跑分被改引质疑，GPT-6发布背后的评测迷雾

GPT-6 Astra发布当天，外媒发现OpenAI官博上线前后多项评测数据被悄然修改，引发一场关于“跑分作弊”的争议。幻觉率从4.2%降至2.0%后又恢复，Anthropic Claude的数学成绩被调低近10个百分点，ARC-AGI-3得分从媒体提前获得的98.6%改为99.99%。这些变动被外界解读为刻意美化自家模型、压低对手表现。OpenAI回应称，这属于“消除噪点的常态修正”，但争议焦点却落在“Benchmaxxing”上——通过反复调整评测条件寻找最高分并用于宣传，可能误导用户对模型默认性能的认知。

官方罕见自曝缺陷

在争议之外，OpenAI官方提示词指南罕见地列出了Astra的已知缺陷：指令模糊时易追问打断流程、对Skill文件冲突敏感导致卡死、代码任务过度测试且子Agent协作被动。官方建议开发者强制加入“行动偏好指令”，要求直接产出可复查结果，并列出“AI泔水词”黑名单，禁止delve、foster等套话及机械句式，以提升文本自然度。这种坦诚或许是为了对冲评测数据调整带来的信任危机，但也从侧面反映出当前顶尖模型仍存在明显的实用性短板。

内部自我改进与竞争升级

技术博主透露，OpenAI内部已进入递归自我改进的早期阶段：Sol协助训练Astra，Astra训练Doug和Bel，Doug再训练下一代模型。这种模型训练模型的闭环，被视为通往通用人工智能的关键路径。Astra之后的下一个重大发布将直接冠以“AGI”之名，预计11月中旬登场，而全面超越人类任务处理上限的“终极演进版”则排期至2027年中下旬。与此同时，Anthropic也被曝正开发新模型Model 2及自称“RSI”的系统，双方在技术路线和发布节奏上的竞争明显加剧。

第三方评估体系登场

面对单次跑分可能被调整的乱象，新智元宣布将于十一周年发布“ASI坐标系”，将模型评估拆分为智能、推理、知识、编码、Agent、生态、经济七个维度及29项二级指标，数据来自LMArena、MathArena等公开来源，经统一处理生成周总榜，权重分别为12、15、14、14、15、20、10。该体系旨在持续追踪ASI竞赛动态，弥补单次跑分可能被调整的不足。这一举措或将为行业提供更透明、更稳定的参照，但能否真正遏制“刷分”行为，仍有待观察。

在评测数据迷雾与自我改进加速的双重背景下，GPT-6的发布更像是一场技术实力与公关策略的混合演出。当跑分可以被修正，用户更需回归实际体验；而OpenAI的“AGI”承诺与Anthropic的“RSI”布局，正将这场竞赛推向新的高度。