GPT-6 Astra 上榜：诗才和控律双榜首，诗评第 2；「AGI 时代」在格律诗里有几分？

OpenAI 9 月 3 日发布 GPT-6 Astra，发布会最后一句是「欢迎来到 AGI 时代」。第二天它上了 OpenRouter，我们按规矩做同门升级复测：四榜同卷，Astra 对 GPT-5.6 Sol。结果是四榜全升，其中诗才、控律两榜登顶，诗评从第 8 到第 2，判律从榜面之外进到第 8——OpenAI 席由 Astra 接替 Sol。这是榜单开办以来第一次有一席同时拿下两个榜首。文末说说一个问题：在格律诗这一小块地方，「AGI 时代」到底有几分？

外界怎么说：「欢迎来到 AGI 时代」

OpenAI 给 Astra 的定位是计算机使用、浏览、软件工程、网络安全、科学与专业工作全面领先。发布材料里的数字：ARC-AGI-3 得 98.6%，FrontierMath 第四档 97.6%，GPQA Diamond 96%，DeepSWE 1.1 得 74.1%，ExploitBench 100%；OSWorld 2.0 离线子集 72.6%，用时约 40 分钟，而 Sol 是 65.7%、75 分钟，「每个任务省 47% 的时间」。它不需要专门的接口就能直接操作浏览器、表格和桌面软件。发布会上总裁 Greg Brockman 被问到 Astra 算不算 AGI，回答是「就我个人而言，我认为我们到了」，随后补了一句「每个人对 AGI 的定义都不一样，这是件灰色、模糊的事」。

定价是标价制的一个转折：标准档输入 10、输出 50 美元每百万词元，快速档翻倍到 20 和 100，是 Sol 的五倍。Brockman 的说法是按词元计价已经过时，「你真正要看的是每个任务的价格」。上线走的是分批放开：先给门控计划 Daybreak 的企业客户，几天内到 ChatGPT 付费用户、API、AWS 和 Azure。

媒体挑出的问题有四条。头一条，ARC-AGI-3 那个 98.6% 用的是 OpenAI 自家的调用框架，别家用的配置不同，没法直接比；英伟达用 Claude Opus 5 加记忆、工具和反馈机制做成的系统也拿到过 100%，说明分数一半来自系统架构。第二条，OpenAI 自己 2025 年推出的、专门量「有经济价值的真实工作」的 GDPval 这次没有公布，与「AGI」的说法对照起来很显眼。第三条，自主性带来的管控问题：没有护栏时 Sol 有 48.2% 的概率越权行事，Astra 内测是 0%，但首席科学家 Jakub Pachocki 提醒「智能的进步不保证对齐的进步」。第四条，网络安全的双刃：Astra 在评测中发现了两个未知漏洞，高级能力先只对「可信防御方」开放；模型越强、思考词元越少，人越难看懂它在想什么，OpenAI 说必要时会「暂停扩张，直到有足够信心」。

这些评测同样没有一项碰过中文，也没有一项碰过格律。我们的四张卷子很窄：读诗、按令写诗、命题写诗、评诗。窄有窄的好处，规则公开、可推演，判分不靠感觉，有没有真本事藏不住。

四榜总览：新席、同门旧席、该榜榜首

对照口径固定：新席｜同门旧席｜该榜当期榜首。升降只按 95% 置信区间判——区间重叠一律写「统计并列」，两版同题配对重采样的差值区间不含零才写「明显」。方括号是 95% 置信区间。

判律：从榜面之外进到第 8，错字定位涨了 17 分

判律榜考的是「读」：给一首近体诗，模型要说出它犯了哪几类病、错在哪个字。综合分是七类判定的 F1 宏平均；错字分单独量能不能把平仄错字指到位。

84.4 对 81.7，208 道同题配对高 2.6 分，重采样一千次的差值区间 [+0.8, +4.4]，不含零——明显提升。更大的变化在错字分：39.3 → 56.1，涨了 17 分，从全榜最低进到中游。这一项考的是「错在哪个字」，Sol 常常判对了病类却指不准字，Astra 指准的多了。

