开发者自然会推测二者在模型谱系或训练方式上存在关联。不过，Willison 并未给出进一步技术证据，因此这一点仍停留在早期体验层面的观察。
对普通读者的意义
对于行业观察者而言，这类测试的价值不在于“鹈鹕画得像不像”，而在于它展示了一种低门槛的新模型评估方法。当官方文档和基准测试尚未充分披露时，开发者往往会用简单但具有区分度的任务快速判断模型特性。SVG 生成尤其适合这种测试：结果可视化、可复现，也便于横向比较。
此外，Astra 不支持 reasoning=none 这一细节，也值得关注。它意味着 OpenAI 在这一代模型上可能更强调推理过程的默认存在，而不是让调用者完全关闭推理。对于开发者来说，这会直接影响响应速度、token 消耗和任务适配方式；对于普通用户来说，则可能意味着模型在复杂任务上会更倾向于“先想再答”。
目前，Willison 公开的素材仍停留在个人体验层面，但它提供了一个清晰的信号：GPT-6 Astra 已经进入部分开发者的测试视野，而围绕它的早期比较也正在出现。接下来值得关注的，是 OpenAI 是否会进一步说明 Astra 与现有模型之间的关系，以及这类 reasoning 档位设置会不会成为后续产品的标准能力。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/gpt6-astra-shou-ce-yi-zhang-ti-hu-qi-zi-xing-che-svg-dui-bi
