博客晚了两小时，Astra 的评测数字之后又改了几轮

那天下午的时间线

据 Fortune 报道，博客延迟发布已经不常见，更少见的是发布之后页面仍在变。可以对上的几处改动：

• 下午 5 点 20 分左右的存档里，Astra 的幻觉率从首版的 4.2% 降到 2%，GPT-5.6 Sol 从 12.2% 降到 9.4%。
• 此后两个数字又被改回 4.2% 和 12.2%，等于绕了一圈回到原点。
• GPT-5.6 Sol 在 OpenAI 内部版 ExploitBench 上的成绩，从首版的 5.5% 上调到 11.5%，这次没有再改回去。
• 公开版 ExploitBench 上，Astra 拿到 100%，Sol 为 78.5%。

OpenAI 的解释是，调整是为了让数字代表对模型性能的最佳估计。

两个方向，两种性质

幻觉率那一处是降了又还回去，看着像一次没校对完就上线的失误。ExploitBench 那一处不一样：它把上一代模型的安全评测成绩上调了一倍多，且保留至今。同一批数据里同时出现「改错了改回来」和「改完就留着」，外界就无从判断这次发布的评测流程到底是哪里没跟上——是数据没定稿，还是口径在发布当天仍在讨论。

没有版本号的成绩单

问题不在于数字能不能改。评测口径修正很正常，学术论文也会挂勘误。问题在于这篇博客改动时既没有版本号，也没有修订说明，页面永远只展示最新一版。于是唯一能证明改过的东西是第三方存档快照，而这是记者在做的事，不是发布方在做的事。

后果是一份成绩单变得不可引用。任何人写「Astra 幻觉率 2%」都可能是对的，只要他引用的是 9 月 3 日傍晚那一版；写 4.2% 也是对的。同一个来源、同一天，两个互相矛盾的数字都能找到出处。

发布这件事也在被评估

模型能力的比较最后总会有第三方跑分来兜底，早晚会有确定的答案。但发布过程本身的稳定性没有第三方来测，它只能靠一次次发布积累印象。延迟两小时、改数几轮、不留修订记录，这几件事单看都不大，凑在一次旗舰发布里，就成了另一种可观察的信号。