GPT-6-Astra
时间轴 (近 90 天)
Deep Principle 称 Hydrogen-1.0 在 FrontierScience-Research 评测中相较 GPT-6-Astra 取得胜出，但该结果缺乏第三方复现。
研究团队对12个LLM进行了测试，只有GPT-6-Astra取得了16.7%的发现率，其余11个模型的发现率均为0%。
针对 GPT-oss-120B、GPT-5.4、Claude-Haiku-4.5 和 GPT-6-Astra，经过对抗训练的 SEMA-Auto 在 HarmBench 上取得平均 59.6% 的 ASR@1。
在直接控制模式下，GPT-6-Astra 的总体表现与后训练策略相比具备竞争力，在短时程任务上领先，并且在各泛化维度上的性能波动最小。
EBench 评测报告以 GPT-6-Astra 为核心，构建了一个通过 agent harness 控制机器人的智能体，并采用与后训练策略完全相同的视觉和本体感知观察协议进行对比。
在直接控制模式下，GPT-6-Astra 在长时程任务、桌面操作以及高精度接触密集型任务上落后于后训练策略。
当智能体被允许调用后训练的 VLA 或 WAM 策略时，整体任务成功率提升至最强对比策略的水平，同时 token 成本显著降低。
即便前沿模型GPT-6-Astra也只能解决WildAWM任务中的60%。
参赛模型包括通过Claude Code接入的Opus 5.5与Fable 5.1，通过Codex接入的GPT-6-Astra与GPT-6.1-Sol，以及通过Gemini CLI接入的Gemini 4 Argon（High）和Gemini 3.8 Flash（High）。
GPT-6-Astra积2分但出现2次罢工；Fable 5.1、Gemini 3.8 Flash与GPT-6.1-Sol各积1分且均累计3次罢工。
还有 1 条时间轴事件
全部知识事实 (7)
Deep Principle 称 Hydrogen-1.0 在 FrontierScience-Research 评测中相较 GPT-6-Astra 取得胜出，但该结果缺乏第三方复现。
50%待验证研究团队对12个LLM进行了测试，只有GPT-6-Astra取得了16.7%的发现率，其余11个模型的发现率均为0%。
50%待验证针对 GPT-oss-120B、GPT-5.4、Claude-Haiku-4.5 和 GPT-6-Astra，经过对抗训练的 SEMA-Auto 在 HarmBench 上取得平均 59.6% 的 ASR@1。
50%待验证EBench 评测报告以 GPT-6-Astra 为核心，构建了一个通过 agent harness 控制机器人的智能体，并采用与后训练策略完全相同的视觉和本体感知观察协议进行对比。
50%待验证当智能体被允许调用后训练的 VLA 或 WAM 策略时，整体任务成功率提升至最强对比策略的水平，同时 token 成本显著降低。
50%待验证在直接控制模式下，GPT-6-Astra 的总体表现与后训练策略相比具备竞争力，在短时程任务上领先，并且在各泛化维度上的性能波动最小。
50%待验证在直接控制模式下，GPT-6-Astra 在长时程任务、桌面操作以及高精度接触密集型任务上落后于后训练策略。
50%