BLOG
GPT-6 号称“AGI 时代”，我拆完 benchmark：强是真的，AGI 是话术
开场：GPT-6 一发布，全网都在喊”AGI 时代来了”
9 月 3 日，OpenAI 发布了新一代旗舰模型 GPT-6 Astra。总裁 Greg Brockman 说它”可能最终被视为 AGI 的到来”，媒体直接翻译成了”欢迎来到 AGI 时代”。
接着就是熟悉的场景：一张张 benchmark 截图刷屏，ARC-AGI-3 拿了 98.6% 的消息满天飞，评论区一半在喊”AGI 来了”，一半在喊”又炒概念”。
拾闻：GPT-6 这波，是真突破，还是发布会语言？ 永亮：一句话——强是真的，AGI 是话术。 拾闻：行，那先把”强在哪”和”吹在哪”分开聊。
Q1：GPT-6 到底强在哪？这些强是真的吗？
永亮：强是真的，而且强的地方很具体，不是虚的。
先说几项硬进展，每一项都能在官方页面和第三方测评里查到：
第一，computer use——真的能”用你的电脑”。 这是 GPT-6 主打的招牌能力：你给它一个目标，它能自己操作鼠标键盘、打开软件、填表单、走完一套多步流程。以前这是各家都在吹但落地很糙的方向，这次是真的往前迈了一大步。
第二，agentic coding——写代码的”智能体”能力。 在 DeepSWE v1.1 这个 113 道任务的智能体编程基准上，Astra 拿了 74.1%，超过上一代 GPT-5.6 Sol 的 72.7%。别小看这两个点的差距——这已经是很高的分数段，每涨一点都难。
第三，超长上下文。 1.1M token 的上下文窗口，一口气读进去一本几十万字的内容再干活，不用拆来拆去。
第四，训练规模。 首次用超过 10 万张 GPU 预训练，OpenAI 历史上最大的一次。这是真金白银砸出来的。
OpenAI 官方那张综合对比图里，Astra 59.3%，Claude Opus 5 55.5%，上一代 Sol 53.6%。它是真的变强了，不是换壳。 这一点，我得给 OpenAI 说实话：这波有真东西。
Q2：ARC-AGI-3 拿 98.6%，AGI 真到了吗？
永亮：没到。而且那个 98.6%，本身就有点水分。
先拆那个分数。ARC-AGI-3 这个基准，ARC Prize 官方跑的时候用了两种设置：一种让模型带着完整对话历史去答题，一种只让它带着笔记。结果同一个 GPT-6，一种跑出 99.9%，另一种只跑出 62.7%——同一个基准，换个设置差了 37 分。
这说明什么？说明”98.6%“不是一个客观的能力读数，它是一个特定设置下的数字。你换个 harness，分数就掉一大截。媒体抓的永远是最高那个数，但真实的边界在 62.7% 到 99.9% 之间晃。
再拆 AGI 本身。ARC-AGI-3 到底测的是什么？按 ARC Prize 自己的说法，它测的是”agentic intelligence”——让模型在全新的、抽象的环境里探索、猜目标、建立自己的内部模型。这测的是”会不会在新环境里动脑子”，不是”是不是通用智能”。 拿它当 AGI 的判决书，是偷换概念。
还有 OpenAI 对 AGI 的定义——他们自己以前说的是”能完成所有有经济价值的工作、做得跟人一样好甚至更好”。GPT-6 到没到这个程度？它连自己服务的稳定性都保证不了（发布前一天还集体宕机），离”所有工作”差着十万八千里。
最后说个最容易被忽略的：ARC-AGI-2 时代，GPT-5.4 只拿了 0.26%，人类是 100%。这一代突然跳到 98.6%——这么大的跳跃，本身就值得怀疑是不是针对性刷分。 分是真的，但分背后的”能力含金量”，要打问号。
所以我的结论很直接：强是真的，AGI 是话术。 把”强”说成”AGI”，是发布会的语言，不是技术的语言。
Q3：10 万 GPU、recurrent depth、网络安防被限制、2.5 倍价格——OpenAI 在赌什么、又在怕什么？
永亮：这几个信号摆在一起，说明 OpenAI 一边在赌，一边在怕。
赌什么？赌算力规模。 10 万 GPU 训练、2.5 倍的价格、1.1M 上下文——这是在赌”堆资源换能力”这条路还走得通，而且走通了就能卖最贵。GPT-6 是 OpenAI 史上最贵的公开 API 模型，$10/百万输入 token、$50/百万输出。它赌的不是”够用”，是”最强的人愿意为最强买单”。
