GPT6真的是“AGI”！首测完成瘫坐沙发！

baiduweb

一起床🛏，就看到奥特曼的消息，说 Pro 能用 GPT-6 了！
我说：“关我 Plus 鸟事儿！”，奥特曼做了👌的手势！
我的电脑立马就收到了这个弹窗！

GPT-6 已经就位了！
我看了一下他的模型选择，作为 Claude 用户，看到这个 Ultra 的选项和样式的时候，直呼内行！

既然模型已经就位，就立马开测了。OpenAI 吹了无数次的 AGI，看看这次怎么样。

打开 Codex，选择 GPT-6，立马开测！
从我们之前的文章中可以知道，GPT-6 这次把 AGI3 几乎刷爆了。 我都有点不知道用什么题目来测试比较合适了。
我突然想到一题，这个题目看起来很简单，测试也很简单，但是做对却很难。
这个题目是这样的：

我给他一张我伪造的坦克大战地图，然后问它：

如果两炮能打掉红色框中的砖块，那么黄色坦克朝右开两枪会怎么样？基地会怎么样？

这应该算是视觉推理的范畴。模型需要先理解红色框在哪里，长什么样子。然后黄色坦克在哪，右边是什么，坦克的威力是多大。
我们直接来看结果吧：

直接 K·O，首战告捷！ 我有点兴奋了！
但是这还不能说明什么，因为之前 Grok 4.5 和 GPT-5.6 Sol、Fable 5 也是首轮正确，后面就不行了。
然后我又连试了 4 次：

结果是：全部正确！
这个就真的牛逼了，偶尔能答对，证明它只是瞎猫碰到死老鼠。而每次都能答对，就说明它真的是理解了。
这个题目最大的坑是：经验主义！
很多模型已经非常清楚坦克大战的规则，它知道基地的墙需要两炮才能打穿。 而我给的图片从比例上来讲，其实只要一炮就能打掉。如果模型能根据图片条件来测量和推理，肯定做对。但是如果想当然必错！
之前的模型在Agent中，有时候会想到调用工具测量一下，就能得出正确的结论。一旦想当然，基本上就是错！

我专门写过一篇文章《坦克大战测试全躺了！豆包，DeepSeek，Qwen，GPT，Claude》！ 后来啊又补测了 GPT-5.6 Sol、Opus 5 等，全部无法 100% 答对，其中概率最高的是 GPT-5.6，大概是 60% 的样子。
GPT-6 厉害的地方是，它完全没有调用工具。看一眼图片就算出来比例了。也就是它内置了这种能力！
我觉得这个和它能准确地操作电脑这个能力高度相关。因为它在控制电脑点击按钮的时候，对位置、宽、高等信息要高度敏感！
我也专门问了，为什么没调用工具就能知道是一半的比例。
它的回答是这样的：

我是直接根据图片里的砖块网格目测的，没有调用工具，也没有做精确测量。上一条说得太确定了。
具体看的是水平方向的厚度：红框大约横跨两列小砖格，基地左侧的墙大约只有一列，所以我判断是约 2∶1。

确实，它就是目测出来的！
这个题目，人类是可以根据图片的视觉信息轻松答对的，但是之前的 AI 都不行，现在 GPT-6 可以了！
GPT-6 确实要比其它模型更接近 AGI！
我在几个月前就发过一篇文章《AI全军覆没！Opus4.6和GPT5.4都被AGI-3吊打了》，专门介绍了一下ARC-AGI-3 这个基准！

它是 ARC Prize 基金会继 ARC-AGI-1/2 之后推出的第三个“流体智能”基准，也是第一个交互式推理基准：不再给静态谜题，而是让 AI 智能体进入全新的、抽象的回合制游戏环境，通过试错来学习。

这个测试，人类玩起来也有点难度，挺好玩的！
它测的是四大能力：
探索（主动交互收集信息）、
建模（从原始观察中构建可泛化的世界模型）、
目标获取（在没有说明书的情况下自己搞清楚要达成什么）、
规划与执行（多步行动并随时纠偏）。
它刚出来的时候，几乎所有模型都只能得零分！
此后几个月模型成绩快速攀升，目前（截至 2026 年 9 月初）榜单前列为：
模型得分发布时间
GPT-6 Astra (Max)62.7%/99.9%2026-09-03（当前第一）
Claude Opus 5 (High)30.2%2026-07-24
GPT-5.6 Sol (Max)7.8%2026-06-26
Grok 4.6 (XHigh)2.1%2026-08-12从表格中可以看到，被马斯克誉为世界上最聪明的 Grok 也才 2.1%，OpenAI 前一代模型是 7.8%。Anthropic 家的旗舰模型也才 30%！
而 OpenAI 宣布，它们最新的 GPT-6 Astra 已经达到了 99.9%，也就是几乎满分，直接刷爆了这个 AGI3 的基准。

所以按这个思路来说，“AGI来了”，那么就说得通了！ 大家顺带看一眼 Gemini 3.8 Flash 🤣，这是完全不卷、不内耗、不挣扎，躺平了。
当然，GPT-6 这个 99.9% 还是有一些水分的。
这个得分是在Provider Adapter harness的基础上获得的！
这个东西是 OpenAI 自己的有状态 API 适配器，能在多次请求之间保留模型的内部推理状态（opaque reasoning state），并自动压缩对话，让模型可以接着之前的思路继续干。
62.7%（Max 推理档）用的是 Standard harness：跨厂商统一的标准测试方式，模型只能靠自己显式记笔记来传递信息，每次请求之间的内部思考状态会丢失。
所以 AGI 到没到，重要的是看定义是什么？
抛开这些概念营销，62.7% 的分数确实也是 No.1 了，这一点毫无疑问！
相比它最大的竞争对手 Opus 5，翻了一倍！
这确实可以吹一下了！
而且我也通过一个小例子，证明了它确实可以碾压之前的所有模型！
但是……也有一个副作用：贵，消耗快！
我其实已经测了另外三个例子了，在前端和推理方面，进步也非常明显。目测确实和 Opus 5 和 Fable 5 差不多。由于配额太少，我已经躺了，下午重置，继续测！
测完，再给大家分享！