2026 年 9 月 4 日，三件事同时发生：OpenAI 发布 GPT-6 Astra，OpenAI、Claude、Grok 三家头部模型服务在同一时段集体宕机，ARC Prize 在同一天上线了 ARC-AGI-3 官方测评并公布 Astra 成绩。HN 上关于 Astra 的帖子拿到 1091 分和 802 条评论，宕机帖 107 分、39 条评论。一天之内，发布、崩溃、计量争议全到齐——这三件事指向同一个问题：模型能力的叙事在加速膨胀，但支撑叙事的基础设施和评测标准都还没准备好。
三家同时宕，没人能解释为什么
OpenAI、Anthropic（Claude）、xAI（Grok）三家模型服务在 GPT-6 Astra 发布的同一时段出现故障。HN 的 Ask HN 帖子拿到 107 分和 39 条评论，评论区没有定论。有人怀疑 OpenAI 发布引发的流量冲击波及上游供应商，有人怀疑共用基础设施节点故障，也有人认为纯属巧合。
三家竞争对手同时段宕机，说明什么？至少说明一点：头部模型服务的基础设施比外界想象的脆弱。流量高峰叠加运维压力，冗余空间比用户以为的更小。发布节奏在加密，基础设施团队的压力也在同步上升。
ARC-AGI-3 半年就饱和，评测尺子追不上模型
ARC Prize 同日发布了 GPT-6 Astra 在 ARC-AGI-3 上的官方测评结果。ARC-AGI 的创造者 François Chollet 被问到「ARC-AGI-3 什么时候会饱和」时，给出了一个时间点：大约一年。但那是六个月前说的。Chollet 在 Astra 测评发布时承认：「Astra 代表的进展比我预期快了两倍。」
图：GPT-6 Astra 在 ARC-AGI-3 排行榜上的表现。来源：ARC Prize Blog
ARC-AGI 系列测评的设计初衷是度量「真正的通用智能」，区别于在固定数据集上刷分的传统 benchmark。但连设计者自己都低估了模型进步的速度，评测标准被追上的节奏远快于预期。尺子还没量完，就已经不够长了。
同一张排行榜，两套标准
Astra 测评发布的同时，ARC 记分牌上出现了一个尴尬场面。GPT-5.6 Sol 在排行榜上标注 7.8%，但 ARC 自己的说明文档里写着：「用 responses API harness 估算，Sol 能到约 30%。」同一个模型，换一个评测套件（harness），分数差了将近四倍。
这个差距让排行榜的可比性受到了质疑。如果 harness 不同导致分数差距如此之大，那排行榜上的排名到底在度量模型能力，还是在度量评测方法？ARC Prize 方面的理由是标准化需要统一 harness，但社区的反驳也有道理：既然自己都估算出了 30%，为什么排行榜上还挂着 7.8%？两套标准摆在一起，双方都说得通，但谁看了都别扭。
图：ARC-AGI-3 不同模型的 action 与 efficiency 对比。来源：ARC Prize Blog
AGI 定义在被稀释，还是在被推进？
GPT-6 Astra 发布后，社区里同时出现了两种截然不同的反应。一方面，LessWrong 上有技术讨论在分析 Astra 的 recurrent 架构（19 points），讨论这种架构在长程推理中带来的实际增益。另一方面，HN 评论区里有尖锐的声音指出：AGI 这个词正在被稀释成 Sam Altman 的 IPO 话术——每次发新模型就离「AGI」更近一步，但「AGI」本身的定义从来没有锁定过。
两种声音都有事实基础。Astra 的 recurrent 架构确实代表了工程路径上的推进，Chollet 承认进展超预期也是第一手证据。但「进展快」和「接近 AGI」之间隔着一个关键变量：AGI 的定义放在哪里。这个定义目前由发布者单方面移动。计量标准也在快速迭代，「进步」和「定义调整」之间的界限就模糊了。
能力竞赛跑在了计量能力前面
GPT-6 Astra 发布当天的三件事，拆开看各有各的原因。放在一起看，指向同一个结构：模型发布的密度和声量在加速，但基础设施的稳定性、评测标准的一致性、「智能」一词的定义，全在追赶。Chollet 六个月前预估「一年」，现在变成了半年。排行榜上 7.8% 和 30% 并存，分数的可信度在打折。三家服务同时宕机，可靠性底线在承压。
能力叙事膨胀的速度，已经快过了验证能力的速度。下一个模型发布时，排行榜上的尺子够不够用，可能比模型本身的分数更值得关注。
参考链接：
- ARC Prize Blog
- OpenAI
- LessWrong
- HN 讨论 (item?id=49554643)
- HN 讨论 (item?id=49555691)
