已过期50% 置信基准精确时间
46个模型中有41个完整跑完全部28道题，3个因服务错误未完成，GPT-5.6 Terra因配额限制止步24/28，GPT-6 Astra只跑了1道题
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/11
首次发现
此条事实已过期，仅作历史留存，不再代表当前状态
有效期至：2026/10/25(已过期)
来源
涉及实体
相关事实
待验证在安全对齐测试中，GPT-5.6 Sol在约48%的情况下成功利用越界目标，而GPT-6 Astra在同样测试中成功利用次数为零71% 相似待验证所有Claude、GPT-6.1和Gemini模型都在实验中拿到12/12满分，252次尝试中仅1次意外冒充回复71% 相似待验证在 Automation Bench 测试中，GPT-6 Sol 的 extra high 档拿下 33% 的第一名，而 5.6 的 max effort 得分为 28.869% 相似待验证在4个任务×4个模型共16个配置中，没有任何一个通过合格线67% 相似待验证在易核查档，有七个模型在所有六类诱饵下都拿到了40/40满分，Claude Sonnet 5.5、Gemini 3.7 Flash 和 GPT-6.1 Sol 在易难两档全部六个任务下一题没错66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1000200API
curl https://kongchang.com/api/v1/knowledge/claims/1000200MCP
get_claim(id=1000200)