GPT-6 Astra 基准表现分歧，ARC-AGI-3 效率超人类令 Chollet 提前 AGI 预测

OpenAI 的 GPT-6 Astra 正在引发相互矛盾的基准测试结论。Epoch AI 认为它遥遥领先，而 Artificial Analysis 则评价它并不比前代更好。最大的惊喜来自 ARC-AGI-3，Astra 首次以高于人类平均水平的效率完成测试。ARC Prize 负责人 François Chollet 称这一进展比他预期的“快 2 倍”，并提前了自己的 AGI 预测时间表。

两家独立实验室各自将数十项单项测试合并为一个综合得分，却得出了相反的结论。Epoch AI 综合了 50 多项基准测试，将 GPT-6 Astra 以 169 分明显排在首位，领先于 267 个模型。Artificial Analysis 测试了知识、编程和文本理解能力，给 GPT-6 Astra 打出 61 分，与其前代完全持平，落后于 Claude Fable 5.1 的 66 分。

Astra 明显比其前代更贵。OpenAI 对每单位处理文本的收费是此前的 2.5 倍，这使得单个任务的成本比使用 Sol 时高出约 75%。与 Anthropic 相比，情况则相反。在编程任务上，根据 Artificial Analysis 的数据，Astra 取得了与 Claude Fable 5 相同的分数，但每个任务的成本不到后者的一半。原因在于该模型的节省程度。它只需要 Sol 所用计算步骤的三分之一，以及 Opus 5 所用计算步骤的五分之一。

基准测试 Astra Sol Fable 5.1 Opus 5

Epoch ECI，综合得分 169 162 163 162

AA 智能指数 61 61 66 63

ARC-AGI-3，陌生游戏世界 62.7% 7.8% 无数据 30.2%

ARC-AGI-2，抽象视觉谜题 95.0% 92.5% 90.0% 90.4%

ARC-AGI-1，旧版本 98.5%* 97.5% 97.5% 97.5%

FrontierMath Erdős，开放数学 3% 0% 0% 无数据

*GPT-6 Astra 在 xhigh 推理强度下达到此成绩；在最高强度下可达 97.5%。ARC-AGI-1 目前被认为已基本饱和。

在 Coding Agent Index 上，它以约为 Sol 三分之一的 token 用量取得 67 分，而 Fable 5.1 以 70 分领先。在 AA-Omniscience 上的幻觉率从 92% 降至 51%。与此同时，该模型在 GDPval-AA v2 上损失了约 80 个 Elo 积分，并在银行客服、SciCode 和长上下文推理任务上有所下滑。

Epoch AI 报告称，在新的 FrontierMath Erdős 基准上，GPT-6 Astra 是唯一在 68 个开放 Erdős 问题中解出两道、并通过 Lean 验证证明的模型，每次尝试的预算为 300 美元。另外还有三个解答来自非标准化的额外运行，消耗了超过 22 万美元的计算资源，但 Epoch 表示这些不计入得分。

细看 Epoch 的单项数据可以发现，GPT-6 Astra 与竞品 Fable 5.1 目前是在不同基准上被衡量的。Astra 在数学、知识和谜题方面领先。Fable 5.1 则在几乎所有编程测试中占据头名。但 Epoch 目前只记录了 Astra 的一项编程得分，而且该得分来自一次中等推理水平的运行。

ARC-AGI-3 出现大幅跃升

最明显的跃升出现在 ARC-AGI-3 上。该测试将 AI 投入陌生的游戏世界，没有人向它解释规则和目标。模型必须通过反复试错来弄清楚该做什么。GPT-6 Astra 以约 26,000 美元的测试成本达到了 62.7% 的得分。其前代 GPT-5.6 Sol 仅取得 7.78%，竞品 Claude Opus 5 则拿到 30.16%。Fable 5 和 Fable 5.1 尚未登上该基准。

OpenAI 报告的 99.9% 是在不同条件下取得的。在该设置中，Astra 得以使用 OpenAI 自建的 harness，该 harness 会在单个请求之间保留推理链，并自动对长时间运行进行总结。根据 ARC Prize 的测量，与在内部 harness 上的运行相比，这些运行速度约为 3.66 倍，token 消耗减少 49%，该对比基于两种设置均成功解决的 167 组游戏推理对。

这些 harness 的使用以及随之而来的性能跃升，在 GPT-5.6 Sol 时期就已经成为 ARC Prize 与 OpenAI 之间的一个争议点。ARC Prize 指出，只有在内部 ARC harness 上运行的较低数值 62.7% 才允许各厂商之间进行公平比较，不过它也计划未来公布厂商 harness 上的数据。

在这里，更多思考反而降低了账单

思考强度与成本之间的关系并不寻常。通常情况下，推理级别越高，测试运行的成本就越高。而Astra的情况恰恰相反。在标准ARC脚手架（scaffold）上，成本从无推理时的49,791美元下降到最高推理级别时的26,098美元，同时得分从35.2%攀升至62.7%。据ARC Prize称，原因是Astra能用更少的步数解决游戏，这意味着更少的模型调用和更少的token消耗。有一个异常现象格外突出：“低”级别的得分为17.5%，比完全无推理运行时的表现还要差。ARC Prize未对这一离群值发表评论，但GPT-6 Astra在其他基准测试中表明，由于其新架构，它可以在不进行推理的情况下解决更长周期（longer-horizon）的任务——该架构推测会在生成第一个token之前在内部进行循环处理。