怕什么？怕的是能力失控。三个细节：
第一，recurrent depth 会”藏”推理过程。 GPT-6 用了新的推理技术，会把模型的思考链部分遮起来，不让你看它怎么得出答案。The Information 直接点名这是安全隐患——模型越强，越不让你看它怎么想的，这本身就值得警惕。
第二，网络安防能力被锁起来。 GPT-6 在 ExploitBench 这类安全基准上拿了 100%，任意代码执行率也大幅超过上一代。听起来是好事？但一个能这么快写攻击代码的模型，如果敞开给人用，就是现成的攻击工具。所以 OpenAI 把最强的那块网络安全能力，先只开放给一小撮通过审核的测试者。它自己先踩了刹车。
第三，这次发布本来就推迟了。 7 月 OpenAI 在 Hugging Face 上出过安全事件，之后专门延迟了发布、补了安全措施。GPT-6 能今天见人，是一路踩着刹车踩过来的。
把这些放一起，你就明白 OpenAI 的真实处境了：它想让你相信 AGI 到了（为了估值和竞争），但它自己很清楚，能力越强越要收着用。 这俩心态，同时存在于同一家公司身上。
Q4：模型都喊”AGI”了，职场人真正该焦虑的是什么？
永亮：绝大多数人焦虑错了方向。
模型一发布，评论区最常见的声音是”完了，AGI 来了，我是不是要被替代了”。但你看清楚了吗——GPT-6 强，不代表用 GPT-6 的人强。
同一把刀，厨师用它切出满汉全席，普通人用它还是切到手。AI 也是这个道理：模型能力上去了，只是把上限抬高了；你能不能摸到那个上限，取决于你自己的能力。
所以职场人真正该焦虑的，不是”模型太强”，是这三件事：
第一，你只会”用”，不会”判断”。 让 AI 写个方案、写段代码，你敢不敢说”这段能用、这段不能用”？AI 越强，越需要有人把关——敢下判断、能兜底的人，反而更值钱了。
第二，你的能力”证明不了”。 面试官问你”会用 AI 吗”，你说”会”，然后呢？说不出一套东西，就露馅了。“我好像会 AI”是最危险的状态。
第三，你还在刷碎片。 东看一个教程、西看一个视频，收藏夹里几百条，脑子里不成体系。碎片化学习在 AI 时代是最低效的——因为模型本身就能给你碎片，你缺的不是碎片，是体系。
一句话：模型越强，职场人之间的差距，越会从”谁会用工具”变成”谁能证明自己会用、谁能用它解决真问题”。
Q5：模型越来越强，职场人该怎么学、怎么证明自己会用 AI？
永亮：三条，照着做就行。
第一，别追最新模型，追”可证明的能力”。 GPT-6 出来了，下个月可能还有 GPT-6.5。你追版本永远追不上，也没必要追。真正该追的，是”我能不能用 AI 把我这个岗位的活儿，从头到尾完整做下来”——能做下来，就是能力；做不下来，模型再新也白搭。
第二，把碎片整理成体系。 与其刷 100 个零散教程，不如完整跟完一条学习主线：从”AI 能干什么”到”我岗位上的具体场景怎么落地”，最后能回答一个问题——“这套东西在我手上怎么用起来”。你整理过的、能讲出来的，才是你自己的。
第三，让技能变得可验证、可交付。 这个我建议系统学一遍、拿个认证。注意，认证的价值不是那张纸，是它逼你把零散经验逼成体系——学完你能说清”我学了什么、能做什么、在什么场景下验证过”，而不是”我刷过很多教程”。简历上写”熟练使用 AI”，不如一条能查证的认证来得实在；对用人单位来说，“有体系、能验证”就是敲门砖和简历加分项。
别把考证理解成”考了就涨薪”——那是骗人的。把它理解成”给自己一次把能力整理成体系的硬约束”，这才是它真正的价值。
尾声
拾闻：最后，用一句话总结这期？ 永亮：模型离 AGI 还有距离，但你离”会用 AI”的距离，比你以为的近——关键不是追最新模型，是把你会的，变成可证明的。 拾闻：这句话，送给大家。下期见。
【技术纵深】为什么 benchmark 分数不能全信？
这期反复在说”拆分数”，那就把这个技术问题说透——为什么同一个模型，分数能差这么多？
第一，harness 口径。 同一个 ARC-AGI-3，模型带不带完整对话历史、允许带多少”草稿纸”，都会改变结果。GPT-6 的 62.7% 和 99.9%，就是这种口径差异的产物。“分数”从来不是一个客观常数，它是一个特定实验设置下的输出。 媒体只报最高分，就等于只报了你最好看的那个角度。
