发生了什么
OpenAI的GPT-6 Astra近期在多个基准测试中展现出截然不同的评价。Epoch AI的测试中，Astra以169分领先，而Artificial Analysis则认为其性能与前任模型持平，甚至落后于Claude Fable 5.1。最引人注目的结果是，在ARC-AGI-3测试中，Astra的效率首次超过人类平均水平，这一结果促使ARC Prize负责人François Chollet调整了他对AGI实现时间的预测。
为什么重要
基准测试的分歧并非罕见，但如此显著的差异反映了当前AI评估体系的深层问题。不同测试方法、数据集和评分标准可能导致对同一模型截然不同的判断，这给行业和研究者带来困惑。ARC-AGI-3作为专门设计用于衡量通用智能的测试，其结果具有特殊意义。Chollet本人并不认为这证明AGI已实现，但承认效率提升是关键一步。这一事件凸显了AI能力评估的复杂性，以及单一指标可能带来的误导。
影响与看点
对于开发者而言，基准测试的分歧意味着选择模型时需谨慎参考多个来源，而非依赖单一排行榜。对于研究者，ARC-AGI-3的结果可能推动对通用智能定义的进一步讨论。值得关注的是，Chollet调整预测的具体幅度，以及后续模型在类似测试中的表现。独立判断：基准测试的矛盾本身提醒我们，AI能力的真实水平可能比任何单一数字都更微妙，而效率超越人类这一里程碑，或许比分数更能预示未来的应用潜力。
