GPT-6 Astra 第三方榜单表现遭社区集中质疑

9月4日，围绕 OpenAI 的 GPT-6 Astra 在第三方评测机构 Artificial Analysis（AA）榜单上的表现，社区出现集中质疑。多位用户贴出数据，认为其成绩与官方宣传口径存在反差。

已确认

@Capable-S 指出，GPT-6 Astra 在 Agentic Index 上落后 Fable 10 分、落后 GPT 5.6 Sol 7 分，智能体任务水平仅与 Terra 和 Qwen3.8 27B 相当。
@stoicismftw 依据 AA 综合基准称，Astra（max）成绩低于 Anthropic Opus、Fable 和 Spark，与 Sol（max）完全打平；其后续分享的模型对比图同样显示 Astra 排名在 Opus、Fable 与 Spark之后，引发社区讨论。
@Blackham 贴出截图显示，尽管 Astra 在编码 Agent 分项大涨，但在 AA 综合指数上并未超过 Fable，这与此前对其深度推理（HLE）成绩偏低的讨论相互印证。
@ethanCaballero 公开质疑 Astra 为何在 AA 指数上表现不佳，并指出这与第三方「几乎全面胜过 Fable 5.1」的说法形成张力。

AA 智能指数本身的可靠性存在争议：@brandongalang 转述 theo 的推文，称 Astra 在该指数上落后于 MUSE SPARK 1.3 MAX，且在 Arena 上表现静止，这与 Astra 在多家跑分上的强势表现不符，据此质疑榜单可信度。这一质疑目前仅为个人观点，尚无定论。

该事件集中呈现了「跑分强、智能体弱」的争议：Astra 在传统基准上表现亮眼，但在智能体任务上的第三方成绩与其发布会口径不一致，直接影响用户对其真实能力的判断。
同时，模型在不同评测体系间成绩分化，也引发了对第三方榜单方法论的信任危机，评测机构的权威性本身成为讨论焦点。

2026-09-04 ~ 2026-09-04 · 6 条相关

第 1 集:OpenAI GPT-6 Astra爆料：可连跑8天任务调1600个子代理(2026-09-03,4 条)
第 2 集:GPT-6 Astra 发布：能力跃升伴随评测争议与可监控性下降(2026-09-04,62 条)
第 3 集:Every 深度实测 GPT-6 Astra：最强写作模型，但顶尖端仍不敌 Fable(2026-09-04,15 条)
第 4 集:GPT-6 Astra 首批 AA 评测：智能持平前代，涨价 2.5 倍(2026-09-04,18 条)
第 5 集:传 GPT-6 Astra 后训练未完成，算力换性能尚不稳定(2026-09-04,2 条)
第 6 集:Matthew Berman 实测 GPT-6 Astra：称其用过的最强模型(2026-09-04,10 条)
第 7 集:GPT-6 Astra 第三方榜单表现遭社区集中质疑(2026-09-04,6 条)
第 8 集:GPT-6 Astra 创 ECI 169 分纪录，多项基准刷新(2026-09-04,11 条)