GPT-6評分口徑被質疑
GPT-6評分口徑再受質疑 ARC表格落差37分掀基準可信度爭議 GPT-6 的評分口徑再度成為外界關注焦點。在 Astra 評分爭議持續延燒之際，一名 Reddit 作者主動著手核對 ARC 相關表格，發現兩項測試之間的成績落差達到 37 分。這項發現讓討論迅速升溫，質疑的矛頭也從單一模型表現，轉向同一模型在不同評測基準下，其成績是否被以不同方式呈現。據了解，這名 Reddit 作者並非僅止於比對數字，而是進一步檢視 ARC 方面對外發布的相關資料。在交叉核對的過程中，兩項測試之間的落差成為最受矚目的焦點。
37 分的差距，在講求精確與可比較性的評測領域中並不算小，也因此被視為理解整起爭議的關鍵切入點。這位作者同時指出，ARC 方面從未將這項結果直接稱為 AGI。換言之，評測方自身的表述相對保守，並未把高分與通用人工智慧畫上等號。然而在外界傳播的過程中，高分往往被簡化為「已達 AGI」的訊號，這與評測方的原始說法並不一致。正因為存在這樣的落差，爭議的焦點也出現轉移。討論不再只是圍繞「模型到底有多強」，而是進一步追問「分數究竟代表什麼」。當同一個模型在不同基準下呈現出明顯不同的成績，分數本身的意義與可比較性，便成為無法迴避的問題。爭議的影響範圍並未侷限於單一評測方。這波討論亦波及 OpenAI。
有用戶在比對之後指稱，OpenAI 頁面上的數值曾經出現改動，使得評分的可追溯性受到進一步檢視。一旦同一組數據在不同時間、不同頁面上呈現出不一致的樣貌，外界對於評分可信度的疑慮便難以平息。可追溯性是評測公信力的重要基礎。當數值會隨時間或頁面而變動，外界便難以確認哪一版才是最終定稿，也難以還原評分的完整脈絡。對研究者與一般讀者而言，這不僅是技術細節，更牽涉到能否信任一份評測報告的核心前提。截至目前，各方尚未就表格差異與頁面數值變更給出統一說明。在缺乏一致解釋的情況下，各種推測與質疑持續累積，也讓原本單純的成績之爭，逐漸演變為對整個評測流程的信任考驗。
從更廣的角度來看，這起風波反映出評測生態的結構性難題。當模型能力快速推進，評測基準、揭露方式與對外溝通若無法同步跟上，就容易出現資訊落差。同一個模型在不同基準下的表現被以不同方式呈現，究竟是方法差異、更新時序，還是其他因素所致，目前仍缺乏清楚交代。此外，外界把高分直接等同於通用人工智慧的傾向，也在此次爭議中被放大檢視。評測方未曾如此表述，但傳播鏈上的簡化與誇大，卻可能讓公眾對模型能力產生誤解。這種「評測說一套、傳播說另一套」的現象，正是本次討論中最值得注意的一環。對 OpenAI 而言，頁面數值變動的指稱若無法獲得妥善說明，評分的可追溯性將持續受到檢視。
對 ARC 而言，表格差異與 AGI 表述的界線，也需要更清楚的溝通。當各方說法未能對齊，外界對評分可信度的疑慮便難以真正平息。可以預見的是，這場爭議恐怕不會只停留在單一模型的成績之爭。它牽動的是評測方法、資訊揭露與公眾理解之間的整體關係。若同一組數據在不同時間、不同頁面上持續呈現不一致，外界對評分可信度的疑問只會不斷累積。在各方給出一致且可檢驗的說明之前，關於 GPT-6 評分口徑的討論，以及 ARC 表格與 OpenAI 頁面數值的疑問，恐怕仍將是輿論關注的核心。分數究竟代表什麼，這個問題的答案，或許比模型本身強到什麼程度，更值得被認真對待。
Related
相關文章
消息稱 Anthropic 低調建立生物實驗室，借 AI 推進藥學研究
