突发，OpenAI GPT-6跑分作弊被抓包了！

惊天大瓜！

GPT-6 Astra的跑分，竟翻车了......

就在今天，外媒爆出OpenAI官博上线前后，多项评测数据发生变化——

Astra的幻觉率，一度从4.2%降至2.0%，随后又恢复；

Anthropic Claude的一项数学成绩，还曾被调低近10个百分点。

不仅如此，ARC-AGI-3得分从媒体提前拿到的98.6%，一下变成了官宣的99.99%。

面对这场「作弊」风波，OpenAI压根没接茬。

毕竟在内部，GPT-6 Astra就是公认的第一个真·AGI。

今天，「赛博义父」Tibo也直接挑明，「在Astra全面放开前，它就是我们手里最大的底牌」。

内部用上之后，研发效率原地起飞，硬是把部分产品计划提前了整整半年。

这下，全网彻底坐不住了。

就在9月29日的DevDay上，OpenAI还要端上更重量级的发布！真是期待住了。

GPT-6偷改跑分

手动削弱Fable 5.1

这次OpenAI跑分被抓包，究竟是怎么一回事？

4日那天，OpenAI原定上线的下一代旗舰GPT-6 Astra博文，罕见地推迟了两个小时。

网址早已扔出来了，但点进去一直是404。

眼看要翻车，奥特曼赶紧在X上发文打圆场，自称发布过程「遇到了点小插曲」。

结果大家一扒才发现，事情根本没那么简单。

GPT-6 Astra的官博上线后，内部评测跑分悄然发生巨变！

刚发出来没几个小时，好几项基准测试成绩，就被OpenAI悄悄改了好几轮。

最绝的操作，是在幻觉率数据上的「刀法」。

美东下午2:23快照中，Astra的幻觉率明明白白写着4.2%，GPT-5.6 Sol是12.2%。

结果才过了仨小时，到了5:20，这两个数字直接玩起了大缩水，硬生生被砍成了2.0%和9.4%！最后人们拿着截图对峙后，OpenAI又恢复了原值。

数学评测，也出现了类似情况。

在FrontierMath Tier 4（v2）上，Astra成绩虽稳在97.6%，但劲敌Anthropic旗下最新模型Fable 5.1却被离奇调低了近10个百分点。

从87.8%降至78%，随后又回弹至83%，瞬间衬托出Astra的「巨大优势」。

就连全网吹爆的 ARC-AGI-3，也被OpenAI注水了。

媒体提前拿到的预热稿，明明还是98.6%；等正式博文一上线，好家伙，直接原地暴涨到了99.99%！

对于这一系列离谱的数据横跳，OpenAI官方发言人出面辩解，这属于「消除噪点的常态修正」。

同一个模型，配套系统不同，最终成绩可能相差很大。

这也是如今「Benchmaxxing」争议的核心：反复调整条件，寻找最高分，再把最高分放进发布图表。

这样的成绩可以展示系统上限，但需要同时披露条件。

否则，人们很容易把精心配置后的最佳表现，当成日常使用的默认水平。

Astra太爱追问？

官方提示词发布

GPT-6 Astra的提示词指南，恰好提供了理解这种差异的另一个入口。

在这份文档中，官方不仅没有一味神化Astra，反而罕见地列出了模型的一堆「毛病」：

• 太爱反问、容易撂挑子
  

只要指令稍微模糊点，Astra就立马停下来追问，长流程动不动就被打断。

对于这个问题，OpenAI建议开发者们，在System Prompt中强制加入「行动偏好指令」，要求Astra直接给出可复查的成型产物。

提示中应删除基于假设性风险的未经请求的警告、免责声明或安全检查清单。

当用户的提示词表达了行动诉求时（如“你能否……”、“我想……”、“帮我……”等类似表述），应将其视作开展工作并采取行动的明确指令。不要仅停留在确认自身能力（例如“可以……”）、提出计划或询问是否继续。不要为了节省时间、精力或Token而满足于提供不完整的、或者看似“足够有帮助”却未能完全解决用户任务的折中方案。如果一项任务需要持续推进，请完成全部必要的工作，直到达成预期的最终成果。

• 上下文与Skill文件配置冲突卡死
  

Astra对AGENTS.md等外部Skill指令极度敏感，一旦指令冲突就会锁死。

为此，OpenAI专门提供了一套调试Prompt，迫使模型在停滞时指出具体是哪一份文件哪一行指令导致了中断。

如果某个技能导致你请求许可或确认、暂停、未完成所要求的工作、或偏离了用户的意图，请指明并链接到你所阅读的具体 SKILL.md 文件，引用相关指令，并简要解释其如何适用。请将技能的明确要求与你对准则的解读区分开来。

• 流程冗余、协作割裂
  

跑代码任务严重「过度测试」，无效Token消耗很大；而且子Agent间的横向配合很被动，基本没有联动。

就连OpenAI自己，都开始主动给AI味「去油」了。

这一次，官方直接列出一份「AI泔水词」黑名单，专门整治长文里最常见的几类毛病：

• 高频行话：像delve into、foster、leverage 这种一股「AI味」的词，一律不让用。
• 机械句式：像「值得注意的是……」、「这不是 A 而是 B」这种反差句式，全部封杀。
• 套板反应：全面剔除「总结/结论」等标签化套话。
  

