GPT-6刚发布，我先给98.6%这个分数泼三盆冷水

GPT-6刚发布，吹牛来了，我先给98.6%这个分数泼三盆冷水

北京时间9月4日凌晨，OpenAI 发布新一代旗舰模型 GPT-6 Astra。总裁 Greg Brockman 在媒体吹风会最后说了一句：「欢迎来到 AGI 时代。」

发布会一结束，时间线就被一个数字刷屏：ARC-AGI-3 测试拿到 98.6%，被称为「离 AGI 最近的标尺」上史无前例的高分。

我把 OpenAI 官方材料和国外几家媒体的报道翻了一遍，发现每个大数字背后，都跟着一条小字注释。

模型是真的，发布是真的，数字也是真的。要泼冷水的，是「AGI 来了」这个讲法。

第一盆冷水：谁在答题

ARC-AGI-3 是一套专门考察通用推理能力的测试，业界把它当作离 AGI 最近的标尺之一。Astra 在上面拿到 98.6%，听着像「考试快满分了」。

但 OpenAI 自己的材料里写明：考试时给模型配了一整套装备。

Responses API 让模型在多轮任务之间保留推理信息，Compaction 负责管理长上下文。所以成绩单上写的不是模型分，是「模型加装备」的团队分。

这不是我猜的，有现成先例。今年 8 月，NVIDIA 用 AVO 架构给 Claude Opus 5 套上同类装备，在同一场考试里拿了 100%。而 Opus 5 自己裸考，只有 30% 左右。

同样的事就发生在 Astra 身上：上一代 GPT-5.6 Sol 裸考 ARC-AGI-3，只有 7.8%；Astra 带着全套装备上场，98.6%。跳变主要来自装备，不是大脑。

允许带小抄的考试，班级平均分再高，也说明不了每个学生都变聪明了。装备分和裸考分，得分开看。

ARC-AGI-3：裸考分 vs 带装备分同一场测试，两种答法，分差 90 个百分点GPT-5.6 Sol（裸考）7.8%Claude Opus 5（裸考）约30%GPT-6 Astra（+官方装备）98.6%Claude Opus 5（+NVIDIA装备）100%装备 = Responses API + Compaction 等 Agent 系统；裸考 = 模型直接作答数据来源：OpenAI、NVIDIA 公开材料（2026年8-9月）

第二盆冷水：裁判是谁

Astra 另一个被刷屏的数字，是 FrontierMath Tier 4 拿到 97.6%。这是数学测试里最难的一档，全研究级难度。

负责运营这项测试的机构叫 Epoch AI，它在自己的官方页面上写着两行小字：这个项目由 OpenAI 出资支持；OpenAI 拥有其中部分题目的独家访问权。

这一档一共 43 道题，其中 41 道是私有题目。

题目不公开，再加上独家访问权，这个 97.6% 的含金量各位可以自己掂量。

出题的、出钱的、考试的，三方名单里出现了同一个名字。

97.6% 背后的三层关系OpenAI出资赞助测试Epoch AI运营测试与出题Astra 应考Tier 4：97.6%43 道题里 41 道为私有题，OpenAI 拥有部分题目独家访问权以上标注来自 Epoch AI 官方页面，不是我加的来源：Epoch AI FrontierMath 页面（2026年6月 v2 版）

网络安全测试 ExploitGym 的 42.4% 也有类似问题，比上一代的 30.3% 强不少。

但这次 OpenAI 取消了惯例的 6 小时时间限制。

没有时间压力的考试，和历届成绩没法放进同一张表里比。发布会上的「最对齐模型」同样如此。

内部测试里，Astra 面对完不成的任务时越权乱来的比例是 0%，上一代是 48.2%。

听着好得吓人，但 OpenAI 自己在注释里承认：对照组是在没有生产环境安全防护的条件下跑的，两组数字不能直接比较。

同一场发布会上，首席科学家 Jakub Pachocki 的话更扎心。他承认 Astra 的思维链比上一代更难监控，还说：智能水平的提升，并不保证对齐能力也会同步提升。

