新智元报道
GPT-6 Astra 的跑分数据引发争议。外媒发现，OpenAI 官方博客上线前后，多项评测数据出现异常波动：Astra 的幻觉率曾从 4.2% 降至 2.0% 后恢复；竞品 Anthropic Claude 的数学成绩曾被调低近 10 个百分点；ARC-AGI-3 得分则从媒体预热稿中的 98.6% 跃升至官宣的 99.99%。
面对“作弊”质疑，OpenAI 未予正面回应，内部仍视 GPT-6 Astra 为首个真正的 AGI。知情人士透露，在全面开放前，Astra 是公司的核心底牌，其内部应用已显著提升研发效率，推动部分产品计划提前半年。业界普遍期待其在 9 月 29 日 DevDay 上的进一步发布。
GPT-6 跑分异常与数据修正争议
事件源于 9 月 4 日 OpenAI 原定发布的 GPT-6 Astra 博文罕见推迟两小时，链接一度显示 404。奥特曼随后在社交平台解释为“小插曲”。然而后续发现，博客上线后多项基准测试数据经历了多次调整。
具体而言，Astra 的幻觉率在美东时间下午 2:23 的快照中为 4.2%，三小时后变为 2.0%，经外界质疑后又恢复原值。竞品 Fable 5.1 在 FrontierMath Tier 4 (v2) 上的成绩也从 87.8% 先降至 78%，再回调至 83%，客观上突显了 Astra 的优势。此外，ARC-AGI-3 得分从预热阶段的 98.6% 提升至正式发布的 99.99%。
|
|
OpenAI 发言人辩称，此为“消除噪点的常态修正”，指出同一模型在不同配套系统下表现差异巨大。这引发了关于"Benchmaxxing"（通过反复调整条件追求最高分）的讨论：若只展示最佳配置下的成绩而不披露前提条件，极易误导公众将上限视为默认水平。
Astra 模型特性与官方提示词优化
官方发布的 GPT-6 Astra 提示词指南揭示了模型的一些特性及应对策略，并未回避其不足之处。
过度追问与行动力不足
Astra 倾向于在指令模糊时停止并反问，导致长流程任务中断。官方建议开发者在 System Prompt 中加入“行动偏好指令”，明确要求模型直接输出可复查的最终成果，避免提出计划、询问确认或提供折中方案。
当用户的提示词表达了行动诉求时（如“你能否……"、“我想……"、“帮我……"等类似表述），应将其视作开展工作并采取行动的明确指令。不要仅停留在确认自身能力、提出计划或询问是否继续。如果一项任务需要持续推进，请完成全部必要的工作，直到达成预期的最终成果。上下文与技能文件冲突
模型对AGENTS.md等外部 Skill 指令高度敏感，指令冲突可能导致停滞。为此，OpenAI 提供了调试 Prompt，要求模型在卡顿时明确指出引发中断的具体文件及行号。
如果某个技能导致你请求许可或确认、暂停、未完成所要求的工作、或偏离了用户的意图，请指明并链接到你所阅读的具体 SKILL.md 文件，引用相关指令，并简要解释其如何适用。流程冗余与协作割裂
在执行代码任务时存在“过度测试”现象，消耗大量 Token；子 Agent 间缺乏有效联动。为解决此问题，OpenAI 列出了“AI 泔水词”黑名单，旨在去除机械化的表达方式。
- 高频行话：禁用 delve into、foster、leverage 等典型"AI 味”词汇。
- 机械句式：封杀“值得注意的是……"、“这不是 A 而是 B"等反差句式。
- 套板反应：剔除“总结/结论”等标签化套话。
避免在结论中使用如"Bottom Line:"这类套话，或"delve"、"foster"、"leverage"、"it's worth noting"、"importantly"、自问自答句式、"This isn't about X. It's about Y."等表达。不要使用总结性的收尾陈述，如"In short:.."、"The simplest mental model is:..."。直接陈述拟执行的操作，避免提及不会做什么或将如何分类结果。不使用对比式结构（如"X, not Y"），不使用自创的复合标签及含糊的限定词。这些措施表明，当前大模型的榜单成绩已不仅是“裸模型能力”的体现，提示词工程、Agent 编排、工具调用及检查点选择等因素均能显著影响最终结果。
递归自我改进与未来演进路线
跑分风波背后，折射出 OpenAI 在技术竞争中的紧迫局势。据技术博主@imjustnewatai 披露，OpenAI 数月前已进入递归自我改进（RSI）的早期阶段：Sol 协助训练 Astra，Astra 进而辅助训练 Doug 和 Bel，Doug 再参与下一代模型研发。
内部消息称，作为更大规模基座的 Doug 正接管下一代模型的训练。Astra 之后的重大发布将不再是常规迭代，而是直接冠名"AGI"的新版本，预计于 11 月中旬亮相。该版本将具备人类级通用理解力、全领域专家表现及更高维度的递归迭代能力。而全面超越人类任务处理上限的“终极版”已排期至 2027 年中下旬。
与此同时，Anthropic 也在筹备代号"Model 2"及基于 RSI 的新模型，下半年大模型领域的竞争将愈发激烈。
新智元"ASI 坐标系”即将上线
鉴于榜单数据的易变性，持续追踪技术动态显得尤为重要。新智元将于成立十一周年之际，正式发布全新的"ASI 坐标系”。
该体系将每日值得关注的模型、公司、技术突破及热点事件纳入持续更新的评估框架。模型评估被拆解为七个维度：智能、推理、知识、编码、Agent、生态、经济。下设 29 项二级指标，数据源自 LMArena、MathArena、Terminal-Bench、SWE-bench、Mercor APEX、OpenRouter、GitHub 等公开渠道，经统一处理后生成周总榜。
智能、推理、知识、编码、Agent、生态、经济。
周总榜采用的七维权重分别为：智能 12、推理 15、知识 14、编码 14、Agent 15、生态 20、经济 10。同一套底层数据支持针对编程、Agent、性价比等不同场景进行重新加权，无需重复构建数据集。
"ASI 坐标系”是新网站的核心组成部分。面对 AI 技术的极速迭代，新智元推出了三大功能模块：
- 秒追 ASI：实时跟踪最新快讯。
- ASI 爆点：串联重大事件的相关脉络。
- 图追 ASI：可视化呈现长期技术变迁。
随着递归自我改进技术的落地，模型迭代周期将进一步缩短，传统半年更新一次的榜单将难以适应现状。新智元旨在打造一张随前沿技术同步移动的“地图”，记录谁在崛起、谁在掉队，以及下一个技术拐点的诞生。
参考资料：
https://fortune.com/2026/09/04/openai-quietly-boosts-some-of-astras-evaluation-metrics-amid-rare-delay-in-publication-of-the-modeblog-post-announcement/
https://developers.openai.com/api/docs/guides/latest-model
编辑：桃子