GPT-6 Astra 第三次通关 Nethack

我想起一个事实：臭名昭著的 Milgram 实验其实相当站不住脚，因为大多数人怀疑电击是假的（事后看来挺明显），于是他们配合着去电击别人，并非出于对权威的服从，而是因为这根本无所谓。

Ethan Mollick 质疑 FT 关于 AI 聊天机器人回答理财问题"多数时候出错"的报道，指出其与近期其他研究结论矛盾，并下载了这份由销售 AI 金融服务产品的公司发布的报告。他认为报告仅给出有限示例，无法判断准确性，并询问熟悉英国税法的人：GPT-6 Pro 为 Haiku 答案的辩护是否正确，还是 Saturn 的批评成立。

Ethan Mollick 回忆自己在 GPT-3.5（text-davinci-003）发布当天、ChatGPT 上线前两天试用该模型的经历。不到四年后，LLM 已处于美国政治的中心，对 LLM 的投资也成为美国经济的中心。

让 Fable 5.1 Max 和 GPT-6 Astra Pro 就著名的未解密米诺斯语言线形文字A（Linear A）的拟译进行互相辩论。 （顺便说一句，它们俩看起来都没破解它。） 到目前为止的所有工作都放在这个 GitHub 上：https://github.com/emollick/linear-A

Ethan Mollick 认为，企业数据主权运动将直面一个挑战：只要 AI 能力持续指数级增长，持续微调小模型并让其稳定击败更大的通用模型既昂贵又困难。他引用一则 2026 年 9 月的设想场景：一边用 GPT-6 Astra 跑多州研究项目，一边花重金买 GPU 去微调 NVIDIA Nemotron 3。

Ethan Mollick 认为 GPT-6 Astra 和 Fable 5.1 在适当引导下已能可靠完成数周人类工作量，足以在大部分经济领域产生变革性影响。这种影响不会一次性发生且分布不均，但变化不可避免，无论前沿进展如何被调控。他强调需开发并分享增强而非仅替代人类劳动的 AI-人类协作模式，实验室、企业和政策制定者都应参与。

@METR_Evals 的长时程指标是否实际上已经饱和？ 自5月以来，AI进展最著名的图表没有更新，但其他已发表的研究表明，在受控环境中，Fable（我推测GPT-6也是如此）可以有效完成18周以上的工作量。

Ethan Mollick 批评 GDPval-AA 是糟糕的基准：AI 回答主观判断题，且由其他 AI 而非人类专家评分，缺乏有效性却仍被 AI 实验室引用。引用推文指出 Artificial Analysis 坚持 GPT-6 在该基准上真实任务得分低于 Kimi K3，而 OpenAI 对此保持沉默，或与测试评分方式有关。

Transformer架构的发展至今不到十年。 GPT-3.5（ChatGPT）的发布至今不到四年。 o1-preview（首款推理模型）的发布至今不到两年。

Ethan Mollick 让 GPT-6 Astra 依据布列 1784 年未建成建筑"牛顿纪念堂"的几张黑白草图与文字描述，构建出完整 Blender 模型，并生成带旁白的漫游视频。此前 Gemini 图像生成器（nano banana）也曾据原图对该建筑进行成像。