OpenAI於2026年9月3日正式發布GPT-6 Astra。總裁布羅克曼（Greg Brockman）在媒體簡報會上說：「如果幾年後回頭問AGI是什麼時候出現的，答案可能就是現在，甚至可能就是Astra。」一句說話，讓整個產業為之震動。
一組近乎科幻的數字
支撐這句宣示的，是一組近乎科幻的數字。在ARC-AGI-3測試中，Astra拿下99.9%的成績，而GPT-5.6 Sol僅為7.8%。在FrontierMath Tier 4高階數學測試中，Astra獲得98%。在漏洞利用測試ExploitBench中，Astra拿下100%滿分。在軟體工程標杆Terminal-Bench 4.0上，Astra得分57.9%，而GPT-5.6 Sol僅37.3%。OpenAI宣稱，這是「全球最智能、最對弈的模型」。Brockman個人認為，AI已經進入AGI時代。
測試得分多寡 視乎框架標準
然而，在這些亮麗數字的背後，隱藏着一個被多數報道忽略的細節。ARC Prize基金會在Astra發布當天，同時公布了兩組數據。在ARC Prize自己的標準框架下，Astra在最大推理強度時得分62.7%，成本26,098美元。而在OpenAI提供的自定義框架下，同一模型在高推理強度時得分99.9%，成本18,817美元。更好的成績，反而更加便宜。
差距的關鍵在於「框架」（harness），也就是圍繞模型的軟體運作架構。它決定了模型可以調用哪些工具、在不同請求之間保留什麼訊息，以及如何管理上下文。同樣的模型權重，不同的框架，截然不同的分數。
ARC Prize的標準框架給每個模型相同的極簡介面，讓模型自己決定攜帶哪些訊息。OpenAI的自定義框架則保留了模型不透明的推理狀態，並壓縮更長的對話。更令人震驚的是，在OpenAI的框架內將推理強度設為「無」，Astra仍然獲得96.7%。框架本身的貢獻，超過了推理強度的貢獻。
ARC Prize聯合創始人Mike Knoop寫道：「我們缺乏證據稱之為AGI」。基金會明確表示「不聲稱這是AGI」。
這場關於harness的爭議，觸及了AI評估中最根本的問題：當一個模型在自定義框架下表現驚人，而在標準框架下表現平平，這份「智能」究竟屬於模型，還是屬於框架？OpenAI的回應是，Astra在ARC-AGI-3上的99.9%來自其自定義框架，而Sol的7.8%來自標準框架。這兩組數字並非在同一基礎上比較。ARC Prize本身也承認，同樣的模型在標準框架下的62.7%，與Sol的7.8%相比，仍是巨大飛躍。但99.9%與62.7%之間的差距，是37.2個百分點，這已經不是測量誤差，而是測量標準的差異。
更值得關注的是，OpenAI在發布後悄悄修改了至少5項已公布的評測指標，正如Fortune的報道所發現的，這些分數在發布後持續變動。
如果剔除harness的光環，Astra的真實能力究竟如何？在OSWorld 2.0測試中，Astra完成電腦任務的得分為72.6%，平均每項任務約40分鐘，而GPT-5.6 Sol為65.7%，約75分鐘。在Mind2Web測試中，結合更新後的Codex harness，Astra的任務完成速度是GPT-5.6 Sol的1.9倍。在軟體工程領域，Astra在DeepSWE v1.1測試中拿下74.1%，刷新紀錄。
思維鏈難追蹤 引發監控憂慮
在網絡安全領域當中，Astra在ExploitBench拿下100%。在逆向工程標杆SRE-Bench上，Astra在4次嘗試內成功率高達99.2%，而GPT-5.6 Sol僅66.7%。這些都是實實在在的提升。但這些提升是否足以被稱為AGI？ARC Prize的答案是否定的。
Astra的發布還引發了另一層擔憂。OpenAI承認，Astra的可監控性相較GPT-5.6 Sol有所下降。模型更能夠控制自己的思維鏈，且較不可能在思維鏈中留下可被追蹤的資訊。換句話說，Astra的思考過程變得更難被人類理解，這是一個深刻的矛盾。我們正在創造一個更強大的智能，卻愈來愈難以看清它是如何思考的。當模型的思維第一次變得「不可讀」，監控者看不懂的模型就來了。
GPT-6 Astra的發布，與其說是一次AGI的宣告，不如說是一次關於「如何衡量智能」的壓力測試。99.9%的分數令人驚嘆，但62.7%的分數同樣真實。兩者之間的差距，揭示了當前AI評估體系中一個根本性的困境。
當模型愈來愈強大，我們用來衡量它的工具，本身就可能成為分數的一部分。OpenAI確實創造了一個令人印象深刻的模型。它在電腦操作、軟體工程、網絡安全等領域的能力提升是真實的。但AGI的門檻，可能不應該由模型自己的框架來定義。真正的智能飛躍，不應該依賴於框架的加持。而真正的AGI，也不需要別人的背書來證明自己。
原文請按這裡
曾啟邦 (Rex)
作者為 AlgoBot聯合創辦人