动察 Beating AI 快讯，OpenAI 自 9 月 3 日发布 GPT-6 Astra 后，多项模型评测基准数据被持续调整，部分修改使 Astra 表现更优，同时部分竞争对手模型的成绩出现下滑，引发外界对 AI「刷榜」和评测透明度的质疑。

其中，Astra 的幻觉率曾从 4.2% 下调至 2%，GPT-5.6 Sol 则从 12.2% 降至 9.4%，随后两者又恢复至 4.2% 和 12.2%。在数学评测中，Anthropic 的 Fable 5.1 得分也曾从 87.8% 降至 78%，目前已回升至 83%；GPT-5.6 Sol 则从 83% 降至 80.5%，后恢复至 83%。

此外，Astra 在 ARC-AGI-3 评测中的成绩从发布前草稿的 98.6% 提升至最终页面的 99.99%，其编程评测成绩也从 57.7% 小幅上调至 57.9%。OpenAI 表示，评测结果会受到模型版本、工具配置、推理级别及测试运行等因素影响，此次调整是为了确保数据更准确地反映模型的最佳性能。

不过，斯坦福大学研究人员认为，频繁重新运行评测可能涉及所谓「Benchmaxxing」，即通过调整测试条件最大化基准成绩。业内人士指出，随着 AI 模型竞争加剧，评测数据已成为衡量模型能力及争夺市场的重要工具，如何提高基准测试的透明度和可复现性正受到越来越多关注。