GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？

资讯雷峰网 2026/10/08 21:53 全文 9207 字 · 约 24 分钟读完配图 17 张分类Fable GPT GPT-6 OpenAI 机器人

真实云台实测：三个模型都让机器转起来，但“完成”的标准天差地别。

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 1）

三个模型都让云台转起来了，可“完成”二字的分量，彼此差得很远。

云台机械臂就是那种能上下、左右转动的摄像头底座。GPT‑6 Astra、Claude Fable 5.1、GPT‑5.6 Sol 这三个顶级模型，我都拿去驱动机器人转了一圈，任务都算完成了，但走的路径、判定成功的口径、花的成本，差别一眼就能看出来。

GPT-6 Astra 发布后，网上的优秀测评已经不少。如果这些内容读者别处也能刷到，那我这篇还能拿出什么不一样的东西？

在纯数字环境里，代码写错了通常能撤回，按钮点歪了也能重来。现实世界不吃这套：实体设备有惯性、有边界、有反馈，还有实打实的风险。命令发出去，动作未必到位；走哪条路径、用多快的速度、什么时候停、要不要回头确认结果，全都变成模型自己要做的选择题。

【先给大家跳段舞】

云台机械臂恰好是个好切口。它的动作足够简单，不懂机器人也能看明白；可速度、路径、幅度和停顿，又全都摆在眼前。模型内部藏着的那点判断，会变成一段肉眼可追的运动。（剧透一句：通过云台测评，三个模型的区别一眼就能看出来）

之前我淘到过一台二手云台机器人。搞笑的是树莓派被商家扣下了，只能拿 macmini 来驱动它。一开始调试就发现这机器固件毛病很大，两个月前光把它复活就烧掉了快两千人民币的 token（那时候主力用的是 opus 4.8）

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 2）

【不知道 opus4.8 给发过多少成功战报，但依然每次以“我真的错了”来结尾】

我一度怀疑，这问题到底是个人能力的天花板，还是模型的天花板。好在后面修复搞定了，也陆续做了些人脸、手掌的跟随功能。但调试起来确实烧钱，也没什么有意思的地方，就慢慢闲置了。

说到底，小机械臂的可玩性和可能性非常诱人，可当时的模型能力让我没动力继续折腾。

所以这次看到 GPT-6 Astra 各种劲爆的能力秀，瞬间就想起了这台半吃灰的云台机器人。要是当初用的不是 Opus4.8，结局会不会不一样。

于是我把一台两轴云台机械臂接到 Mac mini 上，然后把同一句话分别交给 GPT-5.6 Sol、GPT-6 Astra Pro 和 Claude

Fable 5.1：

“我 Mac mini 接了一个小机器人，不管你用什么方式，让它满行程转一遍。”

（天知道两个月前要让这句话跑起来，我付出了啥）

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 3）

这次我没规定速度，也没解释什么叫满行程（这是之前最大的坑），没告诉它要不要走四个角，也没给出成功标准。

反正就是啥也没给。因为真正想看的是：

像之前一样不知道速度、路径、风险边界和成功标准时，顶级模型会怎么思考，能不能把事情真正搞定。

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 4）

实测结论先一次性放出来。

云台还是那台云台，指令也没换——一句模糊话，要求水平与垂直方向跑满行程。三个模型都收工了，可它们眼里的“收工”压根不是同一码事。GPT-5.6 Sol 把工夫花在空间覆盖上，四个极限角一个都不肯落下；GPT-6 Astra Pro 靠更少的动作就摸清了边界，代价是每一步都套上最严的反馈验证，本次会话账单也因此冲到最高；Claude Fable 5.1 图的是快、是组合覆盖、是能复用的交付物，偏偏在成功判定上放得最宽。

从这三个模型各自的选法，能读出它更看重哪一头：覆盖、验证，还是执行手感；也能量出它肯拿多少时间和成本去换确定性；任务收尾之后，它留下的是一个结果、一摞证据，还是下次还能拎出来用的工具。接下来会把这些分歧一个个摊开，同时交代清楚：哪些有完整日志撑腰，哪些只是单次实测里的初步印象。

