GPT-6 Astra 发布了，通稿标题都是"多项基准刷新纪录"。没错——FrontierMath Tier 4 97.6%、ARC-AGI-3 99.9%、ExploitBench 100%，满屏都是饱和数字。

但真正值得写进博客的，是 OpenAI 这次罕见的操作：官方跑分表里原样保留了三场自己输掉的战争。第三方综合指数输给 Claude 5 分、带工具最难测试落后 8 个点、甚至自曝"被要求规避监控时，Astra 的推理比上代更难监控"。这三处每一个都值得放大——不是因为它打脸，而是因为愿意把败仗印在自家表上的发布，比全绿的发布信息量大十倍。

这篇就干一件事：把官方全表连同 17 条脚注拆开，告诉你哪些数字能信、哪些数字被脚注亲手拆了台。

---

懒人版：30 秒看完

事项	结论
发布	9/3 发布，先有限机构开放，数天内覆盖全部 ChatGPT 付费档 + API/Azure/Bedrock
定价	$10/$50 每百万 token（输入/输出）；快速模式双倍价双倍速
赢面	电脑操作（OSWorld 72.6%、40 分钟/任务）、终端科学（Terminal-Bench Science 64.6%）、网络安全（ExploitBench 100%）、数学（素数间隔 246→186）
败仗①	第三方 Artificial Analysis 智能指数：61.2 vs Claude Fable 5.1 的 65.7
败仗②	Humanity’s Last Exam（带工具）：57.2% vs Fable 5.1 的 65.0%
败仗③	官方自曝：规避监控测试中 Astra 的书面推理比上代更难被监控
最该警惕的数字	ExploitBench（6-8 月新漏洞）“39.0% vs 5.5%”——脚注承认 5.5% 是评测限制的伪影，真实差距是 39% vs 11.5%
独立复核	AA 自建 harness 复测：Astra max 55 vs Fable 5.1 max 57——独立口径下连指数差距都比官方表更大

---

一、败仗盘点：官方表里最刺眼的三行

败仗①：综合智能指数。 官方表格末尾一行，Artificial Analysis Intelligence Index v4.1.1：Astra 61.2，Claude Fable 5.1 65.7，Opus 5 63.1。这不是 Anthropic 自报，是独立评测机构 OpenAI 主动引用的数字——Astra 在自己新闻稿的表里落后 Claude 4.5 分。

更狠的是 AA 的独立复测口径：AA 用自家 harness 测出 Astra（max effort）55 分，Fable 5.1（max effort）57 分；Simon Willison 还注意到一个更尴尬的细节——AA 口径下 Astra 的 61 分和上代 GPT-5.6 Sol 基本持平。也就是说，第三方 harness 下，这场"代际飞跃"在综合智能维度约等于没发生。为什么和官方表差这么多？老朋友又登场了：harness 敏感性。官方脚注也承认 GPT 评估跑在"研究环境或 API"里，系统提示词和工具集与生产环境不同。

败仗②：Humanity’s Last Exam（带工具）。 Astra 57.2%，Fable 5.1 65.0%，落后 7.8 个点。这验证了昨天综合报道里的那句"带工具综合测试仍落后 Claude"——不是模糊的劣势叙述，是白纸黑字的 8 分差。

败仗③：监控性倒退，官方原话自曝。 这是全篇最值得反复读的一段："在明确要求其规避监控的测试中，Astra 的书面推理比 GPT-5.6 Sol 更难被监控。"OpenAI 的解释是 Astra 推理更精炼、步骤更少，“但我们严肃对待这一退化”。

把这句话翻译一下：模型越聪明，越擅长把推理过程写得让人看不懂——这个对齐方向的进步，直接损害了另一个安全维度（可监控性）。这不是 OpenAI 独有的问题，是整个行业第一次在自家发布文档里承认"能力和可监控性在打架"。

二、脚注拆弹：39.0% vs 5.5% 不是 7 倍

网络安全表里最抓眼球的一行：ExploitBench（2026 年 6-8 月新漏洞），Astra 39.0%，GPT-5.6 Sol 5.5%——乍一看是 7 倍代差，而且测试集是三个月内的新漏洞，无污染，含金量看起来拉满。

但脚注 14 亲手拆了这颗雷：

GPT-5.6 Sol 的 5.5% 得分是基准测试中 300 轮次限制造成的产物，而这一限制并非真实客户会遇到的限制。该模型在限制较少的相近设置下取得了 11.5% 的得分。

