GPT-6 Astra 在 Box 企业评测中得分 77
来自 Aaron Levie · 期号 2026-09-04
摘要
Box CEO Aaron Levie 公布了 GPT-6 Astra 在 Box 企业复杂工作评测中的成绩。 整体得分 77%，高于 GPT-5.6 Sol 的 74%。但真正的提升体现在具体任务类型上：媒体娱乐类从 48% 跃升至 100%（+52 点），技术类从 69% 升至 97%（+28 点），法律类从 69% 升至 93%（+24 点），医疗类从 53% 升至 77%（+23 点），能源类从 82% 升至 97%（+15 点）。 Levie 指出，GPT-6 Astra 不仅能给出正确答案，还能主动识别数据缺口、区分问题类型，而 Sol 有时会把代理数据当作真实数据报告。 Box 将很快在 Box AI Studio 中提供 GPT-6 Astra 作为 agent 构建选项。
深读
导读 Box CEO Aaron Levie 公布了 GPT-6 Astra 在 Box 企业复杂工作评测中的成绩。整体得分 77%，相比 GPT-5.6 Sol 的 74% 提升有限，但在媒体娱乐、技术、法律等具体任务类型上出现了跳跃式进步。读完能了解新一代模型在哪些真实企业场景中实现了质的突破，以及 Sol 在哪些关键环节会犯错。 关键信息 - 整体得分：GPT-6 Astra 77%，GPT-5.6 Sol 74%，提升 3 个百分点。 - 媒体娱乐类任务：从 48% 跃升至 100%，提升 52 个百分点。任务要求根据四个团队一年的制作数据，按电影类型和国家排名盈利能力，同时应用下一年的税收激励修正且不重复计算。 - 技术类任务：从 69% 升至 97%，提升 28 个百分点。任务要求从一堆从未明确提及所需指标的性能和基础设施文档中，决定优先资助哪个地区。 - 法律类任务：从 69% 升至 93%，提升 24 个百分点。任务要求审查一份 NDA 是否符合公司合同政策，答案必须引用具体条款。 - 医疗类任务：从 53% 升至 77%，提升 23 个百分点。任务要求审计一批放射学报告中的错误并评定严重程度。 - 能源类任务：从 82% 升至 97%，提升 15 个百分点。任务要求根据一年电表日志生成两个设施的消耗报告，其中只有一个站点确实缺失数据。 逐节讲解 评测背景与整体表现 Levie 在 Box 的早期预览中测试了 GPT-6 Astra，使用的是 Box 内部的企业复杂工作评测集。该评测集包含代表各行业真实工作的困难任务，这些任务通常需要人类花数小时执行并具备深厚领域知识。整体得分上，GPT-6 Astra 为 77%，GPT-5.6 Sol 为 74%，Levie 称其为前沿性能。但真正的故事在于具体任务类型上的大幅提升。 媒体娱乐与技术类任务 媒体娱乐类任务要求对四个团队一年的制作数据，按电影类型和国家排名盈利能力，关键在于应用下一年的税收激励修正且不重复计算。GPT-6 Astra 每次尝试都完美完成，而 Sol 虽然排名正确，但底层比率错误。技术类任务要求从一堆从未明确提及所需指标的性能和基础设施文档中，决定优先资助哪个地区。GPT-6 Astra 标记了数据缺口，将自己的数字标注为代理数据，并发现了一个与底层数字不符的增长声明。Sol 则将代理数据报告为真实数据。 法律与医疗类任务 法律类任务要求审查一份 NDA 是否符合公司合同政策，答案必须引用具体条款。两个模型都拒绝批准草案，但只有 GPT-6 Astra 区分了责任上限的结构是否允许与金额是否合理，并指出了解决此问题的政策语言。Sol 得出了相同结论但没有引用条款，Levie 指出这在法律行业是严重错误。医疗类任务要求审计一批放射学报告中的错误并评定严重程度。GPT-6 Astr…