OpenAI 被曝多次修改 GPT-6 Astra 跑分：幻觉率从 4.2% 砍到 2% 又回弹，基准测试的公信力该重估了

一句话结论：Fortune 报道 OpenAI 在 GPT-6 Astra 发布后多次改动评测数据——幻觉率、ARC-AGI-3、竞争对手 Claude 的成绩都被动过，这暴露了「厂商自报跑分」在缺乏第三方验证时的信任危机。

AI 摘要

• 发生了什么：GPT-6 Astra 发布公告上线后，多项基准数据被多次修改，部分成绩一度让 Astra 显得更强。
• 核心变化：幻觉率 4.2%→2%→回弹 4.2%，ARC-AGI-3 从预发布草稿的 98.6% 变成官宣的 99.99%，Anthropic 模型成绩一度被调低近 10 个百分点。
• 影响对象：所有把厂商跑分当决策依据的开发者、企业、AI 研究者。
• 下一步观察：Arc Prize Foundation 等第三方机构是否会出独立复现报告。

发生了什么

据 Fortune 报道，OpenAI 自 9 月 3 日发布 GPT-6 Astra 公告以来，多次修改其中的评测基准数据。事件的时间线本身就反常：OpenAI 原定美东时间下午 2 点发博客，结果文章被撤下又重发，近两个小时后大多数用户才能正常访问。

更关键的是，网页快照显示数据在反复变动。以幻觉率为例：Astra 的幻觉率在首版里是 4.2%，下午 5 点 20 分的快照里降到了 2%（几乎减半），前代 GPT-5.6 Sol 也从 12.2% 降到 9.4%；但截至 Fortune 发稿，两个数字又回到了最初的 4.2% 和 12.2%。

OpenAI 发言人的解释是：不同模型检查点、测试框架和评测运行方式会导致几个百分点的波动，修改是为了「让数字代表模型可用性能的最佳估计」。但数据变动的方向，恰好多次让 Astra 显得更突出，这就很难用「误差」一笔带过了。

核心变化

ARC-AGI-3：从 98.6% 到 99.99%

最受关注的是 ARC-AGI-3 抽象推理基准。OpenAI 向媒体提供的预发布草稿里，Astra 的成绩是 98.6%；等正式博客上线，这个数字变成了 99.99%。而基准测试的创建方 Arc Prize Foundation 指出，OpenAI 为 Astra 配备了一套「特别强大的测试工具框架」才拿到接近满分的成绩；用该基准的标准工具框架时，Astra 的成绩是 63%。

这个区分很重要：99.99% 是「加装了额外工具」的上限成绩，63% 才是标准条件下的基线。两者都对，但指向的结论完全不同。

竞争对手的成绩被调低

另一个引发争议的操作是：Anthropic 最新模型 Fable 5.1 在 FrontierMath Tier 4 数学基准上的成绩，一度从首版快照的 87.8% 被调低近 10 个百分点到 78%，后来又回升到 83%。GPT-5.6 Sol 的成绩也经历了 83%→80.5%→83% 的反复。这些「先降后升」的调整，恰好让 Astra 的领先优势在某个时间点上被放大。

为什么这件事重要

对开发者：厂商自报跑分从来都是「营销的一部分」，但这次事件把「跑分可以被精细操控」这件事摆到了台面上。选型时只看厂商数据，等于把判断权交给了最想让你买账的那一方。这与我们之前梳理的 GPT-6 Astra 发布 里「99.9% 需要打折看」的判断形成了呼应——当时就有第三方数据（Artificial Analysis、Vellum）指出标准测试成绩远低于官宣。

对行业：基准测试的「刷分」问题不是新话题，Meta 前首席 AI 科学家 Yann LeCun 也承认过公司曾美化基准结果。但 Astra 这次的特殊之处在于，它发生在「AGI 时代」这个宏大声量之下——当一个模型被包装成划时代的节点，跑分的小数点后两位就不再是技术细节，而是舆论武器。

对读者：这件事提供了一个判断标准：一个模型的真实能力，应该看「第三方独立复现」而不是「厂商自报」。正如我们之前分析 Astra 触及 Critical 红线 时反复强调的，OpenAI 的很多数据缺乏可复现的验证路径。

智盒判断

短期：这次事件不会改变 Astra 本身的技术实力——它在计算机操作、网络安全上的提升是实打实的。但它会削弱 OpenAI 在「跑分公信力」上的信用，至少在下一轮发布前，媒体和第三方会用更挑剔的眼光审视它的每一个数字。

中期：这件事可能倒逼行业建立更严格的基准披露规范——比如要求厂商同时公布「标准测试框架成绩」和「加装工具的成绩」，以及测试使用的模型检查点版本。Arc Prize Foundation 已经公开了 63% 这个「标准版」数字，这是一个好的开始。

长期：当「AGI」这种宏大叙事和「跑分操控」这种细节问题同时出现时，真正成熟的判断是回到第一性原理：不看它宣称自己是什么，看它在你的真实任务上表现如何。数字会撒谎，任务不会。

风险与不确定性

• 本事件的细节主要来自 Fortune 和 IT 之家的报道，OpenAI 官方只给出了「误差波动」的解释，未逐条回应数据变动。
• 网页快照能证明「数据变了」，但不能证明「改动动机」，本文只陈述事实，不做动机揣测。
• 幻觉率最终「回弹」到原值，说明部分改动可能确实是内部沟通失误而非恶意，需要等待更多证据。

后续观察

• Arc Prize Foundation 是否会发布 Astra 的独立评测报告，包括标准框架和增强框架的成绩对比。
• Artificial Analysis 是否会更新 Astra 的综合评测，给出更多可复现的第三方数据。
• OpenAI 在 9 月底 DevDay 上是否会针对「跑分争议」调整披露方式。

FAQ

OpenAI 真的「作弊」了吗？

目前没有证据证明是「故意作弊」。Fortune 报道的是「数据被多次修改」这个事实，OpenAI 的解释是「误差波动」。但数据变动的方向多次让 Astra 显得更强，这是不争的事实。更准确的表述是：这件事暴露了厂商自报跑分缺乏第三方验证时的信任风险，而非坐实了「作弊」。

99.99% 的 ARC-AGI-3 成绩还可信吗？

要区分看。99.99% 是「为 Astra 配备特别强大测试工具框架」后的成绩；用标准工具框架时是 63%。两个数字都真实，但引用时必须说明条件。这也是为什么看跑分一定要看测试条件。

普通用户该信谁的数据？

优先信第三方独立评测（Artificial Analysis、Arc Prize Foundation、LMArena 等），其次看厂商数据时带上「测试条件」的限定。最靠谱的永远是拿自己的真实任务去测，而不是看任何一方的跑分。

参考来源

• Fortune《OpenAI 多次修改 GPT-6 Astra 基准测试数据，部分成绩一度大幅变化》
• IT 之家《OpenAI 多次修改 GPT-6 Astra 基准测试数据，部分成绩一度大幅变化》2026-09-06
• ITBear 科技资讯《突发，OpenAI GPT-6 跑分作弊被抓包了！》2026-09-06