目的很明确，逼着Astra少说套话、少端腔调，把长文写得更自然、更精炼，也更像人。

避免在结论中使用如“BottomLine:”（总结/底线：）这类的套话或低质词句，例如“delve”（深入探讨）、“foster”（培养/促进）、“leverage”（利用/杠杆化）、“it's worth noting”（值得注意的是）、“importantly”（重要的是）、“Question? Answer.”（自问自答句式）或“This isn't about X. It's about Y.”（这关乎的不是X，而是Y）、“genuinely”（真诚地/确实地），以及带连字符的复合描述与形容词。不要使用总结性的收尾陈述，例如“In short:..”（简而言之：……）、“The simplest mental model is:...”（最简单的思维模型是：……）。

直接陈述拟执行的操作。避免额外提及你不会做什么、哪些内容将保持不变，或者你将如何区分或分类结果。不要使用对比式结构，例如“X, not Y”或“X—not Y”，这种结构会引入用户未曾询问且未经提示的替代选项。避免使用自创的复合标签（如“exact-head checks”和“editorial-row layouts”）、含糊的限定词和生搬硬套的过渡语；请使用朴实的动词和介词直接陈述实际关系。

这反过来也说明，今天的大模型成绩，早就不只是「裸模型能力」。

提示词怎么写、Agent怎么编排、给不给工具、跑多少次、选哪个checkpoint，都可能直接改写最后那张榜单。

AI递归自我改进，

终极版27年面世

跑分作弊被抓包看似是一场公关灾难，但将其置于OpenAI当前的生死时局下，逻辑便清晰起来。

技术博主@imjustnewatai表示，OpenAI内部早在数月前便已迈入了递归自我改进（RSI）早期阶段。

Sol协助训练Astra，Astra协助训练Doug和Bel，Doug再参与下一代模型的训练。

内部人士披露，作为更大规模预训练基座的Doug，正在全面接管并训练它的下一代演进版本。

Astra之后的下一个重大发布，将不再是常规的增量更新（如Astra 6.1），而是直接冠以「AGI」之名面世。

它将具备真正的人类级通用理解力、全领域专家表现、实时交互游戏与操作能力，以及更高维度的递归自我迭代能力。

@imjustnewatai也预测，其登场时间将锁定在11月中旬前后。

而全面超越人类所有任务处理上限的「终极演进版」，已排期至2027年中下旬。

当然，老对手Anthropic也绝对不会干看着。

它们内部正备着一款前所未有的大杀器，准备跟GPT-6 Astra贴身肉搏。

他们内测系统卡已经被挖出了蛛丝马迹，一款Model 2和自称「RSI」的新模型直接浮出水面，下半年的神仙打架有得看了！

新智元「ASI坐标系」官网

明日上线

说到底，这次Astra跑分风波也提醒了所有人——

当一张榜单里的数字都可能反复变化，我们更需要持续追踪，看看真正的ASI竞赛每天发生了什么。

谁突然冲上来了，谁又掉队了；哪个模型一夜爆红，哪项技术正在成为下一个拐点。这些变化，远比某一次跑分更值得盯。

也正因为如此，新智元花了一段时间，重新做了一把尺子。

明天，新智元十一周年，将正式发布全新的 「ASI坐标系」！

我们把每天最值得关注的模型、公司、技术突破和热点事件，做成了一个持续更新的「ASI坐标系」。

这套体系里，一个模型评估会被拆成七个维度：

智能、推理、知识、编码、Agent、生态、经济。

再往下，是29项二级指标，数据来自LMArena、MathArena、Terminal-Bench、SWE-bench、Mercor APEX、OpenRouter、GitHub等公开来源。

最后经过统一处理，才汇成周总榜上的一个总分。

周总榜采用的七维权重，是智能12、推理15、知识14、编码14、Agent 15、生态20、经济10。

同一套底层数据还可以针对编程、Agent、性价比等场景重新加权，而不用为了做一张子榜重新拼一套数据。

而「ASI坐标系」，只是新智元这次新网站的一部分。

过去几个月，一个越来越强烈的感受是：AI进展已经快到靠一天刷几十次X，都很难跟上了。

一个模型刚发布，几小时后价格出来了；第二天第三方跑分出来；再过几天Arena排名、开发者反馈、真实调用量又会把最初的判断推翻。

所以我们把这些东西也放进了同一个网站——

「秒追ASI」，盯住快速发生的新消息；

「ASI爆点」，把同一件大事背后不断出现的相关消息串起来；

「图追ASI」，把值得长期记住的技术变化做成图。

当递归自我改进真的开始出现，Sol训练Astra，Astra再去参与下一代模型研发，模型迭代周期还会继续缩短。

届时，一个半年更新一次的榜单，很快就会失去意义。

我们需要的是一张会跟着前沿一起移动的地图：谁突然冲上来了，谁又掉队了；哪个模型一夜爆红，哪项技术正在成为下一个拐点。

这些，才是新智元想持续记录的东西。

参考资料：

https://fortune.com/2026/09/04/openai-quietly-boosts-some-of-astras-evaluation-metrics-amid-rare-delay-in-publication-of-the-modeblog-post-announcement/?utm_campaign=social_share 

https://developers.openai.com/api/docs/guides/latest-model

文章来自于微信公众号 “新智元”，作者 “新智元”