朋友圈又炸了这次不是因为什么娱乐八卦而是科技圈集体刷屏的一句话GPT-6 Astra 来了AGI 测试干到几乎满分。我盯着那几张内测截图看了半天第一反应不是哇好厉害而是这速度未免也太快了。上一代模型才刚落地没多久各种评测榜单还没捂热这新一代直接甩出一张接近满分的 AGI 成绩单还附带一天攻破 5 道数学难题这种听起来像是玄幻小说标题的战绩。作为常年泡在模型评测和 Agent 工程里的人我觉得这事值得认真拆一拆所谓AGI 测试几乎满分到底是怎么测出来的多模态、Agent、模型端推理端这些关键词串在一起又说明了什么还有那些跑分作弊的质疑到底有没有道理这篇文章我不打算写成新闻复述更想从一个从业者的视角把这次发布背后真正值得关注的东西翻出来聊。适合谁看关心大模型能力边界的产品经理、正在做 Agent 落地的工程师、以及被AGI 降临刷屏但又有点将信将疑的朋友这篇应该都能给你一些新的判断角度。1. 为什么几乎满分这个说法比新模型发布更能引发技术圈震动先说结论技术圈对新一代大模型发布这件事其实已经有点脱敏了。毕竟从 GPT-3 到 GPT-4再到后来各路开源闭源模型你方唱罢我登场大家见惯了几百项指标同时暴涨的屠榜时刻。所以单纯说我们发布了一个更强的模型顶多换来一句哦跑分又涨了。但是AGI 测试几乎满分这个说法完全不是同一个量级的信息它直接戳中了所有人心里那个终极问题机器到底有没有接近通用智能以及更现实的——我的工作是不是真的快没了1.1 所谓AGI 测试到底测的是什么首先要搞清楚一件事AGI 测试和我们平时看的 MMLU、HumanEval、GPQA 这类基准完全不是一回事。传统基准考的是单项能力就像高考单科卷子数学考得好不代表语文也好。而 AGI 测试的设计思路更像是综合能力面试要求模型在同一套体系里面完成跨领域的推理、规划、工具使用、多模态理解甚至是从错误中自我修正它考察的是这些能力的组合拳。这次曝光的测试里GPT-6 Astra 涵盖的维度相当杂复杂数学证明、长程任务规划、跨模态信息融合、代码编写与调试、以及一个特别值得玩味的环节——在不确定信息下做决策。这几个维度放在以前基本上是每一个方向养活一个独立研究组的状态能在模型层面用一个框架全部逼近满分意味着通用性不再是口号而是真的被压进了权重里。我自己比较关注的是自我修正这个子项。之前的模型在面对错误反馈时经常会表现出一种嘴上说改了但输出完全没变的尴尬状态。从流出的测试描述看Astra 在这个环节的得分高得离谱它会主动把自己的推理过程拆成多步然后针对每一步做校验和回滚。这个能力说实话比单纯会解多少道题重要得多因为真实世界里没有标准答案能根据反馈调整方向的模型才是真正意义上可以长期委派任务的模型。提示很多人会把AGI 测试满分理解成模型已经无所不能这是概念上的误区。AGI 测试是在一个限定的、设计良好的评估框架里检验通用性问题解决能力它反映的是模型能力的上限和组合完备度而不是评测集之外的全部真实世界表现。1.2 为什么是数学题成了核心信号这次曝光的另一个高频词是一天攻破 5 道数学难题。说实话看到这个信息我完全不惊讶因为数学从来就是检验模型推理能力的试金石。数学题的魅力在于它的答案客观可验证推理路径又极度依赖严谨的逻辑链条任何一个中间步骤出错都会导致全盘皆输这对模型来说是比写代码更严苛的压力测试。有人可能会问之前不是也有模型能在数学竞赛题上拿到不错的分数吗差别其实在难题的级别和攻破的含金量。竞赛级别的数学题不是靠海量题库背出来的而是需要模型在没见过的新组合上做归纳和演绎。如果 Astra 真的能在一套连续的、未参杂数据污染的问题集上拿下一连串难题那我愿意相信它在真正的推理上确实迈出了一大步。但我还是要泼一盆理性的冷水数学能力很强不等于各方面都强几乎满分也不等于满分。