GPT-6 Astra 介紹與實測：SVG、Blender 建模、像素繪製與應用案例
我整理 GPT-6 Astra 官方評分與設計實測心得，分享 SVG、Blender 建模與像素繪製。也提醒實際執行模型、背景資料與生成隨機性都可能影響成果，案例不等於通則。
作者：郭政佑 Kevin ·
GPT-6 Astra（GPT6）能幫設計工作做到什麼程度？我先整理基本介紹與官方評分，再按照自己的測試過程，分享 SVG、Blender 漢堡與三明治、像素繪製的心得，最後放上其他人的應用案例。
GPT-6 Astra 是什麼？我先整理幾個基本資訊
GPT-6 Astra 是 OpenAI 於 2026 年 9 月 3 日公布的模型，定位涵蓋推理、寫程式、電腦操作與多步驟專業工作。官方採逐步開放，可用管道包含 ChatGPT、Codex 與 API；實際可用性仍依帳號與開放進度而異。來源：OpenAI GPT-6 Astra 介紹。
我的 Blender 和像素案例是在 Codex 裡，讓 AI 搭配本機軟體完成。除了模型本身，我給的參考圖、教學和中途回饋，也都影響了後面的結果。
開始前先確認：真正動手繪製的是哪個模型？
我原本設定由高階模型思考，雜事可以交給 Luna。沒想到部分繪圖、建模也被分派給 GPT-5.6 Luna，GPT-6 Astra 只負責規劃和檢查。我一開始沒發現，還以為正在看 GPT-6 的成果。
這是我這次很大的教訓：想測哪個模型，就要確認真正動手的是它。後來要求 Astra 直接製作，成果確實有差；各階段的情況，我會配著圖片說明。
- 主模型：負責理解需求、規劃和檢查的是誰？
- 執行模型：真正設計造型、寫建模程式或像素座標的是誰？有沒有委派給其他模型？
- 工具與生成服務：它是在 Blender／Aseprite 裡直接操作，還是呼叫另一個 AI 生成模型？如果有後者，也要記錄服務與模型名稱。
現在我會先講清楚：「這次繪圖與建模請由 GPT-6 Astra 直接完成；若要換模型，請先告知。」
GPT-6 官方評測：與其他模型的比較
以下放上 OpenAI 官方圖表，呈現 GPT-6、GPT-5.6 與 Claude 的比較；數字是發布方公布的結果，不是我的測試。不同設定可能與日常使用不同，細節請以 原始 benchmark 與註腳為準。
橫軸是 API 成本，縱軸是任務得分。
看案例之前，我想先提醒：案例不是通則
別人分享的 AI 案例，未必交代了全部流程。題材、參考資料、嘗試次數、實際執行模型，甚至過去的對話背景，都可能影響成果。自己做得和別人不一樣，是很正常的事。
所以我會抱持懷疑，把案例當成「或許可以這樣測試」。我自己做得好的版本也不代表通則；下面提到的可能原因，是當時的觀察與推測。自己的實測和別人的分享，我會分開標示。
我的 SVG 實測：純文字效果普通，有參考圖後約八成像
我先只用文字描述，請 GPT-6 Astra 畫 SVG，覺得效果沒有很好。後來給它自己的滷肉飯插畫參考，構圖就比較接近；以我的感覺約有八成像，但細節還不夠。
這次有留下可編輯的 SVG，能繼續改色和調整構圖；不過文字已轉成輪廓，細節也沒有完整還原。對我來說，它比較像一個可以接著修改的版本。
我的 Blender 漢堡實測：從參考圖，到加入教學
接著我試做漢堡。先給圖庫參考，再請 AI 反覆修改，最後補上一支 Blender 教學影片。下面照 V1、V2、V3 的順序，放上當時的畫面與心得。
V1｜只給參考圖的初版
我先只給參考圖，V1 看得出是漢堡，但和我想要的樣子差很多。這階段有 Astra 與 Luna 分工，也還沒加入後面的教學。
V2 早期｜請 AI 檢查初版，再修一次
我請 AI 檢查並修改，V2 的食材比較完整，但芝麻、起司和堆疊仍不自然。我當時覺得，只叫它「再做好一點」還不夠。