作为对比，人类测试者每场90分钟的测试获得115美元报酬，外加每解决一个游戏5美元，因此按大约9次尝试计算，每个游戏的成本约为12.78美元。但这主要支付的是时间和参与意愿。如果只把大脑消耗的代谢能量折算成电能，ARC Prize得出的结果是每个游戏0.067美分。

比原始得分更有趣的是效率。在发布之前，ARC Prize让约500名测试者在不进行预筛选的情况下进行游戏，并记录了每个级别中成功解决者的步数中位数。在使用OpenAI脚手架（scaffold）的运行中，Astra以低于该中位数的步数通过了96%的关卡，平均步数略高于中位数的一半。与通常的成本衡量指标不同，这一数字并不追踪消耗的计算量。它追踪的是模型在掌握某个环境之前，需要多少与该环境相关的经验。

这正是组织者原本预期人类能长期保持优势的地方。对于暴力求解方法来说依然如此，但在顶级模型身上，ARC Prize 看到的几乎是一种二元模式。一旦模型弄清了其中的机制，它的执行水平就会落入人类的高效区间。

Astra 发明了自己的记号系统

为了达到这一水平，Astra 会保留自己的笔记，并自行发明一套类似代数的速记法，用来记录对象、坐标、规则和未完成的计划，例如把 `extend8 to3; retract10 to2` 记作一系列有序的移动，或把 `Turn 5: P=(24,20), empty, facing west` 记作一条状态笔记。ARC Prize 在其他模型身上也观察到了类似行为，但特别指出 Astra 在精确性和信息密度方面尤为突出。在标准测试框架下，这是一项重要技能，因为模型没有保存到自己可见笔记中的一切信息都会丢失。

ARC 联合创始人 François Chollet 在 X 上将其描述为“针对每个游戏和关卡进行的高效、即时符号化世界建模”。该模型甚至做到了“开发出自己的速记 DSL 来表示游戏内情境”，其核心“本质上是一种针对特定游戏的代数记号系统”。对 Chollet 来说，最重要的在于这种行为从何而来：“Astra 展现出了我们此前只在精密测试框架中见过的符号化建模行为，因此测试框架的能力正越来越多地转移到模型本身之中。”

Astra 创建了一个密集、紧凑的符号化世界模型，以完成 ARC-AGI-3 环境。

例如，在 s5i5 环境中，Astra：

- 记录了当前关卡、中心朝向和机关长度：“L8：中心 q2（8↓）。长度：14=1……”

- 它将操作映射到精确的控制上：… pic.twitter.com/tMHP002mkB

— ARC Prize（@arcprize）2026年9月3日

第三个测试环境展示了 Astra 在使用外部工具时的能力。PRO-LONG 是由第三方开发的智能体框架，ARC Prize 团队在早期将其部署为 ARC-AGI-3 的红队测试伙伴——也就是说，用它来系统性地探索该基准测试的极限。与标准设置不同，在该环境中，模型获得了一个沙盒，可以在其中执行自己的代码。

Astra 充分利用了这一点，为每个游戏编写了小型程序库：游戏棋盘解析器、状态模型、搜索算法和规划器。在一个有守卫的迷宫游戏中，它先后开发了寻路器、战斗规则模块、巡逻移动模型，以及一个不断将自己的预测与观察结果进行对比的脚本。ARC Prize 未观察到任何试图逃逸沙盒的行为。这些运行与人类测试条件不具备可比性，因为人类受试者既没有代码解释器，也没有记事本。这里衡量的是模型与自建工具的综合表现。

Chollet：没有 AGI 的证据，但速度超出预期

ARC Prize 明确表示，不会将这些结果解读为通用人工智能（AGI）的证据。“到目前为止，我们对这个系统的全部了解就是它的基准测试分数，”Chollet 写道。在 ARC-AGI-3 发布时，他们在每一场演示中都强调了一点：“解决它并不能证明 AGI。它并非旨在成为一条终点线。”虽然该基准测试确实检验了 AGI 系统应具备的正确质性特征——即不确定性下的探索、无指导下的适应能力，以及从稀疏数据中进行因果世界建模——但它是在“小规模”上进行的。这些游戏运行的时间尺度比现实世界任务短数个数量级，因此所需的数据更少、建模复杂度更低，所需的即时学习也更少。

大约六个月前，ARC-AGI-3 发布时，Chollet 在回应一个关于“饱和”的问题时曾表示“大约一年”，具体取决于攻克该基准测试的方法有多聚焦。因此，Astra 的到来“比预期快了大约两倍”。“我相信，进步的速度将令许多人惊讶，新一代模型的能力将挑战人们基于前几代模型所形成的对 AI 的认知。”当有用户问他早前对 2030 年实现 AGI 的预测是否仍然成立时，Chollet 简洁地回答道：“会更早，因为进展速度比我预期的要快。”

结果又是另一个基准测试。据 Chollet 称，ARC-AGI-4 自 ARC-AGI-3 发布以来一直在开发中，计划于 2027 年第一季度发布。基准测试是一个持续的过程，它随模型的演进而演进，始终瞄准 AI 与人类智能之间尚存的差距。该组织认为 ARC-AGI-3 本身相当有限：确定性机制、封闭式目标，且无法表征开放的真实世界。下一代基准测试除其他方向外，旨在探索递归式自我改进和开放式创新。

继续阅读以了解全貌。订阅以获取无炒作报道。

完整访问 THE DECODER 上的每一篇文章

无广告

参与评论与社区讨论

每周通过邮件获取 AI 新闻摘要

每年 6 期：“AI Radar”——深度剖析最重要的 AI 议题

每日 AI 新闻，始终紧跟最新动态

我们完整的十年存档

由拥有 10 年以上 AI 经验的团队撰写报道