AI Builders Digest 2026-09-07：Fortune 爆 Astra 基准数据被修改，Code Arena 登顶，执行能力贬值

今天的 AI Builders Digest 主线是 Astra 的余震：Fortune 报道 OpenAI 自发布以来多次修改基准数据，幻觉率从 4.2% 降到 2% 后又改回，跑分争议从「分歧」升级为「可信度」；Code Arena WebDev 上 Astra 以 1797 分登顶、领先 Fable 5.1 达 35 分；卡兹克给出中文圈最热的判断：执行能力正在贬值，判断力出现断层。凌晨的 0907 期已收录自动化研究里程碑，本期为同日第二期。

今日总结

主线：跑分的信任危机，与执行贬值的共识。

基准数据被反复修改，性质变了。 Fortune 报道：自 9 月 3 日发布公告以来，OpenAI 多次修改 Astra 的评测基准数据，幻觉率曾从 4.2% 降至 2% 后又改回。三天前的「Epoch 169 vs AA 61」还可以说是方法论分歧，发布后静默改数则动摇的是「公告即存档」的基本预期。对照 Code Arena 的第三方实测（1797 分登顶、领先 35 分），能力是真的，但数据治理出了问题。

Code Arena 给了第三方锚点。 GPT-6 Astra（Max）以 1797 分登顶 Code Arena WebDev，第二名 Claude Fable 5.1（Max）落后 35 分，第三名 Claude Opus 5 为 1688 分。在厂商公告可信度受疑的当口，竞技场式的盲测投票价值被放大：跑分可以被改，几千个真实用户的偏好投票难改。

执行贬值成为公共议题。 卡兹克在 Astra 爆火后的判断流传最广：执行能力正在贬值，判断力出现断层。案例都在眼前：用户用 Astra 自主操控 Blender、Houdini、Unity、Aseprite 做出游戏 Demo，3D 复刻旧金山艺术宫的项目里，Astra 自己搜索几百张参考图、翻到美国国会图书馆的老扫描文件找柱子尺寸，多数工作在夜间自主完成。当「做出来」不再稀缺，「决定做什么、判断好坏」成为新的断层线。

互联网还没准备好迎接个人 agent。 Levie 的提醒（451 赞）：互联网对「每个人的个人 agent 四处替他们执行任务」的未来几乎毫无准备，会涌现无穷的新问题——认证、限流、反欺诈、内容面向机器的形态。Zara 补了人文侧的担忧（78 赞）：人类注意力缩短是这个时代最大的危机之一，而 agent 让它更糟。

今日关键词： 基准修改 · Code Arena · 执行贬值 · 判断力断层

官方博客

AI Hot：Fortune 报道 OpenAI 多次修改 Astra 基准数据

AI Hot·2026-09-06 14:46 CST·原文链接

据 Fortune 报道，OpenAI 自 9 月 3 日发布 GPT-6 Astra 公告以来多次修改评测基准数据：Astra 幻觉率曾从 4.2% 降至 2%，之后又改回原值。

发布材料里的基准数字是行业配置资源的指挥棒。发布后静默修订，即便每次都有理由，累积的代价是「公告不可存档」。上周 Thibault 问「目标柱下一步挪到哪」，Fortune 的回答是：先别挪，把旧成绩改回来再说。

AI Hot：GPT-6 Astra 登顶 Code Arena WebDev，领先 35 分

AI Hot·2026-09-06 05:31 CST·原文链接

Code Arena WebDev 榜单更新：GPT-6 Astra（Max）以 1797 分登顶，第二名 Claude Fable 5.1（Max）落后 35 分，第三名 Claude Opus 5（Max）为 1688 分。

盲测投票的竞技场机制，正在成为跑分信任危机的最大受益者：厂商改数改不了用户的成对偏好。企业选型材料里，「Arena 排名 + 自家 eval」的组合会越来越常见。

AI Hot：卡兹克谈执行能力贬值与判断力断层

AI Hot·2026-09-07 08:08 CST·原文链接

GPT-6 Astra 上线后，大量用户用它自主操控 Blender、Houdini、Unity、Aseprite 等专业软件：游戏 Demo、3D 复刻旧金山艺术宫等作品密集出现。艺术宫案例里，Astra 自己搜索几百张参考图，一路翻到美国国会图书馆的老扫描文件里找柱子尺寸，多数工作在夜间自主完成。

卡兹克由此给出流传最广的判断：执行能力贬值，判断力断层。检索、建模、渲染这些「做」的环节被压缩后，价值向「定义问题、设定标准、判断优劣」迁移，而后者恰恰是最难外包的。

X/Twitter 动态

Aaron Levie（Box CEO）：互联网对个人 agent 毫无准备

Aaron Levie（levie）·2026-09-07 07:02 CST·原文链接

平台层的预警（451 赞）：互联网对「每个人的个人 agent 四处替他们执行任务」的未来几乎毫无准备，会涌现无穷的新问题。登录、验证码、限流、反爬、内容授权，整套 Web 基础设施都默认「用户是人」。上周 Rauch 的 WebMCP 讲的是给 agent 修路，Levie 讲的是路面以下的承重：两者都要重做。

Zara Zhang（独立开发者）：注意力危机被 agent 加剧

Zara Zhang（zarazhangrui）·2026-09-07 12:56 CST·原文链接

人文侧的冷水（78 赞）：我们这个时代最大的危机之一是人类注意力时长的缩短，而 agent 让它更糟。当信息消费、筛选、回应都被代劳，人剩下的那部分注意力该投向哪里，是比效率更根本的问题。执行贬值之后，注意力是第二块被重新定价的资产。

Nikunj Kothari（FPV Ventures 合伙人）：Fable 审查 Astra 的每一次提交

Nikunj Kothari（nikunj）·2026-09-07 11:12 CST·原文链接

一组正在发生的生产组合（26 赞）：Fable 负责审查 Astra 的每一次代码提交，「this fix is the real deal」。Fable 当 PM、Astra 当工程师的搭配「undefeated」。模型审查模型，正是执行贬值后「判断力」的第一种自动化形态，也是竞争模型互相打工的第一个流行梗。

数据采集时间：2026-09-07 23:26 CST