OpenAI自当地时间9月3日下午首次发布GPT-6 Astra模型公告以来，已经多次修改其中的评测基准数据。部分更新后的数据显示Astra表现有所提升，而竞争对手Anthropic旗下模型的部分成绩则出现下调。

据报道，OpenAI最初计划在美国东部时间9月3日下午2点发布博客文章，但页面发布后一度无法正常访问，CEO萨姆·奥尔特曼随后在X上发文称「我们在部署博客文章时遇到了一点小问题」。事实上，OpenAI在下午2点过后不久就发布了博客，但又将其撤下，随后解释为内容管理系统故障或互联网中断所致。

当博客重新上线后，多项评测数据已经发生变化，部分数据此后仍在继续调整。最引人关注的变化是Astra的幻觉率：在下午2点23分的最初版本中为4.2%，到下午5点20分降至2%，几乎减半；此后又恢复至4.2%。前代模型GPT-5.6 Sol的幻觉率也从12.2%降至9.4%，最终恢复原值。

OpenAI还大幅提高了GPT-5.6 Sol在内部ExploitBench网络安全评测中的成绩，从5.5%提高至11.5%，但表示11.5%对应的是未向商业用户开放的推理能力等级，正在研究是否恢复原值。在FrontierMath Tier 4评测中，Anthropic Fable 5.1的成绩从87.8%一度降至78%，后回升至83%；GPT-5.6 Sol的成绩也从83%降至80.5%再恢复原值。

值得注意的是，部分调整甚至早于下午2点首次发布前。OpenAI向媒体提供的预发布草稿显示Astra在ARC-AGI-3评测中成绩为98.6%，而公开版本已变为99.99%。OpenAI回应称正式发布前验证数据属于正常流程，并表示若配备强大工具框架，Astra成绩可达99.9%，标准框架下则为63%。

OpenAI发言人表示，公司非常重视评测结果准确性，承认由于模型检查点、测试框架和评测运行方式不同，结果会存在波动，公告中的数据已修正以代表最佳估计。但斯坦福大学研究人员Anka Reuel和Mike Hardy指出，OpenAI的系统卡「几乎没有提供任何有关评测方法的细节」，甚至「连测试项目的数量都没有列出」，并担忧存在反复调整测试条件以提高成绩的「Benchmaxxing」现象。

此前，Meta也曾因人为提高Llama 4测试成绩的争议而引发关注，前首席AI科学家Yann LeCun承认公司对基准测试结果进行了「修饰」。业内人士Vincent Sunn Chen表示，发布前调整数据通常是最终流程的一部分，因为测量设置涉及多种可变因素。但他呼吁行业应建立规范，在修改成绩时明确说明评测条件变化，以便研究人员准确理解结果。

基准测试成绩对AI公司而言既是衡量技术进步的工具，也是与竞争对手比拼的「记分牌」，但评测数据频繁变动以及外界对企业诚实展示测试结果的质疑，可能让客户和投资者越来越难判断哪款模型最适合特定任务。这一争议也可能削弱OpenAI希望传递的核心叙事，对一家可能计划在2027年进行IPO的公司来说尤为敏感。