新智元報道

驚天大瓜！

GPT-6 Astra的跑分，竟翻車了......

就在今天，外媒爆出OpenAI官博上線前後，多項評測數據發生變化——

Astra的幻覺率，一度從4.2%降至2.0%，隨後又恢復；

Anthropic Claude的一項數學成績，還曾被調低近10個百分點。

不僅如此，ARC-AGI-3得分從媒體提前拿到的98.6%，一下變成了官宣的99.99%。

面對這場「作弊」風波，OpenAI壓根沒接茬。

畢竟在內部，GPT-6 Astra就是公認的第一個真·AGI。

今天，「賽博義父」Tibo也直接挑明，「在Astra全面放開前，它就是我們手裏最大的底牌」。

內部用上之後，研發效率原地起飛，硬是把部分產品計劃提前了整整半年。

這下，全網徹底坐不住了。

就在9月29日的DevDay上，OpenAI還要端上更重量級的發布！真是期待住了。

GPT-6偷改跑分

手動削弱Fable 5.1

這次OpenAI跑分被抓包，究竟是怎麼一回事？

4日那天，OpenAI原定上線的下一代旗艦GPT-6 Astra博文，罕見地推遲了兩個小時。

網址早已扔出來了，但點進去一直是404。

眼看要翻車，奧特曼趕緊在X上發文打圓場，自稱發布過程「遇到了點小插曲」。

結果大家一扒才發現，事情根本沒那麼簡單。

GPT-6 Astra的官博上線後，內部評測跑分悄然發生鉅變！

剛發出來沒幾個小時，好幾項基準測試成績，就被OpenAI悄悄改了好幾輪。

最絕的操作，是在幻覺率數據上的「刀法」。

美東下午2:23快照中，Astra的幻覺率明明白白寫着4.2%，GPT-5.6 Sol是12.2%。

結果才過了仨小時，到了5:20，這兩個數字直接玩起了大縮水，硬生生被砍成了2.0%和9.4%！最後人們拿着截圖對峙後，OpenAI又恢復了原值。

數學評測，也出現了類似情況。

在FrontierMath Tier 4（v2）上，Astra成績雖穩在97.6%，但勁敵Anthropic旗下最新模型Fable 5.1卻被離奇調低了近10個百分點。

從87.8%降至78%，隨後又回彈至83%，瞬間襯托出Astra的「巨大優勢」。

就連全網吹爆的 ARC-AGI-3，也被OpenAI注水了。

媒體提前拿到的預熱稿，明明還是98.6%；等正式博文一上線，好傢伙，直接原地暴漲到了99.99%！

對於這一系列離譜的數據橫跳，OpenAI官方發言人出面辯解，這屬於「消除噪點的常態修正」。

同一個模型，配套系統不同，最終成績可能相差很大。

這也是如今「Benchmaxxing」爭議的核心：反覆調整條件，尋找最高分，再把最高分放進發布圖表。

這樣的成績可以展示系統上限，但需要同時披露條件。

否則，人們很容易把精心配置後的最佳表現，當成日常使用的默認水平。

Astra太愛追問？

官方提示詞發布

GPT-6 Astra的提示詞指南，恰好提供了理解這種差異的另一個入口。

在這份文檔中，官方不僅沒有一味神化Astra，反而罕見地列出了模型的一堆「毛病」：

太愛反問、容易撂挑子

只要指令稍微模糊點，Astra就立馬停下來追問，長流程動不動就被打斷。

對於這個問題，OpenAI建議開發者們，在System Prompt中強制加入「行動偏好指令」，要求Astra直接給出可複查的成型產物。

提示中應刪除基於假設性風險的未經請求的警告、免責聲明或安全檢查清單。

當用戶的提示詞表達了行動訴求時（如「你能否……」、「我想……」、「幫我……」等類似表述），應將其視作開展工作並採取行動的明確指令。不要僅停留在確認自身能力（例如「可以……」）、提出計劃或詢問是否繼續。不要為了節省時間、精力或Token而滿足於提供不完整的、或者看似「足夠有幫助」卻未能完全解決用戶任務的折中方案。如果一項任務需要持續推進，請完成全部必要的工作，直到達成預期的最終成果。