如果把三次执行画成三个人，大概是这样：

GPT-5.6-sol 是覆盖型制图师。它拿着地图，愿意把整个空间走一遍，四个角都踩到，才觉得这件事有了完整的形状。

GPT-6-Astra 像个收着劲的测试工程师，动作少，节奏慢，场面热不热闹它不关心；不过每挪到一个点，它都要拿反馈确认自己确实站到了那里。

Claude Fable 5.1 则是冲在一线的激进现场工程师。手笔大，步子快，能铺开的地方就铺开，还顺带把这次干的活攒成一件下回接着用的工具。

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 5）

给 GPT‑6 Astra 下个定性结论的话，可以这么说：论能力和价格它眼下都排不上头名，但用更少的动作换取更高的确定性，它确实是当前最拿手的那个模型。

结果先摆出来看。

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 6）

三套模型都让机器人转了，GPT 调云台时偏保守，Fable 却high得像个疯子。工具调用本身早就不新鲜了，看固件、翻项目历史文档都不算什么难题；真正让人在意的是，同样接物理硬件，这些顶尖模型的表现怎么会差这么远？

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 7）

Astra少转四次，是聪明还是偷懒？

视频里能直接看出来，Astra 转得明显更少。它把整个过程压成 7 步：回中，水平向左，水平向右，再回中；俯仰向上，俯仰向下，最后回中。两条轴各跑到两端，任务就算完成。

换句话说，水平轴、俯仰轴各上下探一遍，Astra 就收工交报告了。

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 8）

Fable 走的是 12 步。单轴扫描的部分和 Astra 相同，此外它还把左上、右上、右下、左下四个组合极限位完整跑了一圈。

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 9）

Sol 的视频和结果截图也能对得上，四个角它同样走完了。

一个的动作序列摆出来像十字，另外两个补出来的是一个矩形。

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 10）

Astra 为什么不做复合运动？

站在测试工程师的角度，Astra 这套逻辑站得住脚：这是台两轴设备。水平轴跑到左右边界、俯仰轴跑到上下边界，两个轴各自的行程已经验证完毕。四个角提供不了新的单轴边界信息，无非是把两个已验证的动作叠在一起。

Fable 和 Sol 的理解，更贴近人看演示时的直觉：你说转一遍，那不光要证明两个轴能动，还得把整个活动空间走给你看。四个角也不是纯表演。两轴同时逼近极限，线缆张力、结构干涉、负载状态都可能不一样。单轴各自正常，组合姿态未必正常。对一台真机来说，Astra 删掉的这些动作可能冗余，也可能正好是风险藏身之处。

所以关键落在用户到底想要什么。我们常说“一句话怎么怎么样”，可一句话的信息量其实非常少，几乎定义不清一个复杂任务。

目标若只是快速确认两轴能否覆盖标称范围，Astra 的 7 步更干净，四个角就是重复劳动；目标若是检查整个机构在组合姿态下是否可靠，Fable 和 Sol 的 12 步更完整；目标若是拍一段普通人一眼看懂的演示，后两者显然也更懂“转一遍”这句人话。但每一次动作都昂贵、危险或者不可逆时，少与环境交互一次，本身就是能力。

这么看，Astra 只是没把复合运动判定成完成任务所必需。

类似的现象，在一项公开测试里出现过。ARC-AGI-3 的 Provider Adapter 测试中，Astra Max 在 96% 的已解决关卡上用的动作比人类基线更少，平均少 51.7%。这个数字不能反推云台上的选择一定正确，但至少是个旁证：行动压缩很可能不是这一次临场发挥，而是 Astra 更稳定的倾向。

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 11）

【 ARC Prize：在 Provider Adapter、max effort 下，Astra 在其完成的关卡中有 96% 动作数低于人类基线，平均少 51.7%。】

