Anthropic 与 GPT 之争分化基准测试，Astra 重置 AGI 时钟

OpenAI 的 GPT-6 Astra 在一个模型指数中达到 169 分，却在另一个指数中仅获 61 分，加剧了围绕基准测试领先地位展开的 Anthropic 与 GPT 竞争。Epoch AI 在评估的 267 个模型中将 Astra 排在首位。Artificial Analysis 则将其排在 Anthropic 的 Claude Fable 5.1 之后。

这种分歧通常只会带来又一次难以下定论的模型发布。但 Astra 在 ARC-AGI-3 上的表现让这一案例更难被忽视。该模型通过 ARC Prize 的标准测试框架获得 62.7%，高于 GPT-5.6 Sol 已报告的 7.8%。

根据 ARC Prize 的评估，Astra 完成交互式任务时的行动效率也高于普通人类。François Chollet 表示，其进展速度约为他预期的两倍。不过，他仍未宣布这已达到 AGI。

因此，核心问题并非某个排行榜是否选错了赢家，而是当前基准测试是否真的在衡量同一种智能。Anthropic 与 GPT 的竞争，如今将广泛测试表现与在陌生环境中的适应效率置于对立面。

GPT-6 Astra 给出了两种相互冲突的结论

Astra 的发布让模型排名变成了对评估者究竟选择衡量什么的争论。

OpenAI 于 2026 年 9 月 3 日推出 GPT-6 Astra。该公司将其定位为适用于计算机操作、浏览、软件工程、科学、网络安全及专业工作的模型。

其 Astra 公告称，该模型在多项由公司选定的评估中取得了最先进的结果。OpenAI 还报告称，Astra 通过供应商专属评估设置在 ARC-AGI-3 上取得了 99.9%。

独立综合评分呈现出较不一致的图景。Epoch AI 的能力指数给予 Astra 169 分，领先于 163 分的 Claude Fable 5.1。GPT-5.6 Sol 和 Claude Opus 5 均获 162 分。

Epoch 的指数综合了多个能力领域的结果，包括数学、科学、知识、编程及其他高难度任务。其评分旨在概括广泛进展，而非孤立衡量某一项狭窄技能。

在这一综合评分中，Astra 处于领先。这一结果支持了 OpenAI 关于该模型代表了有意义的代际变化的论点。它也表明，Astra 最显著的提升集中在 Epoch 评估组合所强调的领域。

Artificial Analysis 得出了不同结论。其 Intelligence Index 给予 Astra 61 分，与 GPT-5.6 Sol 持平。Claude Fable 5.1 以 66 分领跑，Claude Opus 5 则为 63 分。

这项 模型对比涵盖知识、编程、数学和文本理解。其构成与测试流程均不同于 Epoch 的指数。因此，所得数字不能被视为对同一对象的两次测量。

Astra 的单项结果也并不均衡。它在多项智能体和科学任务中实现显著提升。然而，Artificial Analysis 仍记录到其在包括长上下文推理及某些专业评估在内的领域表现较弱。

其编程表现同样复杂。据报道，Astra 在 Coding Agent Index 中达到 67 分，而 Claude Fable 5.1 达到 70 分。在可比测试中，Astra 使用的推理步骤明显少于多款竞争模型。

这种效率很重要，因为模型的实际负担并不止于公布的 token 单价。即使 headline 分数较低，使用更少 token、更少行动或更短耗时的模型也可能更具优势。

因此，这次发布产生了两种合理但不完整的叙事。Epoch 认为 Astra 拥有最强的广泛能力画像。Artificial Analysis 则认为，它并未在一组固定的常见推理任务中领先。

单凭任一结论，都无法判定哪种模型最适合开发者或企业。软件团队看重可复现的编程表现。研究团队则可能优先考虑数学推理、工具使用或新颖问题求解。

时间点也限制了确切结论。早期对比出现时，Epoch 为 Astra 记录的编程评估数量少于一些已成熟模型。至少有一次可用的 Astra 编程测试采用了中等推理设置。

