Signal65 实测称 GPT-6 Astra 完成 279/280 企业任务且零编造
ryanshrout · x · 2026-09-06
Ryan Shrout 转发 Signal65 PINNACLE 基准的首批结果，称 OpenAI GPT-6 Astra 在企业 agent 任务上表现惊人，但该模型与数据均未经官方证实，需保持怀疑：
- 在最大推理强度下，GPT-6 Astra 完成了 280 个真实多步企业任务中的 279 个，端到端跑完全程。
- 在检索套件中面对不可回答的问题时没有编造任何答案（fabricated nothing）。
- 加权错误数约为此前领先者 Claude Fable 5.1 和 Muse Spark 1.3 的一半。
- 按官方 API 列价计算，每个正确任务的成本也低于被替代的模型。
PINNACLE 的方法特点是：用美国劳工部的职业工作活动构建场景、运行时程序化生成沙盒与答案密钥（无固定语料可背）、由代码而非模型裁判确定性评分，每次运行都是真实 live agent 会话。以上内容来自第三方帖子，模型名称与结果可信度存疑，请视为未证实爆料。
所属事件:传闻中的 GPT-6 Astra 基准数据曝光(2 条相关)→
「模型」频道最新
- 扩散语言模型的偏见排名随采样配置改变,去偏后仍不稳定 — Bollegala · 2026-10-23
- 月付 20 美元同时跑 100 个 DeepSeek v4.1 flash agent — zack_overflow · 2026-10-23
- 从业者感叹开源音频模型连表征类质量都普遍拉胯 — gowthami_s · 2026-10-23
- 网友自曝用 Claude Opus 5.5 生成视频，泄露未发布模型名 — jwt0625 · 2026-10-23
- 安全圈激辩:OpenAI 限制安全研究员访问 Astra 是否失策 — cyb3rops · 2026-10-23
- Mistral Large 4 曝光:1T 参数、激活 49B,月底开源 — mervenoyann · 2026-10-23