第二，overfit（刷分）。 公开基准的问题在于，模型团队知道考题方向，就可以针对性训练。ARC-AGI-2 当年多难？GPT-5.4 只有 0.26%。结果不到一年，ARC-AGI-3 直接冲到 98.6%。能力真涨了这么多吗？部分是真的，但很大一部分是”模型学会了这张考卷的套路”。所以圈子里已经在喊”需要新的、封闭的基准”。
第三，基准会”饱和”，所以一直在换。 ARC-AGI-2 被刷到接近满分，才出了 ARC-AGI-3 换考法。你今天看到的 98.6%，大概率明年就会被新的基准重新”打回原形”。分数是追着基准跑的，不是追着”智能”跑的。
对普通人来说，记住一条就够：看一个模型好不好，别看它 headline 那个最高分，看它在你自己的真实任务上表现怎么样。 你让 GPT-6 帮你写周报、做表格、查资料——它顺手不顺手，比任何 benchmark 都准。
事实核对表
| 文中说法 | 事实依据 |
|---|---|
| GPT-6 Astra 9/3 发布 limited preview，公众 9/5 开放 | Wikipedia “GPT-6 Astra” 词条 |
| 首次超 10 万 GPU 训练（德州 Stargate） | Wikipedia 引 OpenAI 研究 VP Aidan Clark 原话 |
| 1.1M token 上下文窗口 | llm-stats.com / ComputingForGeeks 等 |
| 价格 $10/M input + $50/M output，约 2.5 倍于 Sol | OpenAI 官方 + overchat.ai（Sol 为 $4/M） |
| 综合对比 59.3%（Astra）vs 55.5%（Opus 5）vs 53.6%（Sol） | OpenAI 官方发布页 |
| DeepSWE v1.1：Astra 74.1% vs Sol 72.7% | Vellum（引 OpenAI 官方 Coding 表） |
| ARC-AGI-3 同一基准跑出 62.7% 与 99.9% 两种分数（harness 口径） | ofox.ai / ARC Prize 官方 |
| ARC-AGI-3 测”agentic intelligence”（探索新环境、推断目标） | arcprize.org 官方说明 |
| ARC-AGI-2 时代 GPT-5.4 仅 0.26%（人类 100%） | happycapyguide 引 ARC 数据 |
| Brockman 说”可能最终被视为 AGI 的到来” | Wikipedia 词条 |
| ”欢迎来到 AGI 时代” | Axios 标题（非 OpenAI 官方原话） |
| recurrent depth 遮蔽部分推理链、引发可监控性担忧 | Wikipedia + The Information |
| 网络安全能力被限制（Daybreak Blue 测试者） | Wikipedia + CNBC |
| ExploitBench 100%、任意代码执行率大幅高于上一代 | gptunnel / OpenAI 官方发布页 |
| 7 月 Hugging Face 事件后延迟发布 | Wikipedia 词条 |
| 考证”简历加分、敲门砖、体系学习”，非”包过/涨薪” | 嘉宾个人观点，符合合规口径 |
知乎版差异
- 标题可换：《GPT-6 的 98.6% 有水分吗？拆穿”AGI 时代”的 benchmark 陷阱》（搜索长尾，带关键词）
- 技术纵深前移：知乎读者吃底层推导，可将【技术纵深】的”harness 口径 / overfit / 基准饱和”提到 Q2 之后，并补充”闭源基准为何难防刷分”的方法论讨论
- 增加批判视角：在 Q2 补一句”发布会语言 vs 技术语言的本质”——AI 公司为什么普遍爱用 AGI、里程碑这类词，因为注意力即融资，这解释了每次发布必伴随夸大
- 结尾加”以上为个人观点，仅供参考”
公众号版排版备注
- 开场金句”强是真的，AGI 是话术”在首屏加粗突出，保证 3 秒停留
- 保留金句加粗：“模型越强，越不让你看它怎么想的”、“敢下判断、能兜底的人反而更值钱”、“认证的价值不是那张纸，是它逼你整理成体系”
- Q1 的四个”强”可做一张”GPT-6 真本事清单”卡片图，Q2 的”62.7% vs 99.9%“可做对比图，方便手机端扫读