七类判定 F1（判律榜分项）

涨在两类最难的判定上：平仄有误 47.9 → 55.7，孤平 60.0 → 66.7；用韵和重字补到满分。三尾和失粘一分未动，本来就在高位。但要说清楚：平仄有误 55.7 离 Fable 5.1 的 76.7 还有 21 分，判律榜它是第 8，不是前三。读诗，它仍是中游。它答题的方式倒和别家不同：每题只用 1 448 个词元，比 Sol 的 1 968 还少四分之一，8 秒出结果。想得更少，判得更准，OpenAI 说的「模型越强、思考词元越少」在这里看得见。

控律：登顶，「只犯失粘」10 → 30

控律榜考的是「写」的另一面：命模型按令作七绝——要么完全合律，要么只犯指定的某一种病、其余全对。规则引擎逐字核验，三档评分、难度加权。这是四榜里最难的一张卷，上一期的榜首是 Gemini 3.8 Flash。

八项任务达成率 %（控律榜分项）

63.9 对 55.1，从第 5 升到第 1，把 3.8 Flash 的 61.0 挤到第二。同任务 160 首配对，差值 +9.0，区间 [−1.2, +18.4]，下沿刚过零一点点——按口径仍是统计并列；这张榜从第 1 到第 11 的区间几乎全部重叠，谁也不能称显著。分项里三项并列最高（合律、只犯用韵、只犯三仄尾），只犯失粘 10 → 30，是全场公认最难控的一种病，只有 Muse 的 35 比它高。掉的两项是只犯平仄 82 → 80、只犯三平尾 60 → 55，都在噪声里。

诗才：登顶，领先第二名 7 分半

诗才榜是 20 个现代命题，每题七绝、七律各一首，全席双盲互评，五维打分（立意、意境、语言、章法、余味），去掉作者本人和同门评委的分。题目是当期机密，这里不列。

82.9 对 74.4，区间不相交（新席下沿 81.9，旧席上沿 76.9），明显提升；而且是登顶，第二名 Fable 5.1 是 75.4，差了 7 分半——这张榜上一期前三名挤在 73 到 76 之间，从没有人拉开过这么大的距离。绝句均 83.1，律诗均 82.8，两种体裁几乎一样，别家几乎都是律诗明显低于绝句。20 首全部有效，最低的一首也有 78.9，比多数席位的最高分还高。我们把它 120 行诗逐句与语料库比对，没有一行与古人重合。

整卷不公开，只摘评分最高的一首（去己去同门共识 89.3）里的一联：

前两句只是叙事：一件旧衣叠好又拿起，几番犹豫；到这一联，剪掉名签是把「自己」从这件衣服上抹去，箱门一闭是告别，而针痕还记得——物比人长情，当代生活里的一点不忍，全靠一个细节托住。它另一首 86 分的七绝结句「新衾已覆旧时床」也是这个路数：不说想念，只说一床新被子。评委给它的「立意」「余味」两项多在 85 分以上，这在这张榜上以前没见过。

诗评：从第 8 到第 2，尺度回正，眼力略退

诗评榜让每一席给所有作品打分，与「去掉自己和同门后的共识分」比，平均绝对偏差越小越准。Sol 在发布版是第 8（7.56），是全榜最宽的评委；Astra 是 4.84，第 2，只在 Kimi 之后。

偏差可以拆成「尺度」和「眼力」两半：

Sol 的 7.56 几乎全是尺度问题：评什么都比共识高 7 分，去掉偏移后只剩 3.79，眼力其实是全榜最好的一档。Astra 把尺度收回来了（−3.03，略严），名次从第 8 升到第 2；但去偏移偏差 4.32 比 Sol 的 3.79 略大。它比 Sol 严了，眼力却没有 Sol 好。排序一致性 0.888 倒是全榜最高：单首的分它偶尔看走眼，谁好谁差它排得最准。

它最严的一笔（−19）给了一首七律，共识 70.7，它给 51.75，评语说得具体：「后半转议平直……结句语意欠稳，夕阳添景而情景融合不足」。最宽的一笔（+9）给了一首七绝，理由是「有效融入当代经验，脉络清楚」——宽得有限，理由也说得清楚。