从评测逻辑来看综合分 90% 以上已经足够震撼但剩下那不到 10% 的失分点往往才是最值得关注的边界比如某些需要常识积累的开放性问题或者高度依赖真实世界物理直觉的任务。Model 的边界往往不是看它最擅长什么而是看它最不擅长什么。2. 一拳破五题数学难题不是会做而是能想到刚才说了数学题的重要信号意义这节我想更深入一步模型要怎么想到解法而不是背出解法。这是普通语言模型和所谓AGI 级模型之间最根本的分水岭。2.1 从记忆到推理的三个层级我在实际工程里接触过大量模型能力评测现在回看模型的解题方式大概经历了三个阶段。第一个阶段是表面记忆模型看到一道题能回忆起训练数据里相似的题目和答案然后生硬地套用。这种能力在传统 NLP 基准里够用但一遇到新题就露馅。第二个阶段是策略迁移模型能够识别出题目在结构上的局部特征把之前学过的解题模板进行组合。这个阶段已经能解决一部分变式题但遇到完全新颖的题型依然会坍塌。第三个阶段是路径生成与校验模型不仅会生成解题步骤还会自动评估每一步是否合理走不通就换一条路这种感觉不对就重来的能力是真正逼近人类数学家思维过程的体现。从内测的流出来看GPT-6 Astra 在数学上展示出的迹象属于第三个阶段。它拿到难题后先做的是将已知条件形式化然后尝试多个不同的拆解方向甚至会在中间步骤主动引入反证法。这不是一个靠续写能完成的动作而是背后有一套围绕目标导向推理设计的机制在驱动。提示判断一个模型的推理能力强弱有一个很实用的土办法。你给它一道稍微改过条件但本质相同的题如果它固执地套用老方法并给出错误答案说明它只是在回忆如果它能根据新条件调整路径说明它多少是在推理。2.2 Agent 化的推理从解题到解项目数学题还有一个隐藏价值它是 Agent 工作流的压缩版。解一道复杂数学题本质上是把一个宏大目标证明某个定理逐步拆解成可管理的子任务引理 A、引理 B、中间推论然后按序执行、不断验证。这跟一个 Agent 要完成帮我把这个月的销售数据分析一遍并生成报告的内部过程高度同构只是后者多了环境交互这个环节。从这个角度看GPT-6 Astra 一天攻破 5 道数学难题背后更值得关注的是 Agent 代际跃迁的预期。之前的 Agent 框架普遍存在一个痛点模型本身的单步推理能力还行但一旦需要串联十几步、几十步的工具调用就会逐渐迷路上下文稍长就开始前言不搭后语或者反复跳进同一个坑里出不来。如果 Astra 的推理链长度和路径校验能力真的达到了内测描述的水平那 Agent 应用的上限会被一下子抬高一大截这不是涨几个点的提升而是质变。我身边已经有朋友在系统地测试用 Astra 做多轮工具编排从他们的反馈看模型在执行长链路任务时表现得异常稳定用户意图的保持、中间结果的暂存、异常情况的处理这三件事至少在脚本化场景下基本没有掉链子。用一句话概括就是它终于像是一个能在项目里独当一面的初级员工而不再是一个每句话都得你重复确认的实习生。3. 多模态 AGI 与能干活也看得住能力增长开始要面对边界这次发布还有一个被反复提及的关键词多模态 AGI。以前我们说的多模态通常指的是模型能看懂图片、听懂音频输入输出形式更丰富了。但 Astra 想做的显然不是这种浅层拼接它追求的是把视觉、听觉、文本、甚至结构化数据进行统一处理然后在同一套推理框架里做融合判断。3.1 跨模态统一推理的实际价值设想一下这个场景一个质检员同时看着产线传回的视频流、传感器数据和维修工单记录他要判断这台设备现在该不该停机检修。这个决策过程需要同时处理视觉上的裂纹迹象、数值上的温度异常、文本里的历史故障描述。传统做法是训练三个模型分别处理再用规则拼接而多模态 AGI 的方式是让模型直接在这一整片异构信息上做联合推理。两者的差别在于拼接方案丢失了信息之间的相关性而统一推理能捕捉到温度升高 画面中出现火花 工单里写着三天前换了轴承这三者之间的因果链条。