广东
GPT-6 Astra 9月3日发布，分数还没焐热就开始变。
Fortune追踪到：官方博客里Astra幻觉率先是4.2%，下午改到2%，被问及后又回到4.2%；前代GPT-5.6 Sol从12.2%降到9.4%再回12.2%。ARC-AGI-3媒体草案98.6%，上线99.99%；用OpenAI自带框架跑99.9%，ARC Prize标准评测框架下62.7%，同167关、算力约2.6万美元。ExploitBench标100%，GPT-5.6 Sol 78.5%；GPQA Diamond Astra 96%，Claude Opus 5是94.2%、Gemini 3.1 Pro 94.3%。Artificial Analysis智能指数Astra 61.2，Claude Fable 5.1 66——发布PPT和第三方排行，已经不是一个排序。
争议不在“造假”。斯坦福Anka Reuel、Mike Hardy说的词是benchmaxxing：换推理档、调工具配置、反复跑取最优，系统卡连测试项数都没写清。分数测的早已不是纯模型，是“模型+API设置+记忆+脚手架”一整套。同一模型，框架一换差37分，排行榜的可比性先塌了。
大厂要AGI叙事，媒体要峰值数字，客户要敢不敢用。发布会PPT越来越像营销稿——真实能力得看独立复测、看长任务完成率、看错题会不会编。信任不是跑出来的，是可复核出来的。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
