突发，OpenAI GPT-6跑分作弊被抓包了！

新智元报道 惊天大瓜！ GPT-6 Astra的跑分，竟翻车了...... 就在今天，外媒爆出OpenAI官博上线前后，多项评测数据发生变化—— Astra的幻觉率，一度从4.2%降至2.0%，随后又恢复； Anthropic Claude的一项数学成绩， 还曾被调低近10个百分点 。 不仅如此，ARC-AGI-3得分从媒体提前拿到的98.6%，一下变成了官宣的99.99%。 面对这场「作弊」风波，OpenAI压根没接茬。 毕竟在内部， GPT-6 Astra就是公认的第一个真·AGI 。 今天，「赛博义父」Tibo也直接挑明，「在Astra全面放开前，它就是我们手里最大的底牌」。 内部用上之后，研发效率原地起飞，硬是把部分产品计划提前了整整半年。 这下，全网彻底坐不住了。 就在9月29日的DevDay上，OpenAI还要端上更重量级的发布！真是期待住了。 GPT-6偷改跑分 手动削弱Fable 5.1 这次OpenAI跑分被抓包，究竟是怎么一回事？ 4日那天，OpenAI原定上线的下一代旗舰GPT-6 Astra博文，罕见地推迟了两个小时。 网址早已扔出来了，但点进去一直是404。 眼看要翻车，奥特曼赶紧在X上发文打圆场，自称发布过程「遇到了点小插曲」。 结果大家一扒才发现，事情根本没那么简单。 GPT-6 Astra的官博上线后，内部评测跑分悄然发生巨变！ 刚发出来没几个小时，好几项基准测试成绩，就被OpenAI悄悄改了好几轮。 最绝的操作，是在幻觉率数据上的「刀法」。 美东下午2:23快照中，Astra的幻觉率明明白白写着4.2%，GPT-5.6 Sol是12.2%。 结果才过了仨小时，到了5:20，这两个数字直接玩起了大缩水，硬生生被砍成了2.0%和9.4%！最后人们拿着截图对峙后，OpenAI又恢复了原值。 数学评测，也出现了类似情况。 在FrontierMath Tier 4（v2）上，Astra成绩虽稳在97.6%，但劲敌Anthropic旗下最新模型Fable 5.1却被离奇调低了近10个百分点。 从87.8%降至78%，随后又回弹至83%，瞬间衬托出Astra的「巨大优势」。 就连全网吹爆的 ARC-AGI-3，也被OpenAI注水了。 媒体提前拿到的预热稿，明明还是98.6%；等正式博文一上线，好家伙，直接原地暴涨到了99.99%！ 对于这一系列离谱的数据横跳，OpenAI官方发言人出面辩解，这属于「消除噪点的常态修正」。 同一个模型，配套系统不同，最终成绩可能相差很大。 这也是如今「Benchmaxxing」争议的核心：反复调整条件，寻找最高分，再把最高分放进发布图表。 这样的成绩可以展示系统上限，但需要同时披露条件。 否则，人们很容易把精心配置后的最佳表现，当成日常使用的默认水平。 Astra太爱追问？ 官方提示词发布 GPT-6 Astra的提示词指南，恰好提供了理解这种差异的另一个入口。 在这份文档中，官方不仅没有一味神化Astra，反而罕见地列出了模型的一堆「毛病」： 太爱反问、容易撂挑子 只要指令稍微模糊点，Astra就立马停下来追问，长流程动不动就被打断。 对于这个问题，OpenAI建议开发者们，在System Prompt中强制加入「行动偏好指令」，要求Astra直接给出可复查的成型产物。 提示中应删除基于假设性风险的未经请求的警告、免责声明或安全检查清单。 当用户的提示词表达了行动诉求时（如“你能否……”、“我想……”、“帮我……”等类似表述），应将其视作开展工作并采取行动的明确指令。不要仅停留在确认自身能力（例如“可以……”）、提出计划或询问是否继续。不要为了节省时间、精力或Token而满足于提供不完整的、或者看似“足够有帮助”却未能完全解决用户任务的折中方案。如果一项任务需要持续推进，请完成全部必要的工作，直到达成预期的最终成果。 上下文与Skill文件配置冲突卡死 Astra对 AGENTS.md 等外部Skill指令极度敏感，一旦指令冲突就会锁死。 为此，OpenAI专门提供了一套调试Prompt，迫使模型在停滞时指出具体是哪一份文件哪一行指令导致了中断。 如果某个技能导致你请求许可或确认、暂停、未完成所要求的工作、或偏离了用户的意图，请指明并链接到你所阅读的具体 SKILL .md 文件，引用相关指令，并简要解释其如何适用。请将技能的明确要求与你对准则的解读区分开来。 流程冗余、协作割裂 跑代码任务严重「过度测试」，无效Token消耗很大；而且子Agent间的横向配合很被动，基本没有联动。 就连OpenAI自己， 都开始主动给AI味「去油」了 。 这一次，官方直接列出一份「AI泔水词」黑名单，专门整治长文里最常见的几类毛病： 高频行话 ：像delve into、foster、leverage 这种一股「AI味」的词，一律不让用。 机械句式 ：像「值得注意的是……」、「这不是 A 而是 B」这种反差句式，全部封杀。 套板反应 ：全面剔除「总结/结论」等标签化套话。 目的很明确，逼着Astra少说套话、少端腔调，把长文写得更自然、更精炼，也更像人。 避免在结论中使用如“ Bottom Line :”（总结 /底线：）这类的套话或低质词句，例如“delve”（深入探讨）、“foster”（培养/ 促进） 、 “leverage”（利用 /杠杆化）、“it's worth noting”（值得注意的是）、“importantly”（重要的是）、“Question? Answer.”（自问自答句式）或“This isn't about X. It's about Y.”（这关乎的不是X，而是Y）、“genuinely”（真诚地/ 确实地），以及带连字符的复合描述与形容词 。 不要使用总结性的收尾陈述，例如“ In short: .. ”（简而言之： …… ） 、 “ The simplest mental model is : ... ”（最简单的思维模型是： …… ） 。 直接陈述拟执行的操作 。 避免额外提及你不会做什么 、 哪些内容将保持不变，或者你将如何区分或分类结果 。 不要使用对比式结构，例如“ X , not Y ”或“ X —not Y ”，这种结构会引入用户未曾询问且未经提示的替代选项 。 避免使用自创的复合标签（如“exact - head checks”和“editorial - row layouts”） 、 含糊的限定词和生搬硬套的过渡语；请使用朴实的动词和介词直接陈述实际关系 。 这反过来也说明，今天的大模型成绩，早就不只是「裸模型能力」。 提示词怎么写、Agent怎么编排、给不给工具、跑多少次、选哪个checkpoint，都可能直接改写最后那张榜单。 AI递归自我改进， 终极版27年面世 跑分作弊被抓包看似是一场公关灾难，但将其置于OpenAI当前的生死时局下，逻辑便清晰起来。 技术博主@imjustnewatai表示，OpenAI内部早在数月前便已迈入了递归自我改进（RSI）早期阶段。 Sol协助训练Astra，Astra协助训练Doug和Bel，Doug再参与下一代模型的训练。 内部人士披露，作为更大规模预训练基座的