早期排行榜往往将成熟结果与不完整覆盖混在一起。新模型发布后还会接受更多测试、测试框架更新和配置变更。即便底层模型保持不变，排名也可能发生变化。

这使得 169 对 61 的反差具有参考价值，而非荒谬。数字揭示了不同的评估优先级，也提醒买家不要把任何综合分数当作智能的通用尺度。

Anthropic 与 GPT 的竞争，取决于将何种工作负载置于核心位置。Claude 领跑 Artificial Analysis 更偏文本导向的综合指数。Astra 则领跑 Epoch 当前的综合评分，并在交互式推理上取得了不同寻常的进展。

更重要的问题始于两个综合指数都不再那么具有描述力的地方。ARC-AGI-3 不要求模型检索答案或完成熟悉的编程练习。它要求系统发现一个未知世界如何运作。

ARC-AGI-3 改变了比较的意义

Astra 最强的结果关乎不确定条件下的适应，而非普通问答。

ARC-AGI-3 在陌生的交互环境中评估智能体。系统必须在未获得常规任务说明的情况下探索、推断规则、记住观察结果、规划行动并识别目标。

该基准限制对记忆事实和语言知识的依赖。其环境更像小型未知游戏，而不是传统考试。成功需要通过互动学习，而不是识别熟悉的提示模式。

这一区别很重要，因为大型语言模型可以通过大量既有接触取得高分。围绕未知环境设计的基准试图削弱这一优势。它测试系统能否在评估过程中习得有用行为。

ARC-AGI-3 报告将探索、规划、记忆、目标获取和对齐列为核心要求。该基准于 2026 年 3 月出现时，接受测试的前沿系统得分均低于 1%。

人类无需接受任务专属训练，就能解决每个被评估的环境。人类解题者的速度和效率并不相同，但该基准证明每个环境都能通过交互来理解。

六个月后，Astra 使用 ARC Prize 的标准测试框架，在半私有测试集上达到 62.7%。经验证的结果列明，该次运行采用了最高推理强度。

这一得分超过 GPT-5.6 Sol 已报告的 7.8% 的八倍，也比 Claude Opus 5 所列的 30.2% 高出逾一倍。Claude Fable 5.1 的可比数据最初尚未公布。

这一结果的重要性在于，该模型并非只是解决了更多环境。根据 ARC Prize 的分析，Astra 在成功完成的任务中使用的行动次数少于普通人类。

行动效率衡量智能体抵达解决方案的直接程度。低效系统可能只有在大量随机探索后才能成功。更高效的系统则能以更少的行动建立准确的内部认知。

据报道，Astra 在这项指标上超过了普通人类的平均效率水平。这并不意味着它在通用智能上超越了人类，而是指其成功完成 ARC-AGI-3 的轨迹所需行动次数低于人类平均值。

这一区分避免了对该发现的夸大。人类依然展示了对这些环境的完整覆盖。Astra 在标准测试框架下的成功率仍远低于 100%。

OpenAI 还报告称，通过供应商适配器测试框架取得了 99.9%。该设置可在请求之间保留模型不透明的推理状态，并压缩更长的对话。标准测试框架只能延续由模型选定的笔记。

因此，这一更高分数衡量的是配备了并非所有供应商都可用基础设施的 Astra。ARC Prize 警告，不应将其用于直接的跨厂商排名。这是关于一种系统配置的证据，而非与 Claude 的中立对比。

62.7% 与 99.9% 之间的差距本身也颇具启示。模型表面呈现出的智能，部分取决于其周围的记忆、上下文、工具及隐藏推理状态。

这带来了新的评估难题。买家越来越多地部署完整的智能体系统，而不是孤立的语言模型。但供应商专属基础设施可能使公平比较变得困难，甚至不可能。

在标准设置下，Astra 的结果仍代表着显著变化。从 Sol 的 7.8% 跃升而来，无法用供应商适配器解释。这两个数字都来自更具可比性的评估路径。

ARC-AGI-3 也不同于旧版 ARC。ARC-AGI-1 使用静态视觉变换，其结果逐渐趋于饱和。ARC-AGI-2 在保留抽象谜题形式的同时提高了难度。

Astra 在 ARC-AGI-2 上获得 95%，而 Sol 为 92.5%。这一较小差距不足以支持激进的智能主张。第三代交互式测试带来了更显著的区分。

这段历史解释了为何 Chollet 聚焦 Astra 的 ARC-AGI-3 表现。该模型在围绕陌生性设计的任务上展现出新的能力水平。这比在可反复练习的技能上表现卓越，更接近他对智能的定义。