上下文與Skill文件配置衝突卡死

Astra對AGENTS.md等外部Skill指令極度敏感，一旦指令衝突就會鎖死。

為此，OpenAI專門提供了一套調試Prompt，迫使模型在停滯時指出具體是哪一份文件哪一行指令導致了中斷。

如果某個技能導致你請求許可或確認、暫停、未完成所要求的工作、或偏離了用戶的意圖，請指明並鏈接到你所閱讀的具體 SKILL.md 文件，引用相關指令，並簡要解釋其如何適用。請將技能的明確要求與你對準則的解讀區分開來。

流程冗餘、協作割裂

跑代碼任務嚴重「過度測試」，無效Token消耗很大；而且子Agent間的橫向配合很被動，基本沒有聯動。

就連OpenAI自己，都開始主動給AI味「去油」了。

這一次，官方直接列出一份「AI泔水詞」黑名單，專門整治長文裏最常見的幾類毛病：

高頻行話：像delve into、foster、leverage 這種一股「AI味」的詞，一律不讓用。

機械句式：像「值得注意的是……」、「這不是 A 而是 B」這種反差句式，全部封殺。

套板反應：全面剔除「總結/結論」等標籤化套話。

目的很明確，逼着Astra少說套話、少端腔調，把長文寫得更自然、更精煉，也更像人。

避免在結論中使用如「Bottom Line:」（總結/底線：）這類的套話或低質詞句，例如「delve」（深入探討）、「foster」（培養/促進）、「leverage」（利用/槓桿化）、「it's worth noting」（值得注意的是）、「importantly」（重要的是）、「Question? Answer.」（自問自答句式）或「This isn't about X. It's about Y.」（這關乎的不是X，而是Y）、「genuinely」（真誠地/確實地），以及帶連字符的複合描述與形容詞。不要使用總結性的收尾陳述，例如「In short:..」（簡而言之：……）、「The simplest mental model is:...」（最簡單的思維模型是：……）。直接陳述擬執行的操作。避免額外提及你不會做什麼、哪些內容將保持不變，或者你將如何區分或分類結果。不要使用對比式結構，例如「X, not Y」或「X—not Y」，這種結構會引入用戶未曾詢問且未經提示的替代選項。避免使用自創的複合標籤（如「exact-head checks」和「editorial-row layouts」）、含糊的限定詞和生搬硬套的過渡語；請使用樸實的動詞和介詞直接陳述實際關係。

這反過來也說明，今天的大模型成績，早就不只是「裸模型能力」。

提示詞怎麼寫、Agent怎麼編排、給不給工具、跑多少次、選哪個checkpoint，都可能直接改寫最後那張排行榜。

AI遞歸自我改進，

終極版27年面世

跑分作弊被抓包看似是一場公關災難，但將其置於OpenAI當前的生死時局下，邏輯便清晰起來。

技術博主@imjustnewatai表示，OpenAI內部早在數月前便已邁入了遞歸自我改進（RSI）早期階段。

Sol協助訓練Astra，Astra協助訓練Doug和Bel，Doug再參與下一代模型的訓練。

內部人士披露，作為更大規模預訓練基座的Doug，正在全面接管並訓練它的下一代演進版本。

Astra之後的下一個重大發布，將不再是常規的增量更新（如Astra 6.1），而是直接冠以「AGI」之名面世。

它將具備真正的人類級通用理解力、全領域專家表現、實時交互遊戲與操作能力，以及更高維度的遞歸自我迭代能力。

@imjustnewatai也預測，其登場時間將鎖定在11月中旬前後。

而全面超越人類所有任務處理上限的「終極演進版」，已排期至2027年中下旬。

當然，老對手Anthropic也絕對不會幹看着。

它們內部正備着一款前所未有的大殺器，準備跟GPT-6 Astra貼身肉搏。

他們內測系統卡已經被挖出了蛛絲馬跡，一款Model 2和自稱「RSI」的新模型直接浮出水面，下半年的神仙打架有得看了！