大模型赋能投研系列之三十一：GPT_6 Astra金融测评，投研任务提升明显

2026年9月3日，OpenAI正式发布GPT-6 Astra，支持约105万Token上下文和最高128K Token输出。该模型重点提升了编程、研究、Computer Use及复杂多步骤任务能力，能够结合推理、代码和工具调用，完成从需求理解、任务执行到结果检查和成果交付的完整流程。在金融投研领域，大模型的应用正从单一文本生成向端到端的复杂工作流执行演进，模型能否稳定完成真实工作正在成为新的评价重点。

为验证前沿大模型在真实金融Agent工作流程中的实际表现，本次评测选取了GPT-6 Astra，并与GPT-5.6 Sol、Kimi K3、GLM-5.3和DeepSeek V4 Pro四款模型进行横向比较。评测设置了估值建模、多因子回测和行业研究三类典型投研任务，覆盖数据库取数、Excel建模、图表生成、资料溯源和研究报告输出等关键环节，以综合评估各模型的任务完成度、结果准确性、研究深度与交付质量。

GPT-6 Astra能力升级方向与API定价特征

GPT-6 Astra本轮升级的核心方向在于进一步强化模型在真实数字环境中的任务执行能力。官方将其定位为面向高难度端到端工作的旗舰模型，适用于复杂推理、编程、计算机操作、研究和文档创建，并支持网页搜索、文件搜索、代码解释器、托管终端和计算机操作等工具。在复杂专业工作处理方面，GPT-6 Astra擅长跨代码、浏览器和专业软件执行多步骤工作流，能够在任务过程中吸收新增要求、调整执行方向，并在较长任务中保持整体目标和上下文的连贯性。

从公开测试指标来看，GPT-6 Astra相较上一代旗舰模型GPT-5.6 Sol的提升并非所有指标同等幅度上移，而是更加集中于计算机操作、复杂专业工作、终端执行和长上下文等任务。在OSWorld 2.0测试中，GPT-6 Astra得分为72.6%，较GPT-5.6 Sol的65.7%提升6.9个百分点；在ScreenSpot-Pro测试中，得分由76.9%大幅提升至92.7%；在AutomationBench测试中，得分由18.1%跃升至41.4%。同时，在OSWorld 2.0延迟模拟中，GPT-6 Astra以约40分钟完成单项任务，而GPT-5.6 Sol约需75分钟，任务耗时减少约47%。这表明其能力提升更偏向真实环境中的连续执行能力，而非单纯的知识或推理能力上升。

在使用成本方面，GPT-6 Astra标准API价格为每百万Token输入10美元、输出50美元。若采用Artificial Analysis基于固定Token结构计算的统一加权价格，GPT-6 Astra约为7.70美元/百万Token，明显高于GPT-5.6 Sol的3.08美元、Kimi K3的2.31美元、GLM-5.3的0.90美元以及DeepSeek V4 Pro的0.69美元。因此，GPT-6 Astra并非以低调用价格参与竞争，其实际价值取决于更高的任务完成度能否有效减少执行失败、重复运行和人工修改，从而在实际工作中形成足够明显的质量优势。

估值建模任务：经营假设贯通性与底稿可复核性差异显著

估值任务以中际旭创为研究对象，要求模型获取历史财务和最新经营数据，建立经营预测、三张报表、DCF和相对估值模型，并输出敏感性分析及投资报告。该任务主要检验模型能否将业务判断转化为财务假设，保持收入、利润、现金流和估值之间的联动，同时保证Excel模型、研究报告、目标价和投资评级相互一致。

在本次评测中，五款模型均完成了估值模型和投资分析报告的交付，但在经营预测深度、底稿联动、公式可靠性和最终成果可复核性方面存在明显差异。GPT-6 Astra在该任务中综合表现排名第一。其经营预测不仅拆分了产品销量、ASP和成本，还将相关假设进一步传导至三张报表、自由现金流和估值结果。具体而言，GPT-6 Astra将光模块业务拆分为400G及以下、800G、1.6T和下一代光互连产品，分别设置销量、ASP和材料成本率，通过“产品销量×产品ASP”计算分产品收入。在估值逻辑方面，其以EBIT为基础计算NOPAT，再结合折旧摊销、资本开支以及营运资本变动形成FCFF，并设置显式延长期以降低估值结果对单一终值假设的依赖。其交付的Excel工作簿包含14个工作表，未发现影响核心结果的公式报错，且设置了悲观、基准和乐观三种经营情景。

相比之下，GLM-5.3排名第二，其同样采用自下而上的量价模型，并将经营预测、三张报表、DCF和相对估值通过公式链贯通，最终交付版本具备较好的可重算性，但远期销量、价格等宏观参数仍较依赖人工判断。GPT-5.6 Sol排名第三，其模型联动、检查表和来源管理较为规范，但经营预测主要采用分产品收入增速驱动，对底层经营变量的拆解不足。Kimi K3排名第四，虽然采用了“销量×单价”进行分产品收入预测，但Excel中部分关键数据为静态值，并存在公式和引用错误，导致模型无法随假设可靠联动。DeepSeek V4 Pro排名第五，其工作簿存在多处系统性公式错位，校验页未能有效识别相关问题，底稿尚不具备可靠的可复算性。

多因子回测任务：交易时点控制与执行约束的严谨度对比

回测任务要求模型基于沪深300历史实际成分股，构建价值、质量、动量和低波动等因子，完成IC、Rank IC、十分组收益、多因子选股及策略回测。该任务的核心不仅在于生成净值曲线，还包括正确处理历史成分股、行业分类、财务披露日、复权价格、调仓时点和不可交易状态，并输出持仓、换手率、回撤及行业分布等结果。

