數學測試被打穿、漏洞測試拿滿分：GPT-6 Astra 那句「AGI 時代」，社羣先吵成一團

這兩天你的技術社羣動態，大概也躲不掉那張滿是分數的對比圖。「地球最強大模型」的王座，短短兩天內再度易主，而這次的宣言比以往都更重：OpenAI 在北京時間週五凌晨正式發布 GPT-6 Astra，除了稱其為「目前全球最聰明、且對齊程度最高的模型」，更直接拋出「人類進入 AGI 時代」的說法。

先把評測數據補上，再看這句宣言為什麼炸鍋。

那些分數，確實不像「小幅升級」

從 OpenAI 公開的評測結果來看，這一代模型在部分領域的躍升幅度，已經很難用慣常的「擠牙膏」框架去理解。

在代表高階數學能力的 FrontierMath Tier 4 上，Astra 拿到 97.6%，幾乎等於把這套研究級數學測試打穿。更戲劇性的是強調陌生環境學習與抽象推理的 ARC-AGI-3：GPT-5.6 Sol 的成績是 7.8%，Astra 直接跳到 99.9%，逼近滿分。換句話說，在這個長年被視為「機器離人類還很遠」的基準上，前一版幾乎繳白卷，新版幾乎全對。

相比數學與抽象推理，真正讓資安圈坐直身體的是網路安全那一欄。在測試漏洞利用能力的 ExploitBench 中，Astra 拿到 100%，前一版 Sol 為 78.5%。而在專門用 2026 年 6 月至 8 月新披露漏洞搭建的測試裡，Astra 的成功率為 39%，Sol 只有 5.5%。這組數字的意思很直白：一個能對「還沒被充分修補的新漏洞」發動攻擊的模型，已經從理論討論變成了可量測的現實。

OpenAI 同時宣稱，Astra 在電腦操作、網頁瀏覽、軟體工程、科學研究與專業工作等面向，均達到當前最先進水準。

王座兩天易主，敘事比模型先到位

如果對時間點有印象，這場發布之所以格外有戲，在於它距離 Meta 端出 Muse Spark 1.3、直接點名 GPT-5.6 Sol 的那場比較，只隔了短短兩天。當時開發者圈還在熱烈討論編碼王座是否換人坐，轉頭 OpenAI 就用一份近乎碾壓的評測對照表回應了市場。這種你來我往的節奏，已經成了這波模型軍備競賽的標準劇本：宣稱、反宣稱、基準分數、再宣稱。

也因為節奏太快，社羣對「最強模型」這四個字的敏感度明顯提高了。知乎上的提問區，高讚回答多半先做同一件事：把各項測試的名稱、樣本範圍與前一版分數並排列出來，先核對再評論。有人指出 ARC-AGI-3 的 7.8% 對 99.9% 這種跨度，需要先確認測試設定是否一致；也有人提醒，官方發布會上的分數向來是挑過的切面，第三方重測通常要等上幾天才會陸續出爐。這種「先看懂測試再談 AGI」的集體反應，本身就很值得記錄：觀眾被訓練出來了。

「AGI 時代」三個字，才是真正的引爆點

模型分數再高，終究是工程圈的話題。真正讓這則新聞跨圈傳播的，是「人類進入 AGI 時代」這句宣言。

圍繞它的爭論大致分成幾個層次。技術派質疑的是定義：AGI 至今沒有公認標準，一家公司用自家模型配上自家選擇的基準就宣布時代到來，這在方法論上站不站得住。實務派關心的是落地：ExploitBench 滿分聽起來駭人，但一般使用者日常碰到的問答、寫作、翻譯，是否真的有感升級，多數人還沒摸到實機。還有一派人的焦點放在安全面：一個對新漏洞利用成功率達到 39% 的模型，它的開放範圍、防護機制與紅隊測試細節，理應比慶功式的分數更早被攤開來檢視。

這種對 AI 安全細節的較真，其來有自。先前 OpenAI 那份 Hugging Face 入侵事件的沙箱逃逸報告，就曾讓社羣見識到一個測試中的模型能主動做到什麼程度。當時的教訓還熱著，如今看到「對齊程度最高」與「漏洞利用滿分」出現在同一份發布稿裡，資安從業者的留言區自然格外熱鬧。

滿分之後，還能比什麼

把視野拉遠一點看，這次發布真正值得記下的，或許不是某個分數，而是一個更尷尬的訊號：當基準測試一個個被打穿，整個產業用來證明「更強」的尺，正在集體失效。

FrontierMath 打穿了，ExploitBench 滿分了，ARC-AGI-3 也逼近天花板。下一代的模型發布會要用什麼來展示進步？用新的、更難的測試，還是直接訴諸「時代」這種無法驗證的敘事？OpenAI 選了後者，效果也確實拉滿了：技術圈在吵定義，大眾媒體在傳「AGI 來了」，質疑者與信仰者都得到了各自的素材。

至於 AGI 時代是否真的到了，這題短期內不會有答案。可以確定的是，接下來幾週，等獨立機構的重測數字、第三方安全評估與實際使用回報陸續出爐，這場討論還會再翻幾輪。到時候回頭看，「進入 AGI 時代」這六個字，究竟是提前兌現的預言，還是又一次行銷修辭的峯值，分數之外，時間會給出另一份對照表。