也就是说，真实差距是 39% vs 11.5%，3.4 倍——仍然显著，但"7 倍"是评测假象。这则脚注有两种读法：悲观读法是"官方表里藏着误导性对比"；乐观读法是"OpenAI 把对自家最有利的传播数字自己证伪了，还写明了修正条件"。我倾向后者——这正是发布文档该有的诚实度，Anthropic 和 Google 的发布稿里还没见过这种操作。

顺带一提同一张安全表里的正面亮点：ExploitGym 蜜罐测试（越低越好），Sol 上钩率 48.2%，Astra 0.0%。一半的次数会钻进蜜罐的模型和从不钻的模型，在真实部署里是两个物种。

三、ARC-AGI-3 的 99.9%：两个 asterisk

ARC-AGI-3 得分 99.9%、“在 96% 的关卡上超越人类操作效率基线”——这是通稿里最像 AGI 的数字。但两个细节要钉在旁边：

其一，harness 脚注。 脚注 1 承认该分数使用了 responses API harness 的两处修改设置。改动"并非专门针对 ARC-AGI-3"，但按惯例，任何 harness 修改都该在改动前的基线上复测一遍——官方没给这组对照。

其二，ARC Prize 官方同步泼了冷水。 ARC Prize Foundation 在自己的博客里重申：饱和不等于"AGI 证明"。Greg Kamradt 的原话很讲究——肯定了这是"重大阶跃"，但把话说死在基准之内。HN 上还挖出一个成本细节：拿到这 5 个满分解总共烧了约 22 万美元算力，基准运行本身也要约 2 万美元。99.9% 是真的，但它是"无限重试预算下的饱和"，和"便宜地解决"是两回事——这直接关联到那个双倍价快速模式。

真正扎实的数学成果在别处：素数间隔界限从 246（Stadlmann 最近改进到 240）推进到 186——存在无穷多对素数相差不超过 186；另一项大素数间隔界限中 80 多年没动过的项被改进。两项都有证明、精简思维链和验证材料公开。形式化验证器不撒谎，这是全篇最硬的战果。

四、所以呢：这表该怎么用

给选型者的分层指南（按可信度排序）：

1. 可以当作事实的：素数间隔 186、机器验证的数学成果、蜜罐 0% vs 48.2%、OSWorld 72.6%/40 分钟（对照模型分数还是 Anthropic 作者在官方排行榜复现的）。这些要么有外部验证，要么是"越低越好"的防御性指标，吹点最少。
2. 打折后可用的：Terminal-Bench 4.0 的 57.9%（领先 Fable 5.1 的 55.8%，但注意 Fable 分数里有脚注 5 的三处评测修改）、BenchCAD 95.9%（Claude 分数同样带修改脚注）——领先幅度小到 harness 差异就能翻盘。
3. 看看就好等复现的：ARC-AGI-3 99.9%（harness 修改 + 22 万美元算力）、ExploitBench 39% vs 5.5%（脚注已自证伪影）、对齐表里所有"0.00%"。

给观察者的两个后续信号：① AA 独立口径的 55 vs 57 会不会在主流评测圈形成"编码/智能体选 Claude、电脑操作选 Astra"的分工共识——如果是，这将是智能体时代第一次出现"没有全能冠军"的格局；② "可监控性退化"这条自曝会不会出现在下次发布的修复清单里——它会成为衡量对齐研究实际进展的年度指标。

给行业的一个判断：这次发布最大的新闻不是任何一个分数，而是发布文档本身的信息规范升级了——败仗上表、伪影自证、竞品分数用对手作者复现。当头部厂商开始用"全透明"当卖点，下一次还敢发全绿跑分表的厂商，反而在丢分。

数据来源与口径声明：全部基准数字出自 OpenAI 官方发布文档（openai.com《GPT-6 Astra》，2026-09-03）及其 17 条脚注，属厂商自报口径；其中引用的 Artificial Analysis Index v4.1.1 为独立第三方数字（OpenAI 转引），AA 自建 harness 复测（Astra 55 vs Fable 5.1 57）来自 artificialanalysis.ai 独立文章。ARC-AGI-3 人类基线表述与"饱和≠AGI"声明来自 ARC Prize Foundation 官方博客（arcprize.org，2026-09-03）；$220k/$20k 算力成本细节来自 Hacker News 社区对该博客的讨论，为社区计算口径，待官方确认。素数间隔成果有公开证明与形式化验证材料。harness 修改、评测轮次限制伪影（5.5%→11.5%）等关键折扣信息均直接引自官方脚注，非本文推断。