该基准结果并未终结 AGI 争论，但它改变了最有力的证据。评估者不再仅仅询问模型知道得是否足够多，而可以询问：当既有知识不足时，它能以多高效率学习。

Anthropic 与 GPT 的竞争如今围绕效率展开

竞争压力来自模型完成推理所需的工作量，而不仅是它答对了多少题。

Anthropic 的 Claude 模型仍是编程和专业工作领域的强劲竞争者。Claude Fable 5.1 在 Artificial Analysis Intelligence Index 及其 Coding Agent Index 上领先 Astra。

Astra 的优势似乎体现在另一维度。据报道，它在可比的编程结果上与 Claude Fable 5 持平，同时使用的计算步骤更少。它所需的步骤也少于 GPT-5.6 Sol 和 Claude Opus 5。

更少的推理步骤可以降低任务消耗的总资源。这一收益可以抵消更高的单 token 价格，也能缩短等待时间，并减少智能体偏离方向的机会。

这种区别类似燃油效率。车辆的燃油价格并不能揭示完成一段旅程的成本。距离、消耗与可靠性共同决定实际结果。

AI 买家面对的是同样的核算问题。公布的输入和输出费率描述的是消耗单位，却不能说明模型完成有用工作需要多少单位。

据报道，Astra 在多项智能体任务中消耗的推理 token 少于 Sol。The Decoder 的对比估计，尽管 Astra 的单位费率更高，这种效率仍缩小了两者在完成任务成本上的差距。

无需具体价格数字，也能理解这种战略压力。Anthropic 无法仅凭赢得广泛智能指数来回应 Astra。OpenAI 也无法在 Claude 仍于重要编程测试中占优时宣称胜利。

两家公司都必须在一致条件下展示已完成的工作。这包括成功率、总计算资源消耗、延迟、人工修正，以及从失败操作中的恢复能力。

这使 Anthropic 与 GPT 的竞争不再停留于聊天机器人的主观印象。智能体系统可跨文件、浏览器、终端和企业软件运行；在用户察觉之前，其故障就可能沿着工作流扩散。

高效却不可靠的智能体几乎无法创造价值。准确率极高的智能体若耗时和计算资源过多，同样可能不具备实用性。领先系统必须同时兼顾这两项约束。

Astra 的交互效率加大了 Anthropic 的压力，因为 Claude 的声誉很大程度上建立在编程和受控工具使用能力之上。若 Astra 在自适应计算机操作上展现出明显优势，将直接触及这一核心市场。

Claude Fable 5.1 在指数中的领先同样对 OpenAI 构成压力。这使 Astra 的最高分无法成为对整体领先地位毫无争议的宣称。客户可以援引一项独立评估，其中前代级别的结果仍清晰可见。

企业团队应将这些结果视为关于工作负载的假设。以数学为核心的研究工作流可能更适合某一模型；代码库迁移或客服流程则可能得出不同排名。

团队还需要保留自身评估的记录。将提示词、输出、修正和决策保存至可搜索的 AI knowledge base，可使模型对比更易于审计。

没有这些记录，买家便可能通过令人印象深刻的成功案例来评估模型。惊艳的演示会吸引注意，而悄无声息的失败则会消失在日常工作中。

同样的问题也影响着基准测试的解读。汇总分数掩盖了任务分布。指数领先五分，并不意味着一个模型赢得每一项评估，或在每个工作流中都带来更优的经济效益。

Astra 在 Coding Agent Index 上的结果说明了这一点。Claude Fable 5.1 在分数上领先，但据报道 Astra 需要的步骤更少。如果组织更重视原始完成率而非成本，或更重视效率而非微小的分数差距，排名就会发生变化。

ARC-AGI-3 的结果进一步加剧了这场讨论，因为它将效率与适应能力联系起来。Astra 不仅在熟悉的编程任务中节省步骤，还在发现未知规则时有效地利用了这些步骤。