以往评估模型，总爱问它会不会。更深一层的问题其实是：它怎么理解意图，怎么拆解动作，怎么分配风险，拿什么验证结果，又能不能给下一次执行留下可复用的东西。

这五件事在网页截图里往往长得一模一样，落到现实世界，发出的电机声却完全不同。（Fable 5 那个声音是真的爽）

局部最优未必等于全局最优，这话很多人爱讲。动作少不代表结果就更好。什么才算真智能？得能分辨哪些环节纯属多余、哪些一旦砍掉就会惹麻烦，然后权衡下来挑一个对整体最合适的解法。

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 12）

最快 vs 最慢：

速度背后是模型对风险的判断

第二个差异不用翻日志，耳朵就能听出来。

Fable 5 的激情大家感受一下。转得又快又响，动作之间几乎不带犹豫；Astra 就明显克制得多，像个第一次碰别人设备的工程师，每一步都先给自己留点余量。

掰开参数看，这点差别更有意思。Astra 这边给的是SPD=40走的是机器自带复位脚本里的中速档；Fable 那边填的则是SPD=0得说明一下，这里的 0 并非停机，在这套固件里它代表不设限，也就是跑得最快。

可 Fable 的激进并不是每个方向都这样。水平边界它划在了±165°相比之下 Astra 定的是±170°等于少压了 5°；加速度两边一致，扭矩也只有开和关两种状态。也就是说，Fable 敢在速度上放手，却在位置边界上先退了半步。

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 13）

【Fable5：速度顶到头，位置边界反倒更谨慎】

模型对风险的取舍，不能简单理解成从稳到猛的一根滑条。它摊开来看更像一张分布图：有的怕撞上限位，却不怵高速跑；有的宁愿全程慢半拍，也不想哪个环节出岔子。

让笔者记得最牢的，是 Astra 的安全判断压根没停在设备这一层。

真正动手之前，它先撂下一句：

“会在行程端点留一点余量，避免撞限位；你先让线材保持松弛，手离开转轴。”

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 14）

笔者本人确实被这台云台夹过手。扭矩摆在那儿，机器又没有防夹传感器，指头被卡住那一下钻心地疼（当时真觉得指头要断了）。模型当然不可能知道这段经历，可它从设备和任务里推出了一件事——prompt 里没写，现场却实实在在存在的风险。

就那一刻，笔者对 Astra 的好感往上窜了一截。这也是实体测试比网页 Demo 耐玩的地方。网页上谈安全，多数时候就是甩一段免责声明；到了物理世界里，安全是看模型会不会在电机转起来之前，提醒你把手挪开。

《一代宗师》里讲过：做羹要讲究火候，火候不到，众口难调；火候过了，事情就焦。

Agent 的快慢也是这个理。快慢谈不上人格，火候才见判断。

Fable 更偏向给用户当下的爽感和完成感：动作得清楚，变化要看得见，既然让我转，就别拖泥带水。Astra 更偏向替一次失误的代价兜底：先沿用已知的安全参数，再提醒线材和人的位置，一步步确认下来。

那这种差别会不会只是参数上的一次巧合？笔者又朝 Astra 和 Fable 发了同一句话：

“用机械臂跳一段舞吧。”

GPT-6 Astra Pro

Claude Fable 5.1

光看视频，Fable 的动作更花哨，切换更利索，也更像正经一段舞。满行程里那种高速、覆盖欲和表演性，到了开放创作任务里，观感上又一次冒了出来。

GPT-6 Astra、Fable 5.1、Sol：谁真把机器人活干完？（配图 15）

发了命令，凭什么说完成？

动作和速度还能算风格差异，可 loop 怎么结束，就已经在试探 Agent 的底线了。

不少 AI Demo 最乐意秀的，是模型点了多少按钮、敲了多少代码、开了多少应用。画面看着热闹，末了弹一个绿勾，大家鼓掌。

命令下出去了，事情就真的发生了吗？放到现实世界里，这个问题一点也不配合传播。

三个模型跑完之后各自怎么汇报，先来看一遍。

【Sol：四个极限角均走过，但验证机制未披露】

【Astra：不是只发命令，而是反馈确认到位】

【Fable：完成四角覆盖，居然还留下可复用脚本】

Astra 对"完成"下的定义，从日志看是三者中最严的。每个目标点它给最多 12 秒等待时间，水平和俯仰误差都小于 3°，并且连续三条有效反馈都满足，这个点才会被标记为verified: true。电压掉到 9V 以下，或者目标一直不到位，流程直接报错停下，不会硬撑着把戏演完。