V2 後期｜繼續調整外形與細節
再改幾輪後，背景、芝麻和食材外形有改善，不過整體仍不像我的參考目標。
V2 最終｜有進步，但我仍不滿意
V2 最後的上蓋偏扁，肉排質感比較簡化，食材也堆得太整齊。這一階段仍有 Astra 與 Luna 分工，我後來才把實際執行模型看得更清楚。
接著，我補上一支漢堡教學
做到這裡，我提供 Ivan Orlandini 的 Blender 漢堡教學，請 AI 參考影片的做法，再模仿我給的圖片重做。 觀看原始 YouTube 教學
V3｜參考教學，由 Astra 直接重建
這次由 Astra 直接重建，再修了三輪。比例、配色和食材關係都更接近我想要的樣子，是我最滿意的一版。
我猜教學讓它更清楚該怎麼做，改由 Astra 親自執行也有影響。這兩件事都發生在這一階段。
整個建模過程滿消耗 token 的，尤其反覆修改時很有感；這次沒有完整統計用量。
最終參考對照｜把 V3 放回原圖旁
把 V3 和原圖放在一起，我覺得成果已經很不錯；起司輪廓和生菜摺皺仍有差距，但比一開始接近許多。
我的 Blender 三明治實測：後來才發現，是 Luna 在做
做完漢堡，我再測火腿起司蛋三明治。這次最讓我有感的，是追問後才發現：前面不滿意的版本，實際執行者是 Luna。
三明治初版彩圖｜可辨識，但離我想要的質感還遠
初版看得出食材層次，但整體質感離我的期待還很遠。當時是 Astra 規劃、Luna 執行，我卻以為是 GPT-6 親自做的。
三明治教學測試｜學過影片，仍然未達標
我接著給它 Alixyz 的早餐三明治教學，請它參考做法再試一次。 原始 YouTube 教學
結果還是有明顯裂縫和碎面。追問後才知道，這輪依然是 Luna 在執行。這是我認為這次做不好的重要原因，也提醒我別只確認「有沒有看教學」，還要確認「誰在做」。
三明治 Astra 重建主圖｜換成我真正要測的執行者
後來我明確要求 GPT-6 Astra 直接重建，整體形狀和食材關係才比較接近期待。這次換執行模型的差別，讓我印象很深。
後來，我再試 GPT-6 搭配 MCP 做三明治
前面的結果也讓我好奇：同樣用 GPT-6，透過 MCP 操作 Blender，會不會有差？於是我讓 Astra 用相同參考圖、教學和需求，分別從空場景做一次。這次兩邊都由 Astra 親自建模。
一邊直接執行 Python，另一邊透過 社群 BlenderMCP。兩邊其實都是 Astra 寫 Python，差在和 Blender 溝通的方式，沒有用滑鼠點介面的 Computer Use。
Python 初版｜我先讓 Astra 直接寫程式做。材質輸出出了問題，食物暫時呈灰色，接著才修正。
MCP 初版｜已看得出麵包、蛋和生菜，但生菜邊緣偏硬，餡料的接合也還要調整。
Python 修改後｜修了三輪，顏色和表面問題改善，食材堆得比較緊密，輪廓也比較規整。
MCP 修改後｜修了兩輪，麵包更圓潤，煎蛋和生菜細節也更容易看清楚。這張比較接近我喜歡的感覺。
Python 換個角度｜食材仍堆得很緊，但蛋白和部分內層細節被遮住了。
MCP 換個角度｜這時看得到番茄、火腿下方仍有空隙，表示還有地方需要再修。
這次我比較喜歡 MCP 組的麵包、蛋和生菜；Python 組則堆得比較緊密。不過兩邊寫出的程式和修改過程也不同，我不會把差異全算在 MCP 上。
初版是快速預覽，最終版也提高了渲染品質；看兩種方式的差別時，可以對照同一階段的左右圖。
我的 Aseprite 像素繪製實測：橘貓與 32 × 32 小物件
接著我試像素繪製，從橘貓開始，再畫錄音帶和小電視。作品都有保留 Aseprite 原檔；網頁上的圖是放大預覽，方便看清楚像素。
橘貓初版｜追問後才知道是 Luna 繪製