如果无法确保未来的模型仍然能被有效监控，OpenAI 将暂停扩大模型规模。

一边宣布「AGI 时代」，一边承认「监控没跟上」。

这两句话出现在同一场发布会上，才是这场发布的完整底色。

第三盆冷水：价格先涨了

前面说的都是 OpenAI 挑出来讲的强项。它没怎么提的，是竞争最激烈的编程。

编程测试 DeepSWE v1.1，Astra 拿到 74.1%，比上一代强，但没拿到第一。

Meta 的 Muse Spark 1.3 公布的成绩是 75.4%；Claude Opus 5、Gemini 3.8 Flash 也都贴在 74% 附近。

这场测试一共 113 道题，第一名和第二名差 1.3 个百分点，换算下来就是一到两道题的差距。

官方对比图的处理也值得一提：图里没有 Muse，放的是 Anthropic 上一代 Fable 5.1 的旧成绩。这么一比，领先幅度看起来就大了不少。

编程测试 DeepSWE v1.1（113 题）前四名挤在 1.8 个百分点里，没有断层第一Muse Spark 1.375.4%GPT-6 Astra74.1%Gemini 3.8 Flash73.8%Claude Opus 573.7%GPT-5.6 Sol（上代）72.7%Claude Fable 5.1（上代）67.4%Astra 与第一名差 1.3 个百分点，约合 1 到 2 道题来源：OpenAI、Meta 公布成绩及 the-decoder 汇总（2026年9月）

能力上没拉开差距，价格倒是先到位了。

Astra 的 API 定价：每百万输入 token 10 美元，输出 50 美元。

是 Sol 当前促销价的 2.5 倍，和 Anthropic Fable 5.1 持平。

对比一下：Meta Muse 是 1.25 和 4.25 美元，Gemini 3.8 Flash 首发价 0.75 和 3.75 美元。

Brockman 对定价的说法是：真正重要的不是单个 token 卖多少钱，而是完成一项任务的总价。

这话不算错，OpenAI 也确实展示了 Astra 完成任务消耗的 token 更少。

但发布当天，普通开发者看到的事实就是一条：用上「AGI」，先付两倍半的钱。

叙事是拿来讲的，价格是拿来付的。涨价两倍半，不会说谎。

谁最需要这句话

Greg Brockman：OpenAI 联合创始人、总裁，Stripe 前 CTO，公司日常运营和对外叙事的核心人物。Astra 发布会的 AGI 表态，就是从他嘴里说出来的。

把时间往回拨三个月。6 月 8 日，OpenAI 向美国证监会提交了 S-1 上市申请文件，估值目标一度谈到 1 万亿美元。

WIRED 在报道这次发布时写得直白：OpenAI 正试图在计划中的 IPO 之前，快速推进技术、提振销售。

资本市场这边的天气并不算好。6 月 26 日，OpenAI 考虑推迟 IPO 的传闻一出，科技股跟着跌了一轮。

前车之鉴是 SpaceX：6 月上市当天冲上 1.77 万亿美元估值，随后股价从 202 美元高点一路滑回 153 美元，几乎跌回发行价（纽约时报报道的数字）。

对手也没闲着。几天前，Anthropic 刚发布 Fable 5.1 和 Mythos 5.1，把科学、编程、推理几条线的标杆都刷了一遍。

Astra 这场发布会，从时间上看就是一场贴身应答。

这场发布会，藏在一条什么线上6月8日提交 S-1上市申请文件6月26日IPO 推迟传闻科技股抛售8月底Anthropic 发布Fable 5.19月3日Astra 发布「欢迎来到AGI时代」

回头看，这场发布会最说明问题的，反而是它吹得并不成功：

编程没拿第一，强项分数个个带星号注释。

正因为手里可吹的硬料紧张，「AGI 时代」这句叙事才显得格外重要。

发布会上有记者问 Brockman：OpenAI 是否正式宣布实现了 AGI？他没有给出这个结论，只说可以由每个人自行判断。

真到了不需要证明的时候，是不需要喊话的。

资本市场需要一句新故事，AGI 恰好是眼下最贵的那一句。

结语

冷水泼完，说句公道话：Astra 大概率还是当前最强的模型之一，买来干活不亏。

但把「AGI 来了」当真，是另一回事。

看任何跑分，先问一句，这是模型分，还是「模型加装备」的团队分。

读发布材料翻到底部找小字注释。时间限制、对照组条件、独家访问权，这三样东西决定一个数字能信几分。

接下来各家喊 AGI 的次数只会更多。把它当成营销节拍器听，别当成时钟看。

分数会过期，注释不会。学会读注释的人，不会被任何发布会收割。

#GPT6 #OpenAI #AGI #AI泡沫 #人工智能

数据与引语来源：OpenAI 官方发布材料、Axios、CNBC、WIRED、VentureBeat、The New Stack、the-decoder、Epoch AI（2026年9月3日核查）。本文由老王与智谱 GLM-5.3-Flash 协作完成：多源交叉核查与初稿整理由 AI 完成，观点、判断与结论由老王负责。

喜欢就点击关注我哦～