最终七个目标点全都返回了真实角度与verified: true，它才输出 SWEEP_COMPLETE_CENTER_VERIFIED。

【Astra：连续三帧到位后，才允许自己说成功】

作为对照，Fable 的工程取向几乎是反着来的。

它一上来就把整套 12 步动作写成了gimbal_full_sweep.py。这一次性任务被顺手做成了能反复调用的工具，单看交付物，比 Astra 那段用一次就丢的内联命令更像现场工程师的手法——或者说更懂怎么让老板满意。

缺口也出在这份脚本上：不管反馈有没有真到位，末尾一律打印满行程扫描完成。第二次执行时反馈已经可疑，左下角水平位置没更新，回中也没读到反馈，那个绿色对勾照样弹了出来。

说白了，奖状早印好了，运动员到没到终点再说。Fable 5 就是这个路子。

【Fable：设备反馈可疑，脚本仍然打印完成】

不过 Fable 后来没嘴硬。它自己承认这是脚本设计缺陷，继续读当前位置，还老实讲清：现有证据只能说明设备最后回到了中位，分不出"左下角到了再回中"和"压根没到左下角就直接回中"这两种情况。它也提出，脚本该改成误差超过阈值就报失败。

【Fable5 详细日志片段】

所以拿"粗糙"去批 Fable 并不公平。干活时它乐观，复盘时它诚实（一度怀疑 Fable 5 拿了不少大厂行为做训练）。毛病不在不会反思，而在反思没被提前写进运行门禁。产物完整度高于验证完整度。

云台只是一道小题目，可这道缝隙会出现在所有真正要紧的 Agent 任务里：代码改完了，测试真过了吗？转账发起了，对方真到账了吗？表单提交了，服务端真受理了吗？迁移脚本跑完了，数据完整、能回滚吗？

Agent 一旦踏进现实，"成功"的定义就变得苛刻又复杂。总说 agent 把活干完是目标，可从纯软件走向物理世界，什么才算把活干完，模型自己恐怕也难说清。

Astra 在这道题上稍微领先一点，它默认把"完成"当成一条证据链：发出目标，读取世界，确认状态稳定，然后才允许自己开口。

从 Sol 到 Astra：少即是多

把 Sol 和 Astra 摆在一起看，可能是这次测试里最耐人寻味的一处变化。Sol 走了四个角，Astra 把四个角删了。前者拿更多可见动作换完整覆盖，后者用更少动作证明必要目标已经达到。

Astra 更快抓住了任务里真正独立的变量，减少和环境之间没必要的交互，再把省下的注意力放到逐点验证上。公开测试里也有类似信号：ARC-AGI-3 上它明显减少了动作；Artificial Analysis 的 Coding Agent Index 中，Codex 里的 Astra 只用了 Sol 约三分之一的 token，不过最终指数没有登顶，Fable 5.1 仍以 70 分领先。

Fable 5.1 的 70 分仍然压在前面。Astra 这边，token 消耗大约只有 Sol max 的三分之一。

可这件事不能只看一面。模型越会抽象，就越容易认定自己已经把问题的充分条件攥在手里。测试里两个轴各自能走到边，不等于线缆和结构在组合极限下就没毛病；有些在工程上看着没必要的四角，偏偏就是人们想看到的完整演示效果。

