GPT-6 Astra编码实测：69.9%验收达标，整任务完成仅26.4%

2026年11月8日公布的这项结果显示，在273道多模态任务上，GPT-6 Astra平均通过69.9%的验收条件，整任务完成比例却只有26.4%。

事实还原

273道任务源自37463条去重查询，取自26314个真实开发者编码会话。基准分多模态编辑与仓库编辑两轨，前者侧重本地化编辑，后者涉及仓库级修订。每道任务都配了专家编写的隐藏验收标准，共2331条，评分走judge-then-refute协议。

测试涉及10个模型端点。凡是仓库编辑任务跨三到四种变更类型，各端点的标准完成率都低于只含一到两种变更类型的任务。基准不给金标准代码，也不给目标截图，审计靠源代码与浏览器证据，外加独立的LLM验证器。

机制拆解

能力被划成grounded understanding、UI transformation与functional implementation三个维度。真实用户请求里常夹带图像、音频、视频或文档，智能体得在看不到目标输出的前提下完成修订。验收条件局部满足与整任务完成之间差了43.5个百分点，说明多步骤协调执行时，部分标准过了，后续环节一旦失败，整个任务照样交不出来。

变更类型一多，智能体在一致性与完整性上就更吃力，仓库编辑轨道的下滑正说明了这一点。协议让独立验证器去挑战正面判定，视觉与交互方面的误判因此减少。

产业影响

从这组结果看，编码智能体在真实用户场景中好不好用，仍卡在从局部满足到完整交付这一步。基准把合成测试的高分和实际应用中的交付分开来看，开发者或许会更重视多步骤协调与错误恢复。

这套多家机构参与的测试框架，为衡量agentic模型在真实应用修订中的表现提供了参照。整任务完成率偏低，相关产品进入生产环境的采用决策可能因此受影响。

战略判断（分析而非事实）

按已有事实推断，基准暴露的差距或许会促使行业重新审视评估方法，把支持长序列变更协调的模型架构放到优先位置。如果后续测试沿用类似口径，局部优化的路子可能要让位给端到端交付能力的提升。