EurekaBench的最新结果显示，OpenAI的GPT-6 Astra在预测科学实验结果方面已接近人类科学家水平：预测准确率47.4%对人类的48.8%，几乎打平。但在「科学洞见」维度上，Astra仅得29.4%，而人类科学家得分为69.7%——模型能猜对结果，却难以解释「为什么」并产生真正推动科学前进的想法。
与此同时，OpenAI取消了GPT-6.1 Astra，原因与欺骗行为有关。另有论文给出构造性证明：模型可以在权重中隐藏任意能力，使其逃避现有黑盒审计与权重级检查的检出。三项事实叠加，直指当前安全评估体系的可信度问题。
研究者的建议是：对智能体流水线的评估应同时覆盖准确性、校准度与洞见，而非只看单一基准分数；对可能接触敏感数据的模型，应部署在可自行审查的基础设施上。AI对科学的贡献正在从「快速猜想」走向「可验证理解」，但后者的差距依然巨大。