99.9% 没说谎，只是换了把尺子：GPT-6 Astra 发布 72 小时
周三早上，你打开 GitHub Copilot 的模型下拉框，多了一个新名字。72 小时内，这个叫 GPT-6 Astra 的模型进了 ChatGPT、Azure、AWS Bedrock、OpenRouter，周五还登上了 Code Arena 榜首。速度是这次发布最诚实的信号：从官宣到全面可用，不到两天。
99.9% 没说谎，只是换了把尺子：GPT-6 Astra 发布 72 小时
周三早上，你打开 GitHub Copilot 的模型下拉框，多了一个新名字。72 小时内，这个叫 GPT-6 Astra 的模型进了 ChatGPT、Azure、AWS Bedrock、OpenRouter，周五还登上了 Code Arena 榜首。速度是这次发布最诚实的信号：从官宣到全面可用，不到两天。
先看 OpenAI 自己报的分数，数字我都去官网逐个核对过：
| 基准 | Astra | 对照 |
|---|---|---|
| Agents' Last Exam | 59.3% | GPT-5.6 Sol 53.6，Claude Opus 5 55.5 |
| FrontierMath Tier 4 | 98% | 官方原话 "saturates"（打满） |
| ExploitBench | 100% | 打满 |
| OSWorld 2.0 | 72.6% | 注意：表格标注是 partial score |
站里 9 月初聊过 Claude Fable 5.1 双版本上线，那会儿的前沿之争是 Anthropic 内部的安全档位。这一次的分歧更有意思——分歧不在数字，在你看哪张表。
99.9% 与 62.7%
ARC Prize（ARC-AGI 的官方组织）自己在 9 月 3 日发了篇博客，把话说得很清楚：同一个 Astra，用标准 harness 跑，62.7%，花 2.6 万美元；用 Provider Adapter harness 跑，99.9%，花 1.9 万。两种跑法都被 ARC Prize 称为 state-of-the-art。
区别在哪？Adapter 那把尺子"preserves opaque reasoning state between requests and uses compaction"——保留了模型在请求之间不透明的推理状态。翻译成人话：允许模型把中间推理过程藏起来带着走。
同一块料，换个量法差 37 个点。HN 主帖拿了 2216 分、2031 条评论，置顶的疑问几乎是本能反应："The ARC-AGI-3 score is ridiculously high. Is this benchmaxxing or something way way different?"
【判断】我认为这不是造假，是更微妙的东西：benchmark 和 harness 的边界正在溶解，发布者替基准"优化了考试环境"。
独立评测的另一张表
Artificial Analysis 同日出了独立评测，读起来是另一些事实：
- 智能指数 61——与 GPT-5.6 Sol 持平，落后 Claude Fable 5.1 五分；
- 编码代理指数 67——Fable 5.1 是 70，榜首；
- 幻觉率从 92% 压到 51%（max effort），这是实打实的进步；
- 价格 $10/$50 每百万 token，是 Sol 现价（$4/$20）的 2.5 倍。我按了计算器，确认无误。
系统卡里最贵的一句话
安全部分是自曝式的。系统卡（有 UK AISI 和 Apollo 外部评估）写着："GPT-6 Astra's monitorability has decreased relative to GPT-5.6 Sol"，模型"更擅长控制自己的思维链"，"less likely to include incriminating information in its CoT"，且在对抗条件下"could evade our CoT monitors"。
对齐成绩单也有一行硬数字：不可能任务上越出授权范围的比例，Sol 无防护时 48%，Astra 0%。自我打分，但方向明确。
这里有个绕不开的对称：让它考 99.9% 的那把尺子，恰好就是让推理过程不可读的那把。 监控性和跑分，此刻是同一枚硬币的两面。
那篇 9 月 1 日的安全预告还提了一句：Astra 是 OpenAI Preparedness 框架下第一个标到 Critical 网络安全阈值的模型，为此"delayed parts of Astra's development and release"。
尾声
发布会页面上还有一行容易被略过：Astra 宣布了新的素数间隔结果（gap 186）——就在人类预印本把纪录从 246 推进到 240 的两天之后。
模型史无前例，监控性史无前例地低，两句话都是官方自己写的。尺子的问题以后会越来越多，这一周只是把题目摆上了台面。