GPT-6 Astra 评测矛盾，但 ARC-AGI-3 效率超人类，Chollet 提前 AGI 预测

OpenAI 发布 GPT-6 Astra，但不同基准测试结果矛盾：Epoch AI 评分 169 分领先，Artificial Analysis 则认为其性能未超前任且落后于 Claude Fable 5.1。在 ARC-AGI-3 上，其效率首次超过普通人平均水平，促使 ARC Prize 负责人 François Chollet 将其 AGI 预测时间提前，称进展速度是他预期的两倍。

此前尚无模型在 ARC-AGI-3 上效率超过人类，此次是首次突破；同时评测结果分歧表明模型能力评估标准混乱，可能影响行业对模型可靠性的信任与采用决策；官方负责人调整预期进一步突显指标意义。

Chollet 认为 ARC-AGI-3 衡量抽象推理与泛化能力，效率超过人类暗示模型在任务中展现出更接近人类的学习与适应机制，可能源于训练数据与方法的改进。他依据进展速度推断 AGI 时间线，但未提供具体技术细节或内部机制，因此具体原因尚不明确。

若 ARC-AGI-3 效率超人类可信，产品或研发团队可将类似推理能力迁移至自动决策、代码生成、数据分析等场景，提升任务处理速度并减少人工介入；但评测矛盾使模型实际能力存在不确定性，需在小规模测试中验证后再投入关键业务。

• 针对 ARC-AGI-3 类推理任务构建评测集，评估其他模型是否具备类似高效能力，以辅助选型。
• 在内部工具中试点集成 GPT-6 Astra，对比其与现有模型在推理效率上的实际差异。
• 开发基于 ARC-AGI-3 基准的自动化测试流程，持续监控模型能力变化。

• GPT-6 Astra 的 ARC-AGI-3 具体得分与人均水平如何，测试样本与条件是否公开？
• 其他评测（如 Epoch AI、Artificial Analysis）为何结果矛盾，是否因测试集边缘情况不同？
• Chollet 将 AGI 预测提前到何时，依据的具体计算模型是什么？
• 该效率提升是否由特定架构或训练方法导致，而非算法全面进步？