作者：清源 責編：清源 評論： 9 月 18 日消息，路透社今天（18 日）晚間援引知情人士消息稱，Anthropic 在舊金山灣區低調建立了一座溼實驗室，把 AI 業務進一步延伸到需要實際動手操作的生物學研究和藥物科學領域。知情人士透露，在公眾對 AI 風險愈發擔憂之際，Anthropic 開始在溼實驗室進行實體實驗。Anthropic 此前提出，希望藉助 AI 推動罕見病治療方法的發展，公司的生物學研究也從“計算機模擬”和計算機評估進一步走向真實實驗。注：溼實驗室是一個科學概念，與“幹實驗室”相對。相比干實驗室，溼實驗室在實驗中需要用到較多的化學試劑。相比之下，幹實驗室則注重通過各種儀器進行計算，以歸納出實驗材料的物理模型。Anthropic 生命科學負責人埃裡克 · 考德勒-艾布拉姆斯證實了溼實驗室的存在。“我們認為，生物學研究最終還是要接受真實實驗室工作的檢驗，而且未來一段時間都會如此。我們現在確實在做這些工作。整體模式和大多數生物科技公司類似，一部分在自己的設施裡完成，另一部分則與外部合作伙伴共同開展。”Anthropic 發言人又進一步補充，這座實驗室並非專門用於藥物發現，並拒絕進一步說明具體用途。知情人士稱，建立溼實驗室只是 Anthropic 邁向更大目標的一小步。Anthropic 希望攻克其認為製藥行業忽視的疾病，公司也希望在員工和公眾失去對 AI 價值的信心之前拿出成果，因為 AI 可能導致崗位消失，甚至威脅人類生命。不過，任何藥物研發項目都無法保證成功，大多數候選藥物最終都無法通過臨床安全性和有效性試驗。這項工作對 Anthropic CEO 達裡奧 · 阿莫迪還有一層個人意義。
阿里達摩院開源全球首個專家級通用醫療影像 AI 模型 DAMO RADAR：可一次性識別超 146 種病症，成果登《科學》
作者：沁滄（實習） 責編：沁滄 評論： 感謝網友 files 的線索投遞！9 月 18 日消息，阿里達摩院今日宣佈，與浙江大學醫學院附屬第一醫院等機構研發出的通用醫療影像 AI 模型 DAMO RADAR，登上國際頂級學術期刊《科學》(Science)。
零樣本幹活！Figure 機器人走進 30 個陌生家庭，整理客廳、折毛巾、鋪床
AGI...智客Z...2026.09.18 15:08 · 來自北京全文3855字00:00 / 11:06美國人形機器人公司Figure發佈Helix 2.5，將其稱為最先進的神經網絡。人形機器人真正走向家庭，難點或許從來不是“會不會做家務”，而是換一個家庭之後，它還能不能繼續做。
AGI最難一戰，竟在醫院！中國AI登上Science，醫生不怕失業還催著上線
。 2016年，Hinton老爺子就預言：“人們現在就應該停止培養放射科醫生。”他甚至認為，五年內，AI就會在醫療影像識別上超過放射科醫生。 老爺子一生謹慎，但歷史和他開了個玩笑。十年過去了，人們離AGI已經越來越近，但在醫療場景裡，即使圖像識別這樣的AI新手村任務，依然是hard模式。 如果從IBM的Watson算起，在醫療上遭遇滑鐵盧的AI專家數不勝數。
AGI最難一戰，竟在醫院，中國AI登上Science，醫生不怕失業還催著上線
我没办法凭这条标题写出符合要求的完整新闻稿,原因很直接: 现有"可用资料"其实只有一行标题,正文是空的。后面的内容全是的侧边栏推荐和网站导航(Anthropic华人、Manus估值、腾讯投资药企等),跟这条新闻没有关系。 如果硬写 900–1600 字,我就得自己编造这些关键事实: 是哪个团队、哪家医院、哪篇 Science 论文 论文的具体方法和结果数据 医生"催着上线"的具体场景和原话 这些一旦写出来就是假新闻,我不做这个。
AI製藥獨角獸Anew單飛，字節推了一把“最燒錢的慢生意”
Reuters：Anew Labs完成首輪外部融資2.9億美元、投後估值15億美元，HSG、IDG Capital、GL Ventures、五源資本等機構入股，字節跳動融資後持股56%。2. IQVIA 2026年分析：經確認有AI參與的新興生物科技項目I期、II期臨床成功率比較，及樣本有限的說明。3. 《Nature Reviews Drug Discovery》2026年8月Perspective：AI方法與基準測試大量出現，臨床相關性影響證據仍然有限。4. Deloitte全球大型生物製藥公司晚期研發管線年度研究：2025年平均藥物開發成本約26.7億美元，計算含研發失敗成本。