OpenAI披露Asana的最新实践：该公司在浏览器测试中借助GPT-6系列模型，大幅降低了智能体相关成本并提升了速度。具体而言，使用GPT-6 Astra于Codex环境，Asana让其浏览器智能体在测试中实现成本降低76倍、速度提升5倍，从而有条件向客户提供更强能力的模型。标题中亦提及GPT-6.1 Sol相关优化。这些数字均来自公开材料中的测试结果，指向企业在智能体场景下对推理效率的实际诉求。
测试中的成本与速度变化
材料核心数据很明确：浏览器测试场景下，模型成本下降76倍，整体速度提升至约5倍。Asana将GPT-6 Astra应用于Codex，完成上述优化。浏览器智能体通常需要多轮页面交互、元素定位与决策，调用频率高，成本敏感。通过换用或调优新模型，测试阶段就能看到数量级的费用压缩，同时保持或增强响应表现。标题强调“with GPT-6.1 Sol”，摘要则突出GPT-6 Astra in Codex，二者共同指向同一代模型族在智能体流水线中的落地。
对产品与客户的直接影响
优化目标写得很清楚：让Asana能够向客户提供更capable的模型。成本下来后，企业不必在性能与费用之间做剧烈取舍，可以把更强的模型能力开放给终端用户。对依赖浏览器自动化的工作流（任务管理、跨应用操作等）来说，这意味着智能体可以承担更复杂的步骤，而不必因高昂推理费用而降级。材料未展开具体架构细节或完整评测集，但“测试中”的表述表明结果目前主要验证于内部或受控环境。
我的判断
这是一个克制但有说服力的效率案例：76倍成本降幅与5倍速度提升如果可复现，对浏览器类AI智能体的商业化很有价值，尤其适合高频、多步的企业工作流。它证明新一代模型在智能体场景能同时改善费用与时延，降低“用得起强模型”的门槛。适用边界在于材料仅覆盖测试结果，未说明生产流量、稳定性、准确率权衡或迁移成本；不同产品的页面复杂度与调用模式差异大，直接复制数字需谨慎。局限也很明显——信息密度有限，缺少前后模型对比基线、具体提示或工具链改动说明，开发者只能把它当作方向性参考，而非可直接套用的配方。总体而言，值得关注同类智能体在推理优化上的持续进展，但落地仍需自身场景验证。