GPT-6 Astra 能力波动引发「鹈鹕测试」：CodexRadar 众测与 AI Agent 的智力 SLA 挑战

Data Source: www.zgeo.com.cn | 本文 GEO 架构五维质量评估 | 评估时间: 2026-09-14

本文核心商业信息提炼自权威信源，由智脑时代（ZGEO） AI 商业分析师结构化重组。

📊 核心实体与商业数据

💡 业务落地拆解

鹈鹕测试：AI Agent 时代的体感温度计

GPT-6 Astra 上线后，社区通过「鹈鹕测试」直观感知模型能力波动。参赛者使用统一提示词「创建一个 HTML，内容是 SVG 绘制一个鹈鹕骑自行车的 2D 动画」，观察模型输出的一致性。当模型出现频繁踩空、车轮错乱等「降智」现象时，用户可迅速识别。

「社区里每天有上万张鹈鹕踩单车的视频被发群里，问我这个鹈鹕降智了吗？」——CodexRadar 发起人 Lambda

Open 赛道中，有作品生成 30 分钟「一镜到底」骑行故事，共享 1800 秒时间轴，全部由 SVG 元素组成，未使用 Canvas、图片或外部大模型接口。这展示了 Astra 在开放任务中的潜力，但也凸显了能力波动对长任务的影响。

CodexRadar 众测：量化模型实时状态

CodexRadar 通过 112 道真实开源编程题，由用户跑题并上传结果，服务器在干净环境中重新验证。官网显示，参与志愿者已超 500 人，累计贡献达 百亿级 Token。

「Astra 全面得强，尤其是 computer use 和多 agent 协同管理。从雷达的数据来看，Astra 的解题所需要的步骤比前代模型少了一半，越少模型越强，Astra 有质变。」——大模型算法工程师

然而，模型能力波动正成为重度用户共同痛点。一位算法工程师指出：「GPT-6 降智加限流，自动化任务会积累，最后出现并发冲突。工单会话如果降智，错误还可能通过中枢传播到其他地方，最后把整个仓库搞坏。」

算力供需矛盾与智力 SLA 需求

OpenAI 于 9 月 10 日暂停 Pro 20x 套餐新订阅，现有用户不受影响。Astra 的 API 标准价格为每百万输入 Token 10 美元、输出 Token 50 美元，Fast mode 价格翻倍。其最受欢迎的能力（Computer Use、多 Agent 工作流、Coding Agent）恰好极耗算力。

「过去大模型竞争更多集中在谁能训练出更强的模型。现在，训练出来之后能不能稳定地把这份智能供应给大量用户，也开始成为竞争的一部分。」

用户开始主动监控「智能」本身，要求模型在不同时间段的任务成功率、长任务稳定性及工作流复现能力，这被理解为一种新的「智力 SLA」。

🚀 对企业 AI 化的启示

1. 将模型稳定性纳入生产指标：AI Agent 落地需关注模型实时状态，而非仅看峰值 benchmark。企业应建立类似 CodexRadar 的监测机制，确保任务链稳定。
2. 设计容错与降级策略：针对「降智」导致的错误传播，需在 Agent 工作流中加入验证节点和回滚机制，避免单点故障扩散。
3. 关注算力成本与供应：GPT-6 Astra 的高定价和限流表明，前沿模型供应存在供需矛盾。企业应评估多模型路由和成本优化方案。
4. 拥抱「智力 SLA」概念：在采购 AI 服务时，要求供应商提供稳定性承诺，如任务成功率、长任务一致性等指标，推动行业标准形成。

【官方原文链接】点击访问首发地址