这种组合与真实智能体部署相关。企业软件会变化，网站会出现意外状态，代码库中也存在未记录的惯例。一个有用的智能体必须能在没有完美操作手册的情况下适应环境。

不过，ARC 的小型游戏世界仍是抽象模型。它们排除了组织中常见的许多复杂因素，包括目标模糊、访问控制、社会判断，以及错误操作带来的后果。

更负责任的结论应当更为收敛：Astra 提供了自适应推理和行动效率显著提升的证据。这些收益是否能迁移到持续性的专业工作中，仍需要独立测试。

因此，Anthropic 与 GPT 竞争的胜负将取决于部署证据。基准测试领先可以赢得试用机会；可靠且高效地完成任务，才能决定模型是否会被继续采用。

Chollet 上调了预测，但并未宣布 AGI

Chollet 的反应既承认进展加快，也坚持对通用智能的严格定义。

François Chollet 于 2019 年创建了最初的 Abstraction and Reasoning Corpus。他将其设计为测试技能习得能力，而不只是测试累积知识。

他的论点长期以来一直挑战标准的规模扩展叙事。一个系统可以在许多熟悉任务上变得更出色，却未必获得广泛的自适应智能。训练覆盖范围和基准测试准备可能会模拟出泛化能力。

ARC 任务试图揭示这种差异。它们尽量减少对语言、存储事实和可识别专业格式的依赖。模型必须根据评估期间可获得的证据推断任务。

据报道，ARC-AGI-3 发布时，Chollet 预计前沿模型大约需要一年才能在其上达到饱和。约六个月后，Astra 在 OpenAI 的专用 harness 下到来，并几乎使其达到饱和。

Chollet 将这一进展描述为比预期快约一倍。他还称 Astra 是交互式推理问题上的一次跃迁。

这些表述让他的 AGI 预测提前了，但并未给出具体日期。他也没有将单项基准结果视为充分证据。

Chollet 的推理比头条式预测更重要。ARC-AGI-3 在有限范围内测试与通用智能相关的定性特征，包括不确定条件下的探索、因果建模，以及无需明确指令的适应能力。

在受限环境中展现这些特性的模型，已跨越一个有意义的门槛。但这并不必然意味着它已在开放世界中展现出同等能力。

这一区分将能力证据与 AGI 标签分开。AGI 尚无普遍接受的操作性定义。企业、研究人员和合同可能采用不同门槛。

OpenAI 总裁 Greg Brockman 在发布时给出了更为宽泛的解读。他表示自己相信公司已经达到 AGI，同时仍由用户自行判断 Astra 是否符合他们的定义。

这种表述提高了每项基准测试的利害关系。将模型称为 AGI，会引发超越模型排名的审视，并对可靠性、自主性、迁移能力以及陌生领域中的表现产生期待。

ARC-AGI-3 支持了这一叙事的一部分。Astra 在专为抵抗直接记忆而设计的环境中展现出有效适应能力。其标准 harness 分数也仍与完整的人类覆盖率存在明显差距。

其他结果进一步印证了这种复杂图景。据报道，在 Epoch 标准化的 FrontierMath Erdős 评估中，Astra 成为唯一一个以机器检查证明解出 68 道开放问题中两道题的模型。

Lean 验证意味着形式化软件检查了这些证明在逻辑上的有效性。这使得该结果更难通过看似有说服力但实际错误的文字来夸大。

据报道，另外三个解答来自使用更多计算资源的非标准运行。由于这些尝试未遵循相同的评估预算，Epoch 未将其纳入计分比较。

这一边界至关重要。模型的最佳观测结果可以证明可能性；标准化运行则提供了更好的比较基础。

Astra 在形式数学上的表现表明，其搜索和验证能力更强。但它在部分专业任务和长上下文任务上的较弱结果显示，这些能力并不会均匀迁移。

AGI 的宣称必须回应这种不均衡性。通用智能并不等同于一系列破纪录的分数；它意味着当环境、目标和证据共同变化时，仍能可靠适应的能力。

更早的 ARC 故事提供了警示。OpenAI 的 o3 曾在 ARC-AGI-1 上取得重大成果，并引发了类似的门槛是否已被跨越的讨论。

研究人员后来强调了成本、任务暴露程度，以及基准掌握与通用智能之间的差异。ARC-AGI-2 和 ARC-AGI-3 的创建，部分目的是恢复评估空间。

Astra 的表现比 Chollet 预期更快地压缩了这一空间。这才是预测变化的实质。基准设计者如今拥有更少时间来构建在前沿领域仍具信息价值的测试。

教训并非评估已经失败，而是有用的基准需要持续更新。一旦任务趋于饱和或被直接针对性优化，它区分通用适应能力与专项优化的能力就会有所下降。

基准测试中的差距是保持谨慎的最有力理由

当把 harness、覆盖范围和汇总方法结合起来审视时，Astra 的结果就不那么具有决定性。

第一个不确定性涉及评估范围。Epoch 的 169 分概括了一个广泛但仍在演变的集合。Artificial Analysis 的 61 分则反映了不同的固定任务组合和权重。

