GPT-6 Astra 横评:编码科研制霸,金融法律掉到第16
Hrstar1 · reddit · 2026-11-01
作者基于 Scale AI SEAL 基准(2026年10月)对 GPT-6 Astra 做 12 类场景的实用指南,Astra 在其 15 类自建对比中排第一,但各场景表现分化明显。
强项:
- 复杂系统游戏开发与大型代码库重构:SWE-Bench Pro V2 Full 96.90%,SWE Atlas 重构榜第一
- 科研推理:Humanity's Last Exam Diamond 第一,DrugDiscoveryBench 前二
- 有人类监督的 agent 开发:HiL-Bench 第三,擅长识别缺失信息并主动澄清
能用但有坑:
- 量化交易机器人:实现代码没问题,但金融专业推理仅第16,别让它验证策略
- 图像/视频理解:Humanity's Sixth Sense 第二,但 53.6% 远低于人类 93.1%
- 自主接自由职业活:Remote Labor Index 第二,但只有 20.83% 交付物达到专业验收标准,只能当助手
建议换模型:自动化测试编写(Claude Fable 5.1 以 67.04% vs 50.74% 明显更强)、金融咨询、法律分析(均排15名开外)。
「模型」频道最新
- 连续比特流扩散逼近自回归模型,作者称其将是下一个大方向 — LucaAmb · 2026-11-01
- 「硬件烂+云模型上瘾」不冲突：开发者用 Claude 调度手机本地模型跑 Stable Diffusion — copenhagen_bram · 2026-11-01
- Gemini 4 Argon 实战定位：视觉理解第 1，SWE-Bench Pro 第 2，金融推理仅第 11 — Hrstar1 · 2026-11-01
- 清华团队发现混合架构「竞争学习」：冻结循环层让注意力学会检索 — ChengleiSi · 2026-11-01
- ChatGPT 与 Sora 额度合并：图片生成将消耗聊天限额 — Alternative-Car8221 · 2026-11-01
- OpenAI 将用 Daybreak Blue 安全会话数据训练模型，即使用户已关闭训练 — The Decoder · 2026-11-01