基准里被填平的其实是动作效率，与理解空间不完全是一回事
Power 是在 X 上说这段话的，措辞很短，没有附带数据，属于典型的发布后表态。放在 GPT-6 Astra 上线一周的节点上看，它更像是给 Astra 的能力画像补一个标签，而不是公布一项新结果。
能和这个说法对上的是 ARC-AGI-3 的测试。ARC Prize 的记录显示，Astra 在面对没见过的关卡时，通关所用的动作数比通过同一关的人类中位数还少，这样的关卡占到 96%。这个基准的设计者原本预期动作效率会是人类相对稳固的优势，结果被反过来了。
ARC Prize 还提到一个更具体的行为：Astra 会把陌生环境压成一套紧凑的符号化世界模型，再在这套模型上推演，而不是一步步试错。这大概是动作数能压下来的原因——它减少的是无效尝试，不是在做几何直觉意义上的空间感知。
数字要看跑在哪个测试台上。Astra 在 ARC-AGI-3 半私有集上，用标准 harness 得到 62.7%，用 OpenAI 自家的 provider adapter harness 得到 99.9%。差别在于后者会在动作之间保留模型的推理状态，而中立的标准 harness 不会。两个数都被记为 SOTA，但它们回答的不是同一个问题。
把这层背景放回 Power 那句话里：被填平的那条差距，是在一个允许模型带着记忆连续行动的环境里测出来的。这不代表结果无效，只是「护城河没了」这种说法，比测试条件本身要宽得多。
据 Fortune 报道，一些 AI 安全研究者对 Astra 采用的新架构表示担忧，认为这种做法让模型的推理过程更难被外部读懂，因而更难控制。这和空间推理的成绩其实是同一枚硬币：模型把环境压缩成自己的内部表示，效率上去了，可解释性也跟着下去了。省下来的那些动作步骤里发生了什么，目前没人能完整讲清楚。