GPT-6 Astra 在 ARC-AGI 3 基准测试中拿下 98.6%，而上一代 GPT-5.6 Sol 只有 7.8%。这个跨度大到原作者连发多个问号，直呼难以置信。

不只是推理测试，其他榜单同样夸张：

打开网易新闻 查看精彩图片

  • FrontierMath Tier 4（v2）：97.6%
  • ExploitBench：100%
  • SRE-Bench（四次尝试）：99.2%

从 7.8% 到 98.6%，这已经不是迭代，是换了个物种。问题来了：是测试本身被摸透了，还是模型真的质变了？评论区吵翻了。