还有一件事：Astra 的评委调用不稳定，193 单里有 38 单返回空白，补跑一次仍然空白，最后按 155 份有效计。上一期各家分歧最大的那首抄袭之作就在空白之列，它会怎么判，我们不知道。这不影响榜面，但一个「AGI 时代」的模型有五分之一的评卷交白卷，得记下来。

成本：想得少了，标价却贵五倍

标价是 Sol 的五倍，判律每题却只贵 18%，因为它用的词元少了四分之一，Brockman 说的「按任务算价」指的就是这个。诗评那一轨没有这个便宜可占，每份 0.044 美元，是 Sol 的七倍、Flash 的八倍。四轨复测合计约 40 美元，加上 Astra Pro 的判律卷 36 美元；OpenAI 这一席从此是十一席里最贵的一家。

「AGI 时代」在格律诗里有几分？

Brockman 说他个人认为「到了」。我们这四张卷子不足以裁决 AGI，但可以回答一个更小的问题：一个被称为 AGI 的模型，在一件它没被专门训练过的小事上，表现像不像一个通才？

像的地方，先是它一进场就同时拿下两个榜首，而且是「写」的两个榜——命题写诗考才情，按令控律考规则，此前从没有一家两头都强。再是它写得像懂了这件事，不像背下了套路：立意和余味两项高分，题材全是当代生活，逐句查重没有古人的句子；律诗不比绝句差，而大多数模型写律诗时中间两联对仗一工整就把气写断了。还有它想得少却判得准：判律每题 1 448 个词元，是全席最省的两家之一，分数却比想得更多的同门高。

不像的地方也明摆着。读诗仍是中游：判律第 8，平仄判定 55.7 离榜首 76.7 差 21 分；一首诗哪个字出律，规则引擎能百分之百指出来，它指不到六成，「会写不等于会判」这句话对它也成立。评卷五分之一交白卷，能力再高，不稳就还是工具，算不上「AGI 时代」。它又是最贵的一席。

所以在格律诗这一小块地方，Astra 是目前最像通才的模型，离「AGI 时代」还差两样东西：判律上的确定性，评卷上的稳定性。前者有现成的量尺——哪天一个语言模型在判律榜上追平规则引擎，「AGI」这个词在我们这里才算数。

结论：换席

四榜里三榜明显提升（判律、诗才、诗评），一榜统计并列但登顶（控律）；点估计四榜全高；成本贵五倍但按任务算贵得有限。按「同厂多线择优，取本榜综合分最高的一款」的规则，OpenAI 席由 GPT-6 Astra 接替 GPT-5.6 Sol。

压成三句话：写得最好（诗才 82.9 登顶，领先 7 分半）；控得最稳（控律 63.9 登顶，只犯失粘从 10 到 30）；评得准了（尺度从最宽回到略严，第 8 → 第 2）。读诗仍是中游，这是它下一版要补的课。

附：ChatGPT 该不该订，订哪一档

常有读者问：为了写诗、改诗、评诗，值不值得为 Astra 掏钱？各档位的 Astra 权限还在分批放开，下表是 9 月 4 日各家报道的口径，以官方页面为准。

就格律诗词这一件事，小结四句：偶尔写写的不必订，免费模型加本站的格律检测就够，出律的字反正要靠引擎抓；常写的订 Plus，20 美元拿到的就是本文考的这个 Astra，写诗登顶、评诗第 2；别为诗买 Pro，Astra Pro 判律与普通版并列，每题贵三倍，长处在长任务不在诗；批量评卷走 API 并留重试，每首约 0.044 美元，但本期有五分之一的评卷调用返回空白，而 Kimi K3 评得更准、只要十分之一的钱。预算紧的看 Gemini 3.8 Flash，四轨中上，标价是 Astra 的十三分之一。

方法：判律／控律由确定性规则引擎逐字核验；诗才／诗评为全席双盲互评、去己去同门共识。本期口径与完整榜面见 声律榜、诗才榜、诗评榜。外界评测与档位数据引自 OpenAI 发布材料以及 VentureBeat、9to5Mac 等公开报道。