OpenAI发布GPT-6 Astra，首批向有限数量的机构开放，随后逐步扩展至ChatGPT Plus、Pro、Business和Enterprise用户，并通过OpenAI API、微软Azure和AWS Bedrock向开发者提供。在OpenAI于发布时重点介绍的能力中，3D建模与空间推理对设计和制造工作流而言尤为值得关注。
为衡量模型对3D几何的理解能力，OpenAI推出了BenchCAD基准测试。该测试考察模型能否通过编写CAD代码、而非直接生成网格，从一组多视角渲染图中重建3D物体。在配合工具使用的情况下，GPT-6 Astra在该基准的平均体素IoU指标上得分95.9%——该指标衡量重建几何体与原始物体的重合程度。作为对比，OpenAI上一代模型GPT-5.6 Sol的得分为83.3%，Anthropic的Claude Fable 5.1报告得分为84.3%。OpenAI还表示，在测试配置下，Astra达到该分数的预估API成本比Sol低约43%，比Fable 5.1低约86%。
OpenAI将这一基准结果与一项演示结合展示：模型在Blender中为一个房屋建模，并将其转换为Unreal Engine 5中可步行浏览的场景，OpenAI将这一工作流描述为让设计师和客户在建筑建成之前探索布局并穿行于空间中。相同的计算机使用能力也延伸至游戏开发领域：在设计师Pietro Schirano的演示中，Astra构建了一款卡丁车竞速游戏和一组飞船静帧，为没有编程经验的人生成图形、玩法与动作。
对于关注增材制造和产品设计的读者而言，BenchCAD的结果更值得留意。一个能从普通照片重建可编辑CAD几何体、而非生成静态网格的模型，指向几个方向：更快的实物零件逆向工程、扫描参考件与可打印文件之间更迅速的迭代，以及生成可用几何体而非仅仅是图像的设计工具。
不过，Astra的输出能否满足增材制造工作流所要求的公差，是与基准分数不同的问题。这取决于设计师开始向模型输入真实零件、而非测试渲染图之后，模型的实际表现。基准测试衡量的是几何重建的接近程度，而制造场景关注的是尺寸精度、壁厚可打印性和后处理余量等具体指标，两者之间仍有距离需要验证。
