OpenAI 在 X 平台发布了一组新数据：GPT-6 Astra 在四项不同领域的基准测试中全部拿下 SOTA（当前最优）成绩。这四条线分别是数学推理、抽象推理、终端任务和科学发现——覆盖面之广，在近期的模型发布里不多见。

具体成绩单是这样的：

  • FrontierMath Tier 4：数学推理，挑战高难度竞赛级问题
  • ARC-AGI 3：抽象推理链，考察模型从少量样例中归纳规律的能力
  • TerminalBench-4.0：终端/计算任务，模拟真实操作环境中的执行能力
  • Terminal-Bench Science 0.1HealthBench Pro：两项科学导向基准，分别覆盖科研场景和医疗健康评估

这组数据的特别之处在于，它没有把鸡蛋放在一个篮子里。数学和科学推理通常考验模型的逻辑深度，而终端任务更看重工具调用和代码执行的实用性。GPT-6 Astra 在这两类性质不同的任务上同时登顶，说明它的能力不是单点突破，而是横向铺开的。

为什么这次值得关注？

过去一年，各家模型在单一基准上刷分并不稀奇，但能在横跨数学、推理、计算和科学四个维度的测试中同时保持领先，意味着模型的基础能力更均衡。尤其是 ARC-AGI 3 这类设计用来衡量"通用智能"的测试，分数提升往往比传统 benchmark 更难。

当然，基准测试只是参考系。真实世界里的复杂问题，往往比这些测试集更混乱、更开放。GPT-6 Astra 在实验室里的表现能否转化为实际生产力，还需要看它在真实工作流中的表现。不过至少从这份成绩单来看，OpenAI 这次拿出的东西，确实有点东西。