OpenAI điều chỉnh dữ liệu đánh giá GPT-6 Astra, gây ra lo ngại về tính minh bạch

Động thái Beating AI, sau khi OpenAI ra mắt GPT-6 Astra vào ngày 3 tháng 9, nhiều dữ liệu đánh giá mô hình trên các tiêu chuẩn đã liên tục được điều chỉnh; một số sửa đổi giúp Astra thể hiện tốt hơn, trong khi một số mô hình đối thủ lại ghi điểm giảm, gây ra nghi ngờ từ bên ngoài về hành vi “lừa dối bảng xếp hạng” và tính minh bạch của các bài đánh giá. Trong đó, tỷ lệ ảo giác của Astra từng được giảm từ 4,2% xuống 2%, trong khi GPT-5.6 Sol giảm từ 12,2% xuống 9,4%, sau đó cả hai đều trở lại mức 4,2% và 12,2%. Trong bài đánh giá toán học, điểm số của Fable 5.1 do Anthropic từng giảm từ 87,8% xuống 78%, hiện đã phục hồi lên 83%; GPT-5.6 Sol cũng giảm từ 83% xuống 80,5%, sau đó phục hồi về 83%. Ngoài ra, điểm số của Astra trong bài đánh giá ARC-AGI-3 đã tăng từ 98,6% trong bản nháp trước khi ra mắt lên 99,99% trên trang cuối cùng, và điểm đánh giá lập trình cũng được điều chỉnh nhẹ từ 57,7% lên 57,9%. OpenAI cho biết kết quả đánh giá có thể bị ảnh hưởng bởi phiên bản mô hình, cấu hình công cụ, mức độ suy luận và các yếu tố chạy thử nghiệm; các điều chỉnh lần này nhằm đảm bảo dữ liệu phản ánh chính xác hiệu suất tối ưu của mô hình. Tuy nhiên, các nhà nghiên cứu tại Đại học Stanford cho rằng việc chạy lại bài đánh giá thường xuyên có thể liên quan đến hiện tượng “Benchmaxxing” — tức là điều chỉnh điều kiện kiểm tra để tối đa hóa điểm số trên tiêu chuẩn. Các chuyên gia trong ngành chỉ ra rằng, khi cạnh tranh giữa các mô hình AI ngày càng gay gắt, dữ liệu đánh giá đã trở thành công cụ quan trọng để đo lường năng lực mô hình và cạnh tranh thị trường; cách thức nâng cao tính minh bạch và khả năng tái tạo của các bài kiểm tra chuẩn đang ngày càng nhận được sự quan tâm.