OpenAI 公布 Parallel 的 Astra 采用案例

OpenAI 于 9 月 22 日公布了为 AI 智能体打造网络研究基础设施的初创公司 Parallel 采用 GPT-6 Astra 的案例。Parallel 表示，将长时间研究任务交给 Astra 后，完成时间缩短到此前模型的一半，代码成本下降约 50%。据该公司介绍，产出质量保持不变。

Parallel 为通过搜索网络完成知识工作的智能体提供工具。根据 OpenAI 的案例页面，其工具的用途涵盖从为语音智能体提供网络依据，到为金融机构和法律客户开展研究，运作方式是将前沿模型与网络搜索结合。页面将该公司标注为北美初创企业，使用的产品为 API。

问题出在耗时最长的研究任务上。此前要在这类任务上得到好答案，就得用更大的模型加上长时间推理，相应地耗费更多时间和资源。Parallel 技术团队成员 Devin Gupta 表示："借助 Astra，我们证明了可以用更少的研究调用和更少的 token，以快得多的速度获得同样高质量的研究。"

测试任务是劳动力市场统计。Parallel 让智能体调查四个州六个月内的六项劳动力市场统计数据，智能体需要搜索多个网站、收集信息，并汇编成一份报告。Astra 用此前模型一半的时间完成了这项工作。

在工程师看来，更有意思的是提速的原因。Parallel 观察到，Astra 的搜索更有针对性，达到有用结果所需的步骤更少。Gupta 解释说："Astra 发出的搜索查询更有针对性，并结合其世界知识，比以前的模型更专注于最终任务。"搜索调用减少，每次调用附带的延迟和 token 也随之减少，这与时间和成本同时减半的结果相吻合。

效率提升也改变了架构设计。据 OpenAI 介绍，Astra 可以把特定研究任务委派给子智能体，这让 Parallel 更容易由多个智能体同时处理原本需要依次进行的搜索。这是把顺序搜索的等待时间转化为并行工作的方式。

在 METAL 查看的案例页面 54 秒视频中，Gupta 把同一测试描述为跨多个州的统计，并将节省项表述为 token 成本。文字页面写的是四个州和代码成本降低。两者给出的幅度都是约 50%。

Parallel 看好 Astra 的依据也来自其自身测量。该公司于 9 月 16 日推出搜索能力排行榜，供开发者为使用网络搜索的应用挑选模型，首版比较了 24 个开源和闭源模型。在衡量三套公开基准准确率的搜索智能分数上，GPT-6 Astra 以 70.3 位居第一。结果为截至 9 月 15 日的快照。

同一张表也呈现了成本一侧的情况。在按成本对达到或超过中位准确率的模型排序的搜索效率排名中，GPT-5.6 Luna 以 55.0 分居首，成本约为 Astra 的十三分之一。DeepSeek V4.1 Flash 接入搜索后分数提高 45 分，增幅为所有模型之最，搜索智能以 65.3 排第三，搜索效率排第二。Parallel 写道，更高的准确率是否值得更高的成本，取决于具体应用。

这并不是第一个 Astra 客户案例。METAL 曾报道 OpenAI 前一天公布了 AI 视频工具公司 Higgsfield 采用 Astra 的案例；此前还报道过 9 月 17 日推出、配备自有法律搜索索引的 Astra for Law，其准确性检查通过率为 54.0%，高于仅使用网络搜索的 Astra 的 38.7%。案例页面底部还列有 9 月 16 日的 Hex 和 9 月 21 日的 V7 案例。

从 TPM 的角度看，这一案例传递的信息是：仅更换模型就能改变流水线的单位成本。Parallel 表示，它没有给更大的模型加上长时间推理，而是用一个搜索更少、更精准的模型，以一半的时间和成本得到了同样的质量。不过，案例页面没有写明用于对比的此前模型名称和测试次数。正如 Parallel 的排行榜所示，准确率第一和效率第一是不同的模型，因此留给构建智能体的团队的问题是：哪些任务交给 Astra，哪些任务交给更便宜的模型。