GPT-6 Astra 在中文 X 上继续被密集实测，讨论从“是否降智”扩展到提示词、3D 场景、PPT 和 Blender 工作流。Vincent 与 Max For AI 都用“鹈鹕骑自行车”的 HTML/SVG 动画提示词测试模型表现，并提到部分用户怀疑 Astra 或 Sol 被路由到其他模型。火山哥、向阳乔木、WEEX AI Labs、奶昔和数字生命卡兹克则分别围绕 Pro 20、Medium 性价比、提示词合集、30 页 PPT、Unreal/Blender 场景和复刻失败案例展开反馈，显示该产品热度已从能力炫技进入稳定性、套餐差异和实际交付效果争议。
参与帖子: 🚨开启 Codex 的这个新功能可以大幅度减少GPT-6的消耗！！
Codex之前是把历史反复压成摘要，任务越跑越长，摘要也跟着压了一遍又一遍。
前面的一些细节，就可能在这个过程中丢掉。
现在更新了一个实验性的功能，把上下文压缩换成了笔记 + 可搜索历史。
Astra 可以跨上下文窗口保留笔记，需要细节的时候，直接回去搜索同一个任务里之前的消息和工具结果。
这意味着，前面试过什么方案、为什么改这段代码、工具当时返回了什么，都有机会重新找回来，不用全靠压缩后的那份摘要继续猜。
想试的��，在 ~/.codex/config.toml 里加上：
[features.context_management]
experimental_mode = true
然后保存后新建任务。
目前还是实验功能，需要支持的客户端和符合条件的 ChatGPT 订阅登录，API Key 暂不支持。
有网友实测开启后额度消耗会大幅度减少！！
GPT-6 Astra 继续在中文 X 上围绕 Codex 工作流、模型档位、参数规模和实际生成能力被密集讨论。Dash 称 Astra 一天内提交了大量 PR，火山哥分享让 Codex 先读项目入口、模块和数据流并生成 ARCHITECTURE.md 的提示词，Fenng 认为 Light 档对多数任务更均衡。KC 则一方面判断 Astra 新底座后训练仍不如 5.6 Sol 成熟，另一方面整理闭源模型参数传闻，强调估算未经官方确认。Max For AI 和歸藏把 Skills、MCP、Minecraft 搭建 Twitter 界面等内容纳入能力类比与实测传播。
参与帖子: 提前下班！GPT-6又把OpenAI服务器搞炸了😂 https://t.co/5E8kxHX1GL
抖音内容形态变化与 B 站 AI 深度访谈共同推动中文创作者讨论平台分发的新趋势。dontbesilent 称抖音发布文章的字数限制已从 8000 字提升至 20000 字，意味着公众号长文几乎可以完整搬运到抖音；ahhhhfs 则称抖音短视频加入 AI 解析，担心不够吸引人的长视频完播率会进一步下降。向阳乔木和 Max For AI 同时提到在 B 站看到 OpenAI 工程师赵迪的中文访谈，认为 B 站 AI 深度访谈内容正在增多，平台长内容和 AI 内容消费正在交织。
参与帖子: 卧槽，居然在 B 站刷到了 OpenAI 工程师的中文访谈？？
昨天上飞机前，在 B 站刷到一个挺有意思的视频，OpenAI 工程师赵迪做客《创见》播客。我就缓存下来，正好落地前听完了。
这哥们之前在 Twitter/X 做推理基础设施，后来去了 OpenAI。从马斯克怎么管人，聊到 OpenAI 内部怎么用 Codex，爆了不少料。
他讲了个细节：团队帮公司省下几百万美元，想买个披萨庆祝一下，发短信问马斯克，得到的回复是：自己掏钱🤣
他对马斯克的评价也挺直接：以前是纯粹的崇拜，后来认清了这个人有多混蛋，依然敬佩他能把一些看起来不可能的事情做出来。
但他也专门替当时离开的工程师说了几句话：那些人能力很强，做过很多贡献。有人受不了马斯克，有人不认同他的理念，也有人只是被判断为不再重要。不能因为他们离开了，就否定他们的能力。
后来为什么去 OpenAI？按他的说法，搜广推做了很多年，学习曲线已经变平了。继续投入精力，可能也就是指标再提高一两个点，他想去做更前沿的事情。
到了 OpenAI，他自己的工作方式也变了。
按他的描述，内部已经普及 Codex，有些以前要做一个月的事情，现在一个星期就能完成。过去想到一个项目要花两个月、看大量代码，就觉得受不了，现在可以带着一组 Agent 去做。
聊到这里，他说了句我记住的话：以前我还可以躲在我写的代码里。
工程师一直都应该靠解决问题来证明价值。只是以前，你还能沉浸在自己写了多少代码、掌握了多少技巧里。现在模型把这部分工作接过去了，你有没有发现值得解决的问题、有没有把事情做成，就会变得更明显。
当然，他也没有因此建议大家跳过编程基础。他自己做的 Infra 系统，仍然需要人纠正模型在方向上的判断。一个方案能跑通，不代表路线就合适，对系统的直觉，很多时候还是得靠亲手做过东西才能建立。
这也能接上最近围绕 Astra 和 AGI 的讨论。他给了一个很具体的标准：如果给模型一个指令，它能把一个应用做完、不出错，对他来说，这就可以算一个小 AGI。
从工程师的角度看，能交给模型什么任务、它能不能可靠地完成，比先把 AGI 的定义争明白更实际。
这种内容挺适合在 B 站缓存之后听完整版的。
一个多小时，从他的工作经历听到具体判断，才能理解他为什么一边用 Agent 写代码，一边又强调工程基础的重要性。
大学教育和学术体系价值继续在中文 X 上遭到质疑，讨论从专业设置、课堂内容延伸到 AI 研究与就业机会成本。香港老雷调侃中国工运学院“工运学”专业抽象且稀有；邵艾伦连续发文称大学里学的东西毕业后几乎没用，真正赚钱和解决问题的能力来自自学，并批评课堂像“草台班子”。Max For AI 则认为学术界在 AI 领域已落后，大量高校研究只是复现大厂产品，普通研究者面对算力、数据和工程资源差距会产生无力感。
参与帖子: 学术界已经落伍了。
现在大部分高校的AI研究就是复现大厂的产品。
每天一睁眼：
这个模型又要实现 AGI 了，那个模型又解决了一个数学难题，
再过两天，可能连“科研本身"都要被AI自动化了。
有时候真的会有一种很强的无力感：
普通研究者还能做什么？每
尤其是在 AI领域，大厂用海量算力、数据和工程资源，把能力边界推得越来越快。
很多高校和研究所刚开始研究的问题，可能工业界内部半年前就已经做过了。
很多论文看起来像是在“创新”，但换个角度看，又像是在复现大厂已经验证过的路线。
打开最新的论文列表：
高校做一个方法，
大厂半年前内部已经做过；
学术界训一个“小模型验证”，
大厂已经在百倍算力上把 Scaling Law 跑完了；
我们还在讨论一个 benchmark 提升了2个点，人家下一代模型可能直接把整个 benchmark 打穿。
于是一个越来越现实的问题是：
当模型、算力、数据都越来越集中在少数 Frontier Lab 手里之后，学术界真正不可替代的价值到底是什么？
