GPT-6 Astra 评测详情

GPT-6 Astra 当前已收录的代表性评测结果包括 MMMU-Pro（1 / 232，得分 86.90）、ARC-AGI-1（1 / 226，得分 98.50）、ARC-AGI-2（1 / 212，得分 95）。

评测结果

GPT-6 Astra

评测结果

抽象归纳与泛化

共 26 项评测

评测名称 / 模式

得分

排名/总数

常规模式

96.72

6 / 35

常规模式

35.18

7 / 60

低

98.03

5 / 35

低

17.45

10 / 60

中

98.44

3 / 35

中

38.59

6 / 60

高

99.95

1 / 35

高

54.82

3 / 60

最高

98.55

2 / 35

最高

62.71

1 / 60

极高

98.44

3 / 35

极高

59.34

2 / 60

常规模式

86

104 / 226

低工具

96.50

24 / 226

中工具

97.50

11 / 226

高工具

98.50

1 / 226

最高

97.50

11 / 226

最高工具

97.50

11 / 226

极高

98.50

1 / 226

极高工具

98.50

1 / 226

常规模式

59.58

84 / 212

低工具

85.42

27 / 212

中工具

92.08

7 / 212

高工具

92.08

7 / 212

最高

95

1 / 212

极高工具

93.33

3 / 212

综合知识考试

共 2 项评测

评测名称 / 模式

得分

排名/总数

unknown

54.80

28 / 244

最高工具

57.20

20 / 244

写作与创意表达

共 1 项评测

评测名称 / 模式

得分

排名/总数

Creative Writing

常规模式

2173.30

1 / 112

常识推理

共 1 项评测

评测名称 / 模式

得分

排名/总数

最高

83.60

4 / 95

事实查找与深度检索

共 1 项评测

评测名称 / 模式

得分

排名/总数

最高工具

91.50

1 / 61

跨能力综合测试

共 1 项评测

评测名称 / 模式

得分

排名/总数

最高

82.16

4 / 157

自主开发与终端任务

共 10 项评测

评测名称 / 模式

得分

排名/总数

Terminal-Bench 2.1

低工具

86.74

13 / 67

Terminal-Bench 2.1

中工具

86.97

12 / 67

Terminal-Bench 2.1

高工具

87.42

10 / 67

Terminal-Bench 2.1

最高工具

86.74

13 / 67

Terminal-Bench 2.1

极高工具

85.84

16 / 67

Terminal-Bench 4.0

低工具

50.61

18 / 107

Terminal-Bench 4.0

中工具

54.24

13 / 107

Terminal-Bench 4.0

高工具

57.88

6 / 107

Terminal-Bench 4.0

最高工具

58.18

5 / 107

Terminal-Bench 4.0

极高工具

57.88

6 / 107

仓库修复与多文件工程

共 9 项评测

评测名称 / 模式

得分

排名/总数

SWE-Bench Pro V2

高工具

96.90

4 / 10

SWE-Bench Pro V2 Hard

高工具

90.20

3 / 12

低工具

67.04

41 / 106

中工具

72.79

17 / 106

高工具

73.23

13 / 106

最高工具

73.23

13 / 106

极高工具

74.12

8 / 106

最高工具

65.51

1 / 22

最高工具

50

16 / 73

跨能力聚合指数

共 6 项评测

评测名称 / 模式

得分

排名/总数

unknown

166.60

1 / 168

最高工具

66.61

5 / 42

Vals Index v2.1

最高工具

63.13

6 / 37

AA Intelligence Index (historical versions)

最高

61.20

7 / 28

AA Intelligence Index v4.2

最高工具

55

1 / 2

AA Intelligence Index v4.3

最高工具

52.67

4 / 34

桌面工作流

共 1 项评测

评测名称 / 模式

得分

排名/总数

最高工具

72.60

2 / 16

跨应用与工具编排

共 1 项评测

评测名称 / 模式

得分

排名/总数

Agents' Last Exam

最高工具

34.20

4 / 21

办公与文档流程

共 1 项评测

评测名称 / 模式

得分

排名/总数

AutomationBench

最高工具

41.40

20 / 35

图像感知与视觉推理

共 5 项评测

评测名称 / 模式

得分

排名/总数

低

84.60

10 / 232

中

85.10

6 / 232

高

86.40

2 / 232

最高

86.90

1 / 232

极高

86.20

3 / 232

科学知识与推理

共 6 项评测

评测名称 / 模式

得分

排名/总数

MysteryMechanism

最高工具

53.15

1 / 14

低

26.30

24 / 207

中

29.10

12 / 207

高

28.90

15 / 207

最高

31.70

3 / 207

极高

31.40

4 / 207

科学计算与科研编程

共 6 项评测

评测名称 / 模式

得分

排名/总数

Terminal-Bench-Science 0.1

最高工具

68.10

1 / 18

低

54.10

49 / 136

中

54.20

48 / 136

高

55.40

37 / 136

最高

56.50

26 / 136

极高

55.70

34 / 136

客服与业务流程

共 6 项评测

评测名称 / 模式

得分

排名/总数

最高工具

46.37

29 / 65

低工具

32

57 / 171

中工具

35.50

47 / 171

高工具

40

33 / 171

最高工具

41.40

28 / 171

极高工具

43.10

24 / 171

金融

共 3 项评测

评测名称 / 模式

得分

排名/总数

EMB (Excel Modeling)

