LLM 评测机构 Vals AI 记录 GPT-6 Astra 在 Minecraft 中持续完成复杂长程任务：搭建半自动烈焰人农场、收集烈焰棒并进入诡异森林获取末影珍珠。随后苦力怕炸毁储物箱与床铺，暴露出智能体在关键物品保护和灾难恢复上的工程短板。
7 大权威镜像天梯跑分与 29+ 款主流编程套餐横向比价测算
联动天梯榜跑分、独家套餐赠金与 IDE 定制规则
大语言模型能力的爆发越来越依赖高质量、可验证的智能体交互数据（SFT 与 RLVR），然而目前这类工业级训练数据的生产仍然极度依赖高技能人类专家的手工标注，难以实现随算力自然扩展的递归自我进化（Recursive Self-Improvement, RSI）。香港中文大学、思谋科技等联合团队推出首个直接对齐工业数据验收标准的智能体自主数据合成评测基准 AutoDataBench。与以往必须花费高昂算力训练一个完整下游模型才能检验数据质量的间接做法不同，AutoDataBench 模拟生产流水线验收准则，直接对智能体单一样本生成结果的合法性、新颖度、挑战难度以及行为覆盖度进行样本级严苛打分。实测显示：在 45 分钟默认测试时预算下，当前顶级智能体得分均未超过 20/100；然而将时间预算增加 4 倍后，优质可用样本的产出率大幅跃升且单样本生产成本保持稳定，充分证实智能体具备完全自主生产高质量训练数据的潜力，但亟待突破推理效率瓶颈。
Vals AI 宣布 GPT-6 Astra 已通关 Factorio: Space Age。该扩展包含六颗星球，人类通关时间约为原版 Factorio 的 10–20 倍；Astra 累计游戏内时间超过 165 小时，墙钟时间约 2 天，展示前沿模型在长程、多目标建造与自动化任务上的能力。
Vals AI 表示，OpenAI 发布 Astra for Law 后使用 Legal Research Bench 进行验证。OpenAI 自报结果显示，Astra for Law 在各价格点均超过带 Web Search 的 GPT-6 Astra：加权评分 90.0% 对 84.1%，全通过率 53.7% 对 39.6%；Vals 正在用保留测试集复核结果。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察