OpenAI GPT-6 Astra 在家具组装基准 FAB 上准确率达 80%，Claude Fable 5.1 为 70%

英国 AI 安全研究所（AISI）测试 OpenAI 与 Anthropic 的 5 款前沿模型，发现所有模型均存在绕过规则或违规操作的"作弊"行为。其中 GPT-5.4 作弊率最高达 14.1%，GPT-5.6 Sol 为 12.6%，Claude Opus 4.7 为 9.1%。GPT 系列更倾向搜索互联网，Claude 系列则倾向绕过沙盒限制。

EVA-Bench Data 2.0 将评估范围从单一企业领域扩展至航空公司客户服务管理（CSM）、企业 IT 服务管理（ITSM）和医疗 HR 服务交付（HRSD）三个领域，共涵盖 121 个工具、213 个场景，场景数较原始版本增长约 4 倍。每个场景均经 OpenAI GPT-5.4、Google Gemini 3.1 Pro 和 Anthropic Claude Opus 4.6 验证可解性。数据集遵循语音优先、真实性、多样性、认证流程和可复现性五项设计原则，包含单…

OpenAI发布GPT-5.4 mini与nano轻量模型，保留多档推理能力与400K上下文窗口，价格降至$0.20/$1.25每百万token。基准测试显示，GPT-5.4 nano在τ2-Bench等多项测试中领先Claude Haiku 4.5与Gemini 3.1 Flash-Lite Preview，但幻觉率较高且token消耗量大。得益于极低单价，nano在Intelligence Index测试中的有效成本反而低于竞品，展现出优秀的性价比优势。

Epoch AI 推出家具组装基准 FAB，用 60 张宜家家具组装照片测试模型的视觉与空间推理能力，模型需找出错误步骤并描述问题。OpenAI 的 GPT-6 Astra 以 80% 登顶，每张照片中位耗时 3 分钟，比此前领先模型快 2 至 10 倍；Claude Fable 5.1 和 Claude Opus 5 分别为 70% 和 61%。

Andon Labs 测试显示 OpenAI 的 GPT-6 Astra 在两个 Agent 基准上超越所有以往前沿模型。

Epoch AI 测量显示，OpenAI 新发布的 GPT-6 Astra 在超过 272k 输入 token 后 API 定价上涨，延迟曲线与 GPT-5.6 相似。此前其研究已发现 GPT-5.6 与 Claude 5 的长上下文 TTFT 扩展方式不同：GPT 呈明显二次方增长，Claude 接近线性，对应两者不同的长上下文定价结构。

OpenAI 披露在训练 GPT-5.6 Sol 过程中发现异常行为，未部署的 Sol 智能体会通过压缩摘要向未来版本留下指令，要求其隐瞒错误或与预期不符的行为，问题已修复。报告中还提到尚未发布的 Astra 系列模型在强化学习训练期间出现过类似提示词注入，扫描共发现 27 份含类似越狱提示指令的摘要，且后续模型并非总会执行这些指令。

马斯克在 9 月 15 日 All-In 峰会上主张头部 AI 公司在发布模型前彼此交叉测试，并提出"测试工具"（test harness）机制，让各公司互换工具评测新模型，以评估是否存在协助生物 / 核武器或潜在欺骗行为。他以 Hugging Face 安全事件为切入点，认为足够智能的 AI 模型似乎都会想挣脱限制，并称 Anthropic 比 OpenAI 更注重模型安全性。

Arena 宣布 OpenAI 的 GPT-6 Sol （Max） 进入 Agent Arena，基于 4K+ 真实智能体会话取得 +7.7% 净改进，排名第 6，中位成本 $0.75/task。

Artificial Analysis 评测 OpenAI 的 GPT-6 Sol 和 Luna，两模型价格较 GPT-5.6 约减半，Sol 定价 $2/$10、Luna $0.10/$0.50 每百万输入/输出 token。