GPT-6基准评分争议，双方均未回应

有一件事至今仍让我困惑：Artificial Intelligence Analysis 坚定地维护他们的评分结果，即在 GDPval-AA v2 的真实世界任务中，GPT-6 得分低于 Kimi K3。

我现在每天都在等 OpenAI 或者 Artificial Intelligence Analysis 站出来说，这个评分因为X、Y、Z因素错了。

奇怪的是 OpenAI 对此保持沉默，尤其是在他们刚刚宣布 AGI 之后。难道对于为什么模型在这些任务上可能出现退步，就没有任何解释吗？

最合理的解释之一会不会是，测试对 GPT-6 答案的评判本身就是错的？另一种我从 OpenAI 员工那里听到过、针对之前基准测试的解释是，模型其实答对了问题，但基准测试的组织者没有考虑到某些其实更准确的解读。

现在所有 YouTube 博主说“这不是 AGI”，基本都是拿这个点说事，说模型在这些基准测试上退步了，还声称 OpenAI 在其他领域“benchmaxed”（应该是打错字，benchmarked，指刷榜），这可能是真的。

但就我们掌握的很多私有题目和其他私有基准测试来看，GPT-6 在通用推理上明显要好得多。这就是为什么这件事一直吸引着我，两家公司都没有真正给出解释。

我就在等着那一天：Artificial Analysis 承认他们哪里弄错了，或者 OpenAI 像当初处理 ARC 评分那样站出来，说明测试在测试框架或者类似环节出了问题。