Astra 偏爱少做、做细，这种倾向在官方材料里也找得到影子。

OpenAI 公开的安全评估显示，Astra 的电脑操作不当行为率是 2.4%，Sol 为 22%；能力幻觉率从 9.4% 降到 2.0%；在攻击范围外的 honeypot 诱饵测试中，Astra 从 Sol 约 48%–56% 降到 0%。这些数字对得上我们在云台上看到的那份克制：它不光是嘴上谨慎，行为上越界也更少。

同一份材料同时提到，Astra 的书面推理比 Sol 更难监控。OpenAI 的解释正是它能用更少的书面步骤完成简单任务。换成打工人的说法，交作业时解释得更少，你就更难知道我是怎么干完的、有没有支撑，反正只给你结果。

【出自 OpenAI 官网 Safety overview: GPT‑6 Astra】

少写、少试、少绕路，换来的是更低的 token、更快的执行、更小的错误暴露面；代价则是更多状态被压进模型内部，留给外部观察者的过程更少。能力更强、外显推理更少、行为反倒更克制，这三件事在新一代技术下是绑在一起的。

Artificial Analysis 的总分也在提醒，更克制不等于全面最强。Astra 和 Sol 的 Intelligence Index 都是 61，比 Fable 5.1 低五分；幻觉率从 92% 降到 51%，HLE 涨了 6 分，可 GDPval-AA v2 又掉了 80 Elo，多轮银行任务也小幅回落。

从这些能对这代模型的思路看出个大概。它更像是把能力重新分了一遍：拿一部分多试几步的蛮力，换更强的抽象、更少的外显过程和更严的行为约束。

这也解释了为什么 Fable5 看起来像大力出奇迹，而 Astra 走的是少即是多。两边路子不同，谈不上多夸张的差别，更不是什么分水岭。

价格还是一如既往的贵

只跑了一个进程测试任务，每人跳了一小段舞。GPT-6 Astra Pro 累计烧掉 23.43 美元，Claude Fable 5.1 花了 5.70 美元。30 刀就这么没了。

【同一台机器人同一个提示词，两种完全不同的 Agent 账单】

这算不上严格隔离的单次同题成本。我们没有逐请求的输入、缓存、输出和 reasoning token 明细；先后顺序上也是 Astra 先跑、Fable 后跑（不过刻意分开了两个 session 和终端，理论上不该共享同一个上下文）。但贵是真的贵。

我特意翻了日志，想找找有没有蛛丝马迹。

Astra 做了 11 次工具调用，Fable 首次完成任务只用了 4 次；Astra 读源码 5 次、连串口 4 次，Fable 这边分别是 0 次（Claude 你居然不看源码就动手！）和 1 次；上下文占用 Astra 是 112K，Fable 是 76.3K；模型耗时分别为 2 分 43 秒和 1 分 57 秒。

【Astra 11 次工具循环，Fable 4 次】

工具调用每多一轮，模型都可能带着更长的上下文再请求一次。严格验证不免费，自主排障也不免费。

Astra 的高单价又把这种路径差异继续放大：官方标准 API 价格是每百万 token 输入 10 美元、输出 50 美元；Sol 是 4 美元和 20 美元，刚好 2.5 倍。

公共评测里的账也不总是好看。在 Coding Agent Index 这类长程代码任务上，Astra 的 token 效率提升很明显；可在 Intelligence Index 的任务里，它相对 Sol 只少了约 10% 输出 token，2.5 倍定价让每任务成本反而高出约 75%。

【Astra 在相同推理档位下，通常比 Sol 使用更少的输出 token】

也就是说，更聪明所以更便宜，只在特定任务里成立。

Agent 成本从来不是模型价目表乘以答案长度这么简单。它还取决于模型会查几次、试几次、验证几次、带着多长的历史重新出发。

Astra 花了 23.43 美元，这里面有它定价偏高的因素，也有排查故障耗时更久的原因。不过还有一块开销，来自它不肯轻易给自己亮绿灯的那股劲。

那这套做法到底划不划算？

要是它管的只是一场桌面演示，那大概不值。Fable 速度更快，表现力也更强，还留下了下次能接着用的脚本。可要是它管的是生产数据库、企业账户、高风险设备，或者一件搞砸了就没法轻易收回的事，这笔多出来的钱，买的也许就是少一次误判成功的可能。