五款模型均搭建了多因子回测的基本框架，但模型之间的主要差异体现在交易时点处理、计算过程披露和结果可复核性上。GPT-6 Astra在该任务中再次位列第一。其不仅完成了因子构建、组合回测和绩效评价，还完整保留了历史成分股、财务披露时点、因子计算、目标持仓、实际成交和组合净值等中间过程。在历史数据时点控制方面，GPT-6 Astra根据实际调入和调出日期还原各期指数成分，不使用当前成分股回溯历史；在财务数据处理方面，同时检查公告日期、实际披露日期、报告期和报表版本，只允许当时已经披露的数据进入因子计算。在交易执行方面，明确区分月末收盘后的信号形成和下一交易日交易执行，建立持仓和现金账户，计入交易摩擦及卖方税费，并处理停牌、涨停无法买入、跌停无法卖出等情况。

GPT-5.6 Sol排名第二，其优势主要体现在回测时点处理规范和结果整理清晰，明确采用“月末形成信号、下一交易日执行”的方式，但未进一步模拟交易成本和部分不可交易状态。DeepSeek V4 Pro排名第三，其回测框架较为完整，考虑了次日成交、交易成本和输入文件审计等因素，但存在持有期口径不完全一致以及涨跌停约束未充分模拟等问题。GLM-5.3排名第四，保留了较完整的历史成分和数据链，并能根据异常结果反查代码完成修正，但在严格时点控制和交易模拟方面仍存在不足。Kimi K3排名第五，未明确区分信号形成日和交易执行日，也未计入交易成本或处理涨跌停等不可交易状态，回测结果与真实交易环境存在较大差距。

行业研究任务：知识库沉淀与投资框架的完整性评估

行业研究任务以半导体设备产业链为对象，要求模型检索行业和公司资料，梳理上下游环节，建立海外龙头与国内公司的对应关系，并形成公司数据库、投资框架、跟踪指标和风险分析。除最终报告外，该任务还要求模型沉淀Wiki知识库，用于检验其来源管理、公司实体拆分、主题关联和持续更新能力。

五款模型均完成了半导体设备行业报告和Wiki知识库，但在研究深度、知识覆盖、来源管理和知识库可维护性方面差异明显。GPT-6 Astra在该任务中排名第一，其不仅形成了覆盖产业链、国内外公司、投资框架和风险跟踪的行业报告，还将公司数据库、来源页面、Wiki双向链接、更新说明和质量检查连接为完整研究链。其交付的Wiki包含63个公司实体页、83个来源页、13个主题页和2个综合研究页。在投资框架方面，GPT-6 Astra采用市场空间、成长速度、技术壁垒、盈利能力、竞争格局和估值约束六个维度评价不同设备环节，并进一步区分订单、设备交付、收入、利润和现金流等不同阶段，将技术验证、研发投入和营运资本占用纳入公司质量判断。

DeepSeek V4 Pro排名第二，其Wiki保留17个公司实体页、20个来源页和原始资料层，页面之间具有交叉引用，是除GPT-6 Astra外来源治理最规范的模型，但公司覆盖范围相对较小。GLM-5.3排名第三，其优势在于A股公司和结构化数据覆盖较广，形成33家公司数据库，但原始资料位于Wiki目录之外，来源反链不够系统。GPT-5.6 Sol排名第四，报告结构和研究逻辑较清楚，但Wiki只有3个真正独立的公司实体页，知识沉淀深度有限。Kimi K3排名第五，六维评分框架清晰，但Wiki仅建立2个公司实体页和2个主题页，没有实际保存来源摘要和原始资料，知识库内容沉淀最弱。

综合评测结论与应用风险提示

综合三项金融投研任务的实测结果，GPT-6 Astra在估值建模、多因子回测和行业研究三个任务中均排名第一。其核心优势并不局限于单项推理能力的提高，而在于能够将取数、建模、代码执行、结果检查和报告输出串联成一条完整的执行链。在估值任务中，其分产品经营假设能够贯通三张报表与估值结果；在回测任务中，其能够同时处理历史成分股、财务披露时点、交易成本及不可交易状态；在行业研究任务中，其公司与来源覆盖最广，报告、数据库和Wiki之间的关联最为完整。

其他参评模型也展现出各自的差异化特征。GLM-5.3在量价拆解、三表联动以及A股结构化数据覆盖广度上表现较好；GPT-5.6 Sol在模型规范性、检查机制和交易时点处理上较为严谨；DeepSeek V4 Pro在行业研究的来源治理和Wiki沉淀方面具备一定优势；Kimi K3则能够搭建基本的分析框架和报告结构，但在底稿联动和知识库建设上仍有欠缺。

需要关注的是，大模型在投研场景中的应用仍存在客观限制。大模型输出的内容存在一定的随机性和准确性风险，本文所提炼的观点基于特定的提示词产生，输出结果可能随着提示词的变化而发生变化。此外，投研场景仍不能省略程序侧检查公式、字段、时点和链接，以及分析师侧复核业务假设、交易约束、数据口径和来源质量两道验收环节。历史规律不代表未来，在市场环境发生变化时，模型存在失效的风险。在使用AI生成内容时，还需确保所使用的工具及其生成的内容符合相关法律法规的要求，避免侵犯他人知识产权。