GPT-6評分口徑被質疑

GPT-6評分口徑再受質疑 ARC表格落差37分掀基準可信度爭議 GPT-6 的評分口徑再度成為外界關注焦點。在 Astra 評分爭議持續延燒之際，一名 Reddit 作者主動著手核對 ARC 相關表格，發現兩項測試之間的成績落差達到 37 分。這項發現讓討論迅速升溫，質疑的矛頭也從單一模型表現，轉向同一模型在不同評測基準下，其成績是否被以不同方式呈現。據了解，這名 Reddit 作者並非僅止於比對數字，而是進一步檢視 ARC 方面對外發布的相關資料。在交叉核對的過程中，兩項測試之間的落差成為最受矚目的焦點。

37 分的差距，在講求精確與可比較性的評測領域中並不算小，也因此被視為理解整起爭議的關鍵切入點。這位作者同時指出，ARC 方面從未將這項結果直接稱為 AGI。換言之，評測方自身的表述相對保守，並未把高分與通用人工智慧畫上等號。然而在外界傳播的過程中，高分往往被簡化為「已達 AGI」的訊號，這與評測方的原始說法並不一致。正因為存在這樣的落差，爭議的焦點也出現轉移。討論不再只是圍繞「模型到底有多強」，而是進一步追問「分數究竟代表什麼」。當同一個模型在不同基準下呈現出明顯不同的成績，分數本身的意義與可比較性，便成為無法迴避的問題。爭議的影響範圍並未侷限於單一評測方。這波討論亦波及 OpenAI。

有用戶在比對之後指稱，OpenAI 頁面上的數值曾經出現改動，使得評分的可追溯性受到進一步檢視。一旦同一組數據在不同時間、不同頁面上呈現出不一致的樣貌，外界對於評分可信度的疑慮便難以平息。可追溯性是評測公信力的重要基礎。當數值會隨時間或頁面而變動，外界便難以確認哪一版才是最終定稿，也難以還原評分的完整脈絡。對研究者與一般讀者而言，這不僅是技術細節，更牽涉到能否信任一份評測報告的核心前提。截至目前，各方尚未就表格差異與頁面數值變更給出統一說明。在缺乏一致解釋的情況下，各種推測與質疑持續累積，也讓原本單純的成績之爭，逐漸演變為對整個評測流程的信任考驗。

從更廣的角度來看，這起風波反映出評測生態的結構性難題。當模型能力快速推進，評測基準、揭露方式與對外溝通若無法同步跟上，就容易出現資訊落差。同一個模型在不同基準下的表現被以不同方式呈現，究竟是方法差異、更新時序，還是其他因素所致，目前仍缺乏清楚交代。此外，外界把高分直接等同於通用人工智慧的傾向，也在此次爭議中被放大檢視。評測方未曾如此表述，但傳播鏈上的簡化與誇大，卻可能讓公眾對模型能力產生誤解。這種「評測說一套、傳播說另一套」的現象，正是本次討論中最值得注意的一環。對 OpenAI 而言，頁面數值變動的指稱若無法獲得妥善說明，評分的可追溯性將持續受到檢視。

對 ARC 而言，表格差異與 AGI 表述的界線，也需要更清楚的溝通。當各方說法未能對齊，外界對評分可信度的疑慮便難以真正平息。可以預見的是，這場爭議恐怕不會只停留在單一模型的成績之爭。它牽動的是評測方法、資訊揭露與公眾理解之間的整體關係。若同一組數據在不同時間、不同頁面上持續呈現不一致，外界對評分可信度的疑問只會不斷累積。在各方給出一致且可檢驗的說明之前，關於 GPT-6 評分口徑的討論，以及 ARC 表格與 OpenAI 頁面數值的疑問，恐怕仍將是輿論關注的核心。分數究竟代表什麼，這個問題的答案，或許比模型本身強到什麼程度，更值得被認真對待。