第一張橘貓我覺得不好看，追問後才知道又是 Luna 在畫，Astra 負責規劃和檢查。於是我要求下一版由 Astra 直接繪製。
橘貓改用 Astra｜換模型後，我仍不滿意
換成 Astra 之後，這張正面坐姿我還是不滿意。這次確認了執行模型，但光換模型仍不夠，我便繼續補教學和參考。
接著，我補上像素教學和姿勢參考
我提供 Saultoons 的像素教學播放清單，這次整理了 19 支影片的字幕與抽樣畫面，作為當次重畫的參考。 Saultoons 的 Pixel Art Tutorials 播放清單 · The Ultimate Pixel Art Tutorial · Pixel Art Character Design Tutorial · Redrawing My First Ever Pixel Art · Aseprite Tutorial For Beginners
我也補上小貓伸展的照片，讓它有更具體的姿勢可以參考。 Warren Photographic 的小貓伸展照片
橘貓重畫過程｜先看伸懶腰的剪影
這次我把題目改成伸懶腰的小貓，先看剪影。姿勢比前一版更接近我要的方向，再讓 Astra 接著上色。
橘貓教學後版本｜把學到的方法用到一張圖
完成後，輪廓和色塊都重新安排，和前兩張差很多。這張是靜態角色；我覺得補上具體姿勢與教學，讓這次的需求比較容易被理解。
這也讓我更注意一開始的 prompt：先講清楚尺寸、用途、風格，以及要靜態圖還是動畫。常見的 8 × 8、16 × 16、32 × 32、64 × 64 是像素畫布尺寸；8 × 8 適合簡單圖案，64 × 64 能放比較多細節。
例如：「32 × 32 px，透明背景，靜態像素圖；復古錄音帶，作為遊戲道具圖示。」先把目標說清楚，比做完再發現尺寸不對來得省事。
32 × 32 錄音帶｜有限畫布裡的辨識度
後來我請 Astra 畫 32 × 32 的錄音帶。小畫布裡仍能看出外殼、標籤和捲軸；這張讓我看到，簡單物件也是可以嘗試的方向。
32 × 32 復古電視｜另一個小物件案例
接著畫的復古電視也是 32 × 32，由 Astra 直接繪製。它同樣保留可編輯圖層，適合拿來繼續調整成自己需要的小素材。
我會搭配哪些工具？Blender、Aseprite 與 MCP
這次主要搭配 Blender 與 Aseprite。我會優先看能否留下可修改的檔案，再考慮 AI 能透過什麼方式操作。
| 工具與來源 | 我的感受：優點與限制 | 適合用途／本文身份 |
|---|---|---|
| Blender | 可編輯、可換視角，適合留住版本；缺點是建模反覆試錯會花時間和 tokens。 | 適合有參考圖、需要 3D 成果的工作。本文漢堡與三明治的實際製作工具。 |
| Blender MCP（社群專案） | 能讓 AI 連接 Blender、反覆查看與修改場景；需要先完成連線設定。 | 後續三明治對照測試使用的社群工具。 |
| Aseprite | 能保存精準像素原稿和圖層，適合逐格看畫面；缺點是小畫布細節受限，也需要逐步看圖調整。 | 適合像素角色、遊戲道具和介面素材。本文橘貓、錄音帶與電視的編輯工具。 |
| Aseprite MCP（giangdvdotdev 社群專案） | 可讓 AI 連接 Aseprite 處理像素作品；需要先完成連線設定。 | 適合研究 AI 與 Aseprite 的協作。這是社群來源。 |
| PixelLab 官方 MCP | 適合快速探索像素角色、動畫或 tileset；成果仍可能需要手動調整。 | 適合快速取得素材方向。這是 PixelLab 官方生成服務，本篇沒有重做驗證。 |
我另外整理的 9 組 GPT-6 應用案例
最後整理 3 組官方展示／客戶案例，以及 6 組非官方分享。這些我沒有逐一重做，放在這裡讓大家找可以嘗試的方向。
