OpenAI GPT-6 Astra 评测数据反复调整：AI 评估的“刷分”困境
TREE NEWS 报道， OpenAI 已正式发布 GPT-6 Astra，号称“目前全球最智能、且对齐程度最高的模型”。然而，该公司随后多次修改评测页面数据，部分指标出现明显变化。内部“幻觉率”最初公布为 4.2%，后调整至 2%，又恢复至 4.2%；Anthropic 的 Fable 5.1 在 FrontierMath Tier 4 的成绩从 87.8% 下调至 78%，再恢复至 83%；Astra 在 ARC-AGI-3 上的成绩也从发布前的 98.6% 提升至 99.99%。
行业分析：“刷分”现象与信任危机
这种反复调整凸显了 AI 行业长期存在的“Benchmaxxing”现象——通过调整测试条件和运行方式，人为提高基准测试成绩。OpenAI 回应称，调整旨在让评测更准确，并归因于模型检查点、工具配置、推理等级等差异。然而，这种解释在竞争激烈的市场中显得苍白，尤其当分数变动幅度高达 2% 时。
对于加密货币和去中心化 AI 网络而言，这是一个警示。基准测试是 AI 可信度的基石，但在新兴的代币化 AI 生态中，模型性能直接关联投资决策和智能合约执行。若评测数据可随意更改，将严重损害链上应用的可靠性。去中心化的评估协议，通过链上可验证的指标，或许能提供不可篡改的解决方案。
前瞻视角：链上验证或成未来
随着 AI 模型复杂度提升，性能声明与实际表现之间的鸿沟可能扩大。加密社区应推动透明、去中心化的基准验证机制。例如，去中心化计算或数据市场可集成链上评估预言机，提供防篡改的性能数据。这不仅增强模型可信度，还能保护用户和投资者免受“刷分”炒作的影响。
OpenAI 的调整，无论有意无意，都凸显了第三方审计和标准化评估的必要性。未来，区块链验证或将成为 AI 部署的默认要求，尤其是在金融或 DeFi 等高敏场景中。
