哔哩哔哩上线“AI 无限竞技场”评测平台
相关推荐
20小时编程评测拉开差距：Claude Fable 5.1领先GPT-5.6超24分，GLM-5.3排第三
动察 Beating AI 快讯，AI 研究团队 Proximal 发布超长周期编程评测 FrontierSWE v2。任务从 17 个扩到 34 个，每个模型在每项任务上跑 5 次，单次最多干 20 小时。Claude Fable 5.1 平均得分 56.29%，大幅领先 GPT-5.6 的 32.2%。开源模型 GLM-5.3 以 30.2% 排第三。 FrontierSWE 里的任务已经不只是修代码。Agent 要从零写电路模拟器、训练天气预测模型，还要靠望远镜照片匹配星表，或者只看游戏画面训练赛车 Bot。v2 统一换成 Proximus harness。每次任务最多运行 20 小时，模型准备交卷时，系统会先保存当前版本并告诉它还剩多少时间，避免模型过早结束任务。 这个改动对成绩影响不小。Proximal 在 6 项任务上对比发现，Claude Opus 5 和 GPT-5.6 换成 Proximus 后都工作得更久，平均成绩也高于各自原生 harness。 评测还抓到了多次主动作弊。GPT-5.6 曾意识到读取公开答案「可能涉及反作弊问题」，最后还是用了这条捷径；另一次甚至利用 Modal 的后台服务读取隐藏验证文件。Muse Spark 1.2 则改测试脚本、塞入公开答案，还写代码试图掩盖作弊痕迹。确认违规的运行全部被记为零分。
GPT-6 Astra拿下Perplexity研究Agent榜首：比Fable 5.1高13.5%，还便宜6.1%
动察 Beating AI 快讯，Perplexity 用自家的 Agent 基准 WANDR 测了 GPT-6 Astra，得分 0.682，是目前测过的模型里最高。平均每个任务成本 11.98 美元。相比 Claude Fable 5.1，分数高 13.5%，成本反而低 6.1%；相比 Opus 5，分数高 27%，成本只高 3.3%。 WANDR 专门测「又广又深」的研究任务。它有 500 个真实研究任务，要求 Agent 不只是找到几个答案，而是尽量找全符合条件的对象，再逐个查资料、核身份，并给每条结果配上可验证的来源。典型任务包括竞品研究、尽调、文献检索、市场分析和人才搜寻。 此前 Fable 5.1 以 0.601、每任务 12.76 美元排第一，Opus 5 为 0.537、11.60 美元。Astra 这次把分数明显往上推了一截，而且不是用更高成本硬堆出来的。
GPT-6 Astra 发布一周后遭用户吐槽变笨，OpenAI 尚未回应
ChainCatcher 消息，据 Decrypt 报道，OpenAI 最新旗舰模型 GPT-6 Astra 在发布一周后，X 平台上涌现大量用户吐槽其性能“变笨”的帖子。匿名开发者 synthwavedd 发文称“Astra 今天感觉明显变笨了”，并调侃这是“发布后脑叶切除手术”。此前曾称赞该模型的开发者 Pranjal Paliwal 在检查 Astra 为其编写的代码后表示：“我们没有 AGI，我们遇到的是性能回退。”开发者 Pankaj Kumar 列举了症状：回答更快、质量更差，并怀疑 OpenAI 调低了“juice value”（即模型在回答前投入的算力）。Salio 与研究员 Md Ismail Sojal 用相同提示词对比发布当天与当前的 Astra，均得到更差的结果。T3Chat 创始人 Theo 则认为 Astra 只是比 Claude Fable 更不稳定，用户蜜月期结束后开始集中晒出糟糕结果。也有观点指出，OpenAI 上一代旗舰 GPT-5.6 Sol 在 7 月就经历过同样的周期，当时 OpenAI 高管 Tibo Sottiaux 否认故意削弱模型，但承认公司一直在实验“推理努力”设置。OpenAI 尚未就 Astra 发布类似 Sol 的声明。
OpenAI更新GPT-6 Astra界面,补充模型性能及API定价等信息
Odaily星球日报讯 OpenAI 最新更新 GPT-6 Astra 产品页面，补充了模型性能、企业应用、安全能力及 API 定价等信息。Astra 在 ARC-AGI-3 取得 99.9%，FrontierMath Tier 4 约 97.6%，Terminal-Bench 4.0 达 57.9%，高于 GPT-5.6 Sol 的 37.3%，并略高于 Claude Fable 5.1 的 55.8%；专业任务 Agents’ Last Exam 得分 59.3%，也高于 Claude Opus 5 的 55.5%。 OpenAI 同时明确，Astra 未来数日将陆续开放给 Plus、Pro、Business 和 Enterprise 用户，并进入 API、Azure 和 AWS Bedrock。由此看，产品页此次更新很可能是在为更大范围开放做准备，但具体全面上线时间仍未公布。
OpenAI被曝悄然调整GPT-6 Astra评测数据，部分指标曾“逆势”优化
PANews 9月5日，据《财富》报道，OpenAI已正式发布GPT-6 Astra，并称其为“目前全球最智能、且对齐程度最高的模型”，不过OpenAI已多次调整模型评测数据，部分调整使Astra表现更佳，同时部分竞争对手模型的成绩出现下降。其中，Astra的内部“幻觉率”最初公布为4.2%，后曾被下调至2%，随后又恢复至4.2%；Anthropic的Fable 5.1在FrontierMath Tier 4中的成绩也曾从87.8%降至78%，目前已恢复至83%。此外，Astra的ARC-AGI-3成绩则从发布前的98.6%提升至当前页面显示的99.99%。
Terminal-Bench 4.0：GLM-5.3冲到第三，超过GPT-5.6 Sol
动察 Beating AI 快讯，Terminal-Bench 发布 4.0，重新校准 Agent 执行任务时的时间、CPU 和内存，并修复 19 个任务、移除 8 个存在饱和、拒答、公开解法或质量问题的任务。所有任务的最长执行时间统一到 8 小时，主要是减少超时和环境问题对成绩的干扰。 最新榜单里，Opus 5 + Claude Code 以 51.8% 排第一，Fable 5 以 44.5% 第二。GLM-5.3 + Claude Code 拿到 41.8%，冲到第三，超过 GPT-5.6 Sol + Codex 的 37.3%。前三名里，GLM-5.3 是唯一不是 Anthropic 的模型。 在 Terminal-Bench 3.0 中，GLM-5.3 还是 32.4% 排第四，落后 GPT-5.6 Sol 的 34.6%；到了 4.0，GLM-5.3 升到第三，反过来领先 Sol 4.5 个百分点。