最高工具

71.70

9 / 46

Tax Agent Bench

最高工具

63.34

12 / 21

Finance Agent v2

最高工具

53.54

26 / 46

法律

共 2 项评测

评测名称 / 模式

得分

排名/总数

Legal Research Bench

最高工具

39.42

22 / 46

Harvey's Legal Agent Benchmark

最高工具

5.42

25 / 50

数学

共 10 项评测

评测名称 / 模式

得分

排名/总数

ProofBench v1.1 (Lean 4)

最高工具

99

3 / 29

FrontierMath Tier 4 v2

常规模式工具

82.93

13 / 71

FrontierMath Tier 4 v2

低工具

87.80

10 / 71

FrontierMath Tier 4 v2

中工具

97.56

6 / 71

FrontierMath Tier 4 v2

高工具

97.60

2 / 71

FrontierMath Tier 4 v2

最高

97.60

2 / 71

FrontierMath Tier 4 v2

最高工具

97.60

2 / 71

FrontierMath Tier 4 v2

极高工具

97.60

2 / 71

FrontierMath v2

最高工具

93.68

1 / 114

FrontierMath Erdős

最高工具

2.94

1 / 5

程序生成与编辑

共 3 项评测

评测名称 / 模式

得分

排名/总数

Vibe Code Bench v1.1

最高工具

89.59

6 / 66

FrontierCode 1.1 Extended

最高工具

64.50

2 / 6

FrontierCode 1.1 Main

最高工具

53.30

5 / 17

漏洞利用

共 3 项评测

评测名称 / 模式

得分

排名/总数

最高工具

100

1 / 7

ExploitGym (unlimited)

最高工具

42.40

1 / 2

ExploitBench (Jun–Aug 2026)

最高工具

39

1 / 4

文档与图表理解

共 5 项评测

评测名称 / 模式

得分

排名/总数

低

30.40

7 / 125

中

30.40

7 / 125

高

31

4 / 125

最高

31

4 / 125

极高

32.20

3 / 125

生物与基因

共 3 项评测

评测名称 / 模式

得分

排名/总数

BioMysteryBench

最高工具

79.26

3 / 21

最高

60.30

1 / 2

最高

37.10

1 / 2

专业数据分析

共 2 项评测

评测名称 / 模式

得分

排名/总数

AA-AnalystAgent

最高工具联网

51.25

4 / 29

Internal Data Science Tasks

最高工具

40.90

1 / 2

界面定位

共 1 项评测

评测名称 / 模式

得分

排名/总数

ScreenSpot-Pro (no tools)

最高

92.70

1 / 2

设计与工程制图

共 2 项评测

评测名称 / 模式

得分

排名/总数

最高工具

95.90

1 / 2

Internal Design Tasks

最高工具

50

1 / 2

音乐创作

共 1 项评测

评测名称 / 模式

得分

排名/总数

OpenScore String Quartets

最高

0.84

1 / 2

维护、优化与工程管理

共 4 项评测

评测名称 / 模式

得分

排名/总数

最高工具

99.20

1 / 2

最高工具

88

1 / 2

最高工具

67.74

3 / 48

Internal Database Migration

最高工具

63.90

1 / 2

化学与药物研发

共 1 项评测

评测名称 / 模式

得分

排名/总数

MedChemBench Internal

最高

49.30

1 / 2

医学知识与健康咨询

共 4 项评测

评测名称 / 模式

得分

排名/总数

HealthBench Consensus (length-adjusted)

最高

95.50

4 / 4

HealthBench Professional (length-adjusted)

最高

64.70

3 / 10

HealthBench (length-adjusted)

最高

58.30

3 / 5

HealthBench Hard (length-adjusted)

最高

36.60

1 / 4

漏洞发现与分析

共 1 项评测

评测名称 / 模式

得分

排名/总数

最高工具

85.40

1 / 10

智能体操作安全

共 2 项评测

评测名称 / 模式

得分

排名/总数

Computer-use safety

最高工具

2.40

1 / 2

Computer-use safety (with AutoReview)

最高工具

1.80

1 / 2

安全边界与拒绝

共 2 项评测

评测名称 / 模式

得分

排名/总数

最高工具

0

1 / 2

ExploitGym honeypot

最高工具

0

1 / 2

事实可靠性与幻觉

共 2 项评测

评测名称 / 模式

得分

排名/总数

Impossible ExploitGym

最高工具

100

1 / 1

Hallucination rate

最高

4.20

1 / 2

长文定位与检索

共 2 项评测

评测名称 / 模式

得分

排名/总数

OpenAI MRCR v2 (8-needle, 256K–512K)

最高

100

1 / 2

OpenAI MRCR v2 (8-needle, 512K–1M)

最高

96.30

1 / 2

机器学习工程

共 1 项评测

评测名称 / 模式

得分

排名/总数

极高工具

0.42

1 / 21

编码综合评估

共 1 项评测

评测名称 / 模式

得分

排名/总数

AA Coding Agent Index v1.5

最高工具

61.60

2 / 11

算法与竞赛编程

共 1 项评测

评测名称 / 模式

得分

排名/总数

最高工具

100

1 / 30

临床工作与医疗决策

共 2 项评测

评测名称 / 模式

得分

排名/总数

最高工具

87.91

11 / 68

最高工具

48.49

21 / 66

多轮记忆与持续上下文

共 1 项评测

评测名称 / 模式

得分

排名/总数

最高工具

76.19

1 / 23

与其他模型对比