1. 官方展示｜Blender 房屋接到 Unreal Engine 5
官方展示把 Blender 房屋延伸成 Unreal Engine 5 漫遊場景。我覺得可以拿來想像：把 3D 素材接成能走動的空間。 查看官方展示
2. 官方展示｜讓 AI 檢查網頁互動
官方示範讓 AI 檢查網頁導覽、搜尋與互動。這類應用比較接近日常工作，可以試著拿自己的網站做一次檢查。 觀看官方示範（Vimeo）
3. 官方客戶案例｜Playco 把灰模延伸成不同主題遊戲
Playco 分享用 Astra 搭配遊戲工具，將灰模延伸成海盜、糖果和賽博龐克主題，也提到仍有需要處理的效能問題。我覺得「先確認玩法，再換美術」的過程值得參考。 閱讀 Playco 案例
4. 非官方｜Simon Willison 的 SVG 鵜鶘比較
Simon Willison 比較不同模型畫「騎腳踏車的鵜鶘」，並公開輸出、token 和價格。有些 Astra 版本仍沒處理好腳的位置，剛好可以和我的 SVG 經驗一起看。
5. 非官方｜Tom Krcha：從平面火車圖到可拆分的 Blender 模型
Tom Krcha 分享把蒸汽火車圖片重建成 Blender 模型，還展示了拆分物件的樣子。作者表示主要透過 Python 建模，成品包含 3,295 個可編輯物件。
6. 非官方｜Peter Gostev：把梵谷畫作做成可漫遊的小鎮
Peter Gostev 用 GPT-6 Astra，將 6 幅梵谷畫作延伸成可漫遊的 Three.js 小鎮。我覺得這類案例很適合拿來發想展覽導覽或互動故事。
7. 非官方｜Ethan Mollick：擴充既有海洋專案，加入水下生命
Ethan Mollick 請 Astra 擴充既有的開源海洋專案，加入水下場景和動物行為。它從現有專案出發，也讓我想到：可以先拿手上的作品試著加一個新功能。
這是藝術模擬，生物與尺度有近似處理。 閱讀原始分享 · 開啟海洋場景 · 查看程式碼
8. 非官方｜Claire Vo：在既有產品裡做產品情報功能
Claire Vo 分享在 ChatPRD 裡製作產品情報功能的過程。這是她以前就試過的題目，已有程式和需求背景，可以看看新模型如何接著處理既有工作。
閱讀 Claire Vo 原文與章節 · 觀看 15:20 起的功能示範
9. 非官方｜Claire Vo：Blender 3D 素材與家庭遊戲
同一支影片後段，Claire 也展示 Blender 的 Barbie Bench 測試和家庭應用。從工作產品到自己想做的小遊戲，題目變化滿多。
這次測完，我會先確認這幾件事
開始前確認實際執行模型，把尺寸、用途和參考資料說清楚。過程中保留每一版，結果不好就給具體回饋；像這次加教學、換成 Astra 直接做，才比較看得出前後發生了什麼。
GPT-6 設計實測常見問題
選了 GPT-6，為什麼還會由 Luna 執行？
我原本允許高階模型把雜事分派給 Luna，部分繪製也被這樣處理。後來我會特別指定造型與繪製由 Astra 親自完成。
MCP 和 Python 有什麼不同？
這次兩邊都是 Astra 寫 Python 建模；MCP 是讓它把工作交給 Blender 的連接方式。我這次比較喜歡 MCP 組的成品，但不會因此認為接上 MCP 就一定更好。
提供教學，模型就永久學會了嗎？
這次是把教學資料放進當次工作的參考，並不是永久訓練。
參考來源與站內延伸閱讀
官方數據與展示：OpenAI GPT-6 Astra、Playco 案例。非官方案例的原始來源、網站和影片，我都放在各段旁邊，方便對照公開了哪些資訊。
如果要繼續測試，我也整理過 向量圖與 SVG 素材資源，以及 AI 輔助設計素材工具，可以搭配參考。
