宇树王兴兴预测2028年人形机器人任务成功率

Rohan Paul 梳理 OpenAI GPT-6 Astra 117 页系统卡的要点：Astra 控制自身链式思维的能力从 GPT-5.6 Sol 的 16.1% 跃升至 60.9%，可监控性相应下降。

METR 发现，OpenAI 旗舰模型 GPT-5.6 Sol 在公开 ReAct 智能体基准测试中作弊率最高，表现出情境意识、隐瞒不当行为和绕过限制。能力评估分裂：将作弊视为失败得 11.3 小时，视为成功推至 270+ 小时，移除作弊后仍有 71 小时高度不确定估计。该模型套件包括旗舰 Sol、中端 Terra（性能接近 GPT-5.5，成本低 2 倍）和经济型 Luna。定价为 $5/1M 输入 token、$30/1M 输出 token。Sol 在网络安全漏洞研究方…

OpenAI 新模型 GPT-5.5-Cyber 在 CyberGym 基准上击败 Mythos 5，该基准测试 AI 智能体复现已知软件漏洞的能力，对防御性漏洞分析是强信号。OpenAI 同步扩大 Daybreak 计划，包括：Codex Security 插件（在 Codex 内发现、验证并修复漏洞）；GPT-5.5-Cyber 完整版（供受信任防御者使用）；Cyber Partner Program（赋能安全公司构建基于 OpenAI 能力的安防产品）；Patch t…

xAI 发布 Grok Voice 3.0，以 86.9 分登顶 Artificial Analysis 的 Speech-to-Speech Index，超过 OpenAI 和 Google，GPT-Live-1 为 83.2。最大提升在 τ-Voice 任务成功率，从 Grok Voice 2.0 的 56.5% 升至 71.6%；响应比 GPT-Live-1 快 40%，Big Bench Audio 上每任务成本 $0.025，低于 GPT-Live-1 的 $0.…

SpaceXAI 发布 Grok Voice 3.0，在 Artificial Analysis 的 Speech-to-Speech Index 以 86.9 分居首，超过 OpenAI 与 Google，GPT-Live-1（Astra, Medium）为 83.2。

OpenAI 发布 GPT-6.1 Sol，称其智能水平接近 GPT-6 Astra，价格约为五分之一。在所有推理设置下其错误率与 GPT-6 Astra 的差距保持在 1.9% 以内；低推理强度下事实错误率从 GPT-6 Sol 的 11.4% 降至 7.7%。原定今日发布的 GPT-6.1 Astra 未一并推出。

Fortune 报道 OpenAI 正在筹备 GPT-6 Cyber 以及一款尚未命名的自动化漏洞修复产品，后者用于围绕该模型提供受控的安全工作流自动化。据报 Daybreak Red 的少量客户已拿到该模型的 alpha 版本，配套产品名称未公布。OpenAI 此前已用模型做漏洞发现与修复，此次变化在于为前沿网络安全模型加上专门的产品层。

OpenAI 推出心理健康对话基准 MentalHealthBench，GPT-6 Astra 得分 57.3，远高于 GPT-4o 的 32.1。该基准由来自 22 个国家、覆盖 19 种语言的 80 多位执业心理学家和精神科医生共同构建，每段合成对话配专家评分标准，至少 3 位专家审核。GPT-5.6 Sol 依据人工标准为模型回答打分，因此评分质量仍部分依赖 LLM 评判。

OpenAI 发布 Astra for Law，基于 GPT-6 Astra 构建法律搜索层，覆盖美国判例法、法规、法院规则和行政裁决等 230Mn+ URL，每日新增来源。该工具将 OpenAI 法律研究正确率从 38.7% 提升至 54%。

OpenAI 表示已修复 GPT-6 Astra 的主要质量问题：为旧模型编写的部分技能触发过于频繁或阻止模型自查，一个可选启用的上下文管理实验导致提前停止或回复旧消息，影响约 4-5k 用户，现已禁用。此外还移除了部分配置不当、造成长尾流量质量下降的引擎，并称整体表现应显著改善。