当一个模型在某一领域缺少结果时，综合指数可能发生变化。它也可能强调新模型在发布时接受大量测试的领域。

据报道，Epoch 早期的 Astra 记录中编程覆盖有限。Claude Fable 5.1 在多项编程评估中保持最佳结果。因此，比较两者的头条总分可能掩盖证据并不对等这一事实。

第二个不确定性涉及 harness 设计。harness 控制模型如何接收上下文、保留状态、使用工具并提交答案。

ARC Prize 的标准 harness 允许选定笔记持续保留。OpenAI 的 provider adapter 则保留不透明的推理状态，并压缩长交互。这些是实质不同的运行条件。

99.9% 的分数展示了 Astra 借助其原生基础设施能够做到什么。它不应被呈现为对通过标准接口测试模型的直接胜利。

随着模型提供商优化完整系统，这个问题会愈发突出。隐藏推理、专有记忆、路由和工具策略可以改善结果，却会降低独立复现性。

第三个不确定性涉及任务迁移。ARC-AGI-3 将适应能力隔离在小型交互世界中。这使测试在科学上很有价值，却在操作层面并不完整。

企业智能体必须应对权限、相互冲突的指令、不清晰的目标和不断变化的外部系统。它还必须知道何时停止并请求人工判断。

Astra 的操作效率并不能验证这些行为。以更少操作完成谜题，与在不造成损害的前提下编辑生产数据并不相同。

OpenAI 的安全材料也提供了另一个需要谨慎测试的理由。该公司表示，Astra 接受了比 Sol 更强的鲁棒性和对齐训练；它也承认，监控高级推理变得更加困难。

其安全概览讨论了网络安全和工具使用部署的控制措施。在更广泛的独立评估出现之前，公司的安全主张仍属于提供商自行报告。

能力更强的计算机使用既提高价值，也增加风险暴露。能够高效操作软件的智能体可以自动化长工作流；同样的自主性也会放大误解指令或访问控制薄弱带来的后果。

另一个担忧涉及针对基准进行优化。Chollet 最初的预测包含一个关于实验室会多直接地追逐 ARC-AGI-3 的条件。

围绕交互式推理训练或调优的模型，可能在不获得其他领域同等能力的情况下快速提升。这并不会使结果无效，但会限制这种提升能够被泛化的范围。

与静态问题相比，交互世界的数据污染问题并不那么直接。提供商仍可围绕基准原则、接口或开发反馈进行优化。

重复评估也会产生选择效应。在许多次尝试中挑出的最佳配置，可能看起来远强于普通部署下的预期结果。

ARC Prize 页面列出了多种 Astra harness 配置。买家应区分最佳观测运行与固定设置下可重复的表现。

成本预算进一步复杂化了比较。Astra 的 62.7% 标准 harness 运行使用了可观的评估预算。provider-adapter 结果的总体成本更低，但依赖专用设置。