能干活很容易理解多模态 强推理自然什么活都能插一脚。但这次热搜词里还有一句很有意思的话看得住。我理解这个看得住有两层含义表面一层是模型在长任务执行中能持续监控环境变化、自己纠偏更深的一层是它能被看得住也就是人类能够真正理解它的决策过程、给它设定边界并在它跑偏的时候及时拽回来。后者的价值不亚于前者。越是强大的模型越需要一个可信的决策透明化机制。Astra 在测试中展示出的分步推理可回溯特性本质上是在给不可控的智能上一层保险就算某个结论是错的我们至少能顺着它的推理链找到错在哪一步而不是只拿到一个神谕式的答案。对于企业级落地来说这种可解释性往往比能力上限更重要。3.2 从能力过剩到可控性问题当模型的能力增长到一定程度核心矛盾会从它会不会做变成它该不该做。举个例子让 Astra 去优化一段代码它可能给出的方案不只是重构而是直接推翻现有架构换成完全不同的技术栈这在能力上很惊艳但从项目风险角度看却是灾难。所以看得住这个需求会直接催生出一类新的工具链行为约束、红队测试、沙箱隔离、权限的最小化设定这些都会成为下一代 Agent 平台的标配。在这次发布的配套设计中我注意到一些针对大动作的审批闸门思路。模型在执行高影响操作前会被强制输出某个决策的完整理由和影响范围由上一级策略模块或人类操作员做最终确认。这种设计思路说不上多新颖但它从一个侧面承认了能力越强越不能让它裸奔着接入生产环境。对一个把AI 要为人所用挂在嘴边的行业来说这是一种难得的成熟。4. 架构信号模型端与推理端的重新分工才是内行最该盯的细节聊完了能力和边界这篇里我想掏点更偏技术底层的观察。这次 GPT-6 Astra 的发布信息里最让内行兴奋的可能不是AGI 测评本身而是模型端 推理端这个表述。这个信号意味着业界对智能从哪来的共识正在发生一次重组。4.1 模型端负责想到什么推理端负责想到底简单粗暴地解释一下这两个概念。模型端指的核心权重里封装的静态知识、模式识别能力和基础推理倾向它是模型的脑。推理端则是在模型端基础上针对具体任务进行动态计算、环境交互、多步验证的运行时系统它是模型的手和眼。过去的做法是模型端尽量把所有能力都塞进权重里推理任务也只是静态地生成答案而新一代架构开始倾向于让推理端承担更多重活——把复杂的搜索、回溯、验证、与环境交互的过程放到运行时里执行模型端提供的是一个更好的起跳板。拿那个一天 5 道数学难题的例子来说Astra 的做法很可能不是让模型一次生成完整解答而是在推理端启动一个解题循环生成候选步骤、验证该步骤的正确性、根据验证结果调整方向、再生成下一步。也就是说模型端负责生成怎么走的直觉推理端负责走一步看一步的风险控制。两者配合才能应对真正困难的问题。提示理解模型端与推理端的区别特别重要。如果你的团队在做 Agent 应用过去你可能只需要关心调哪个模型的 API未来你要关心的是推理端提供了哪些可配置的策略能力搜索轮数、验证机制、工具调用的回退策略。这个变化意味着 AI 应用的开发越来越像系统架构设计而不只是API 调用。4.2 推理端什么时候会让你买单这套架构变化带来的最直接影响其实是成本计算方式变了。以前调用一个模型成本主要取决于输入输出 token 数量未来调用一个带复杂推理端的模型费用还会包含推理端消耗的计算量。搜索多少步、验证多少次、生成了多少候选路径这些都会被计入成本。这就解释了为什么GPT-6 贵能冲上热搜。如果 Astra 的每一次请求都要默认跑一遍长程推理循环即使单 token 单价不涨单次任务的总成本也会大幅上升。对个人开发者来说这是很现实的约束不是模型不行而是你用不起全功率模式。所以我预计很快生态里会出现一批动作分级的实践简单任务走轻量推理困难任务才开启全量搜索把成本控制在可接受范围。