所以模型怎么选，笔者的看法是：想快速做原型、现场演示、留下可复用产物，Fable 确实吸引人，只是最好给它配上明确的断言和失败条件；碰上高风险操作、异常门禁和结果验证，最新的 Astra 更让人踏实，但组合覆盖要提前规定好，成本上限也得先设；要在 GPT 工作流里做到完整的空间覆盖，Sol 这次测试里把四角都走到了，可关键任务还是得把验收机制补清楚。

假如你的指令本身就模糊得很，最好的办法其实反倒是先把话讲明白。就拿这次任务来说——

1.覆盖范围：单轴边界还是组合状态；

2.风险预算：允许多快，哪里绝不能碰；

3.成功证据：看到什么反馈才算成功；

4.失败处理：超时以后停止、重试还是回滚。

有个情况可能不少人没留意：模型越强，含糊的指令就越危险。弱模型或许会停下来问你，强模型却常常非常能干地替你把主做了。

对现实世界的理解是最后一道门槛

Astra 做得少，也许是一种更高级的行动压缩，但也可能漏掉真实世界里的耦合风险；

Fable 做得快，也许是更懂用户想要的完成感，但也可能让成功报告跑到事实前头；

Sol 的完整覆盖已经被视频证实，可它怎么跨过执行与验证之间那道缝，还有待验证。

以前挑模型，大家比的是知识、推理、代码和价格。往后更要紧的差别，会藏在它们默认替人做的那些小决定里：做多少，做多快，哪里冒险，哪里停手，出了问题先解释还是先停机，发出命令以后要不要回头看一眼世界。

这些决定看着没 benchmark 那么性感，却决定了 Agent 能不能从一个聪明的聊天对象，变成一个可以进入生活与生产的行动者。

让 Astra 动手之前，它先提醒把线缆理好、手挪开，这一点我印象很深。可再想想，真要是这么危险的动作，它理应在出手前就提示重新 double cheak 一次，或者给个二次确认，或者来个倒计时。说这一下点击能把手指夹断，一点都不夸张。AI 要想进生产端，比如工厂、码头这些地方，路还长着呢。

【电机可以轻松压断一根木质棉签棒】

真正让人敢把现实世界交给 Agent，也让人相信它能把活干完的关键，远不止能力强大。

这个宇宙从来没奖励过单点的强大。否则，眼睛不如老鹰、力量不如大象、敏捷不如猎豹的人类，凭什么走到今天？

我们做的，是把有限的感知、推理、工具、协作和纠错捏成一个系统。拿不准的时候就停住，用证据去校验判断，把失败当成下次行动的经验，行动带来什么后果也由自己扛。

Agent 越往前走，这条路越绕不开。代码、工具调用、设备控制给了它手脚；能不能放心用这双手脚，看的则是边界怎么判、状态怎么确认、故障怎么恢复、责任怎么追。

Astra 眼下并不是所有榜单都排第一，价钱也不便宜。但它指出的一个方向不能轻看：Agent 的比拼，正从能力能做多大，转到能不能被托付。每少走一步，都得先弄明白；每完成一件事，都该留下凭据。

做得少不一定就聪明，做得多也不一定就靠谱。智能到底几斤几两，最后都落在一次次具体的判断上：哪些步骤能省，哪些风险非确认不可，什么时候接着干、什么时候必须收手。

本文由本站编辑组整理与排版，内容基于公开信息核实后归纳发布，与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态，力求信息准确、表述清晰；文中涉及的名称、价格与功能细节可能随官方调整而变化，请以官方最新说明为准。如发现疏漏或表述有误，欢迎通过站内渠道反馈指正。

继续浏览更多资讯

返回资讯目录