关键问题并非这些投入是否合理，而是其他模型是否获得了对等的机会、设置和基础设施。

对人类效率的比较同样需要谨慎。Astra 在成功任务中使用的操作次数少于平均人类。人类则解决了该基准环境中更广泛的一部分。

以成功为条件衡量的效率，并不等同于整体优势。一个系统可能在理解任务时行动直接高效，却会在其他任务上彻底失败。

报道应同时保留这两项事实。Astra 超过了人类平均行动效率门槛，但在标准测试框架下并未达到完整的人类覆盖水平。

因此，基准测试结果分歧本身比任何单一排名都更有价值。它揭示了“最佳”一词所掩盖的维度。

Astra 在自适应推理、部分科学任务和高效的智能体工作方面似乎更强。Claude Fable 5.1 则在一项重要的独立智能指数和多项编程指标上保持优势。

这种不确定性应当影响部署决策。组织需要具有代表性的任务、固定预算、重复试验以及记录在案的人工干预。他们应像检验首次尝试的成功率一样，认真测试失败后的恢复能力。

团队可以通过一套有文档记录的 AI workflow 保存这些结果。持久的评估记录能让之后的模型变化更容易比较。

没有任何公开基准测试能复现每个组织的全部约束条件。不同基准之间的差距并非应被平均掉的噪声，而是关于各模型能力集中在哪些领域的信息。

三个信号将决定 Astra 是否改变了竞争格局

接下来的考验在于，Astra 的自适应效率能否经受中立评估和普通专业场景使用的检验。

第一个信号是更广泛、与提供商无关的 ARC-AGI-3 测试。Claude Fable 5.1、更新的 Gemini 模型及其他前沿系统，需要通过标准测试框架进行可比的运行。

如果竞争对手仍接近 Claude Opus 5 所报告的区间，Astra 的领先优势会更加稳固。如果其他模型在相同条件下评估后也接近 62.7%，这一优势就会被削弱。

重复运行 Astra 的结果同样重要。稳定的分布将表明，该结果反映的是可靠能力。大幅波动则意味着观察到的最佳分数高估了常规表现。

第二个信号是扩大独立编程和计算机使用能力的覆盖范围。Epoch 的指数需要在一致的推理设置下取得更多 Astra 结果。

如果新增编程测试仍保持其领先地位，模型的 169 分将更具可信度。如果更完整的覆盖使 Astra 接近 Sol 或低于 Claude Fable 5.1，这一分数的说服力就会减弱。

真实的计算机使用研究应报告任务完成情况、耗时、干预次数以及错误造成的损害。仅凭 token 总量无法衡量失败智能体带来的运营负担。

独立评估者还应将原生提供商系统与通用测试框架区分开来。两者都很有价值，但回答的是不同问题。

原生评估展示的是客户可以获得的最佳产品。标准化评估则能更好地剥离底层模型能力，并实现更公平的比较。

第三个信号来自持续部署的证据。OpenAI 起初仅向有限数量的组织推出 Astra，之后才扩大可用范围。

这些用户可以测试交互式推理能否迁移到代码仓库、浏览器、研究流程和企业系统中。最有力的报告将记录重复执行的任务，而非精心挑选的演示。

如果 Astra 能以少量示例和有限的人工纠正学会陌生工作流，它将强化 AGI 的解释。如果用户必须围绕它大量准备环境，这种解释就会被削弱。

尤其应关注失败恢复能力。通用适应能力不只是找到一条成功路径。一个系统还必须识别错误、修正假设，并避免重复有害操作。

随着两家提供商都发布以智能体为重点的结果，Anthropic 与 GPT 的竞争将更加激烈。Claude 的回应不必超过 Astra 的每一项分数，而需要证明其可靠性或效率在哪些方面能带来更好的已完成工作。

OpenAI 面临同样的责任。ARC-AGI-3 的跃升为自适应推理提供了可信的主张，但并未抹去 Claude 在 Artificial Analysis 上的领先地位，也未掩盖 Astra 较弱的个别结果。

因此，Chollet 修订后的时间表最好被理解为一种提醒：应更新预期。前沿系统获得交互式推理能力的速度，快于这位知名基准测试设计者此前的预期。

这并不能得出一个确定的 AGI 日期。它缩短了现有测试仍能将前沿系统与人类自适应行为区分开的时期。

开发者应通过未知状态而非仅仅润色过的提示词来评估模型。企业采购方应在衡量准确率的同时，衡量纠正和监督。知识工作者则应询问：当智能体的首次理解失败时，它能否恢复。

重要的问题不再是哪一个排行榜值得绝对信任，而是哪项评估更接近被委派的工作，以及其条件是否与预期部署相符。

Astra 目前在陌生的交互式任务上拥有最引人注目的结果。Claude Fable 5.1 在另一项主要独立指数上拥有更强的分数。Epoch 则将 Astra 排在总体领先位置。

这些发现都可能成立。它们共同表明，前沿模型的竞争已经超越了单一数字所能概括的范围。

选择一个具有代表性的工作流，保留证据，并在中立的 ARC 结果和更广泛的编程评估到来时重新测试。与其继续争论 Astra 是否已配得上 AGI 标签，这种方法能揭示更多信息。