这跟人一样买菜算账不会用上高等数学只有遇到真正的难题才值得全力以赴。5. 跑分争议与首批内测哪些该信哪些该存疑任何一次重磅发布都伴随着质疑声这很正常甚至可以说有争议本身就是热度的一部分。这一次围绕 GPT-6 Astra 最大的争议就是跑分作弊是怎么一回事。作为从业者我觉得这件事值得掰开揉碎讲清楚。5.1 评测污染的三种形式所谓跑分作弊在大模型圈子里通常指三类问题。第一类是数据污染模型在训练时已经见过评测集里的题目高分纯粹是记忆而非推理。第二类是评测集设计不当比如题目本身存在提示泄漏模型能通过题干里的某些模式猜出正确答案而不是真的掌握了能力。第三类是针对性过拟合开发者用评测集的反饋反复迭代模型最终模型在特定测试上表现完美但泛化能力一塌糊涂。针对这次流出的 AGI 测试结果我觉得需要分情况看待。像一天攻破 5 道数学难题这种带有明显实时动态性质的测试不太可能是数据污染的产物因为难题组合是当天放出的模型不太可能提前背过答案。但我们也确实看到过太多纸面数据好看、实战一塌糊涂的案例。所以我的态度是震惊之余保持观望等更多第三方盲测结果出来再下结论。我自己比较信服的检验方法是时间隔离测试把 2024 年之后才出现的真实项目问题放给模型同时严格控制问题发布时间与训练数据截止时间之间的间隔看它是否还能发挥出评测时的能力。这种方法虽然样本量小但含金量比任何榜单都高。5.2 首批内测的真实口碑离谱与冷静并存和跑分争议并排出现的是首批内测结果离谱这个热搜词。我翻了不少参与内测的开发者反馈离谱这个评价出现过多次但语境不太一样。有人说的是能力强得离谱长上下文理解和跨工具编排几乎零失误也有人说的是某些行为怪得离谱模型会在无关紧要的地方过度思考输出一些明显超出需求范围的深度分析。这种两极分化其实完全可以理解。新一代模型的能力边界还没有被摸透它在某些维度上超出预期自然会在另一些维度上显得用力过猛。内测阶段本来就是干这个用的让模型在开放环境中充分暴露问题再针对性地修正。首批用户的离谱评价在我看来是一个中性信号它说明模型确实有可感知的能力代差同时也说明它还不是一个完全收敛的、好操控的成品。如果你有机会申请内测权限我的建议是别急着拿现成的公开榜单题目去复现那样你测到的其实就是别人的结论。设计几个你自己业务里的真实场景跑一遍最好选那些既有标准答案又需要灵活处理中间过程的任务你才能真正感受到它跟上一代模型的差别在哪里。6. 从 GPT-6 Astra 开始我们真正该做点什么写了这么多最后我特别想聊点实用的东西。很多人看完发布信息以后的第一反应是焦虑模型都 AGI 了我是不是马上要失业了我的看法是比起焦虑更值得做的是重新校准自己的工作方式。第一重新审视你手头任务的可委派性。过去我们把 AI 当成建议生成器自己负责复杂部分现在应该反过来把整条任务链路拆开凡是目标明确、边界清晰、允许试错的部分都可以逐步移交给 Agent 执行。第二尽早培养监督式工作的习惯。这跟前面说的看得住其实是同一件事的两面模型的能力越强人类的核心竞争优势就越会从会做转向会判断。你要能看懂模型给出的推理路径发现它的逻辑漏洞并在它跑偏时及时纠正。第三关注你的工具链是否支持新一代模型的长推理特性。如果还停留在Prompt 一次、输出一次的简单调用模式你等于拿跑车只开 40 码。把搜索、校验、多步骤工具调用利用起来才不算浪费。回到开头那句话GPT-6 Astra 降世AGI 测试几乎满分。这确实是一个值得记录的时刻。但真正的分水岭不是模型跑分涨了多少而是从此以后我们面对的不再是一个更聪明的聊天机器人而是一个真的可以独立扛起一整条任务链的 AI 劳动力。它能不能干好活是一回事你愿不愿意放手让它干活、能不能管住它干活是更考验人的另一回事。下一阶段的竞争不是拼谁调用的模型更大而是拼谁更懂得如何驾驭这些几乎满分的智能。