我们让 GPT‑6 Astra、Fable 5.1 和 Sol 控制同一台机器人：谁真的把活干完了？

ai 大模型评测

作者：李娜

2026/09/30 15:38

我们让 GPT‑6 Astra、Fable 5.1 和 Sol 控制同一台机器人：谁真的把活干完了？

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。

作者丨Rhea

编辑丨李娜岑峰

云台机械臂是一个能上下左右转动的摄像头底座/支架，我用GPT‑6 Astra、Claude Fable 5.1 和 GPT‑5.6 Sol这三个顶级模型都让机器人转了起来，三个模型均完成了任务，但执行路径、验证标准和成本差异明显。

这次 GPT-6 Astra 出来之后，网上已经有很多优秀的测评案例了。如果读者已经能在其他地方看到这些，这个评测还能提供什么新的观察呢？

在纯数字环境里，写错一段代码通常可以撤回，按钮点偏了也可以重来；但现实世界不是这样：实体设备有惯性、有边界、有反馈，也有真实的风险。命令发出去，不代表动作一定到位；走什么路径、使用多快的速度、什么时候停手、要不要确认结果，都会变成模型必须自己做出的选择。

【先给大家跳段舞】

云台机械臂刚好是一个很合适的切口。它的动作足够简单，不需要机器人专业知识也能看懂；同时，速度、路径、幅度和停顿又会被直接呈现在眼前。原本藏在模型内部的判断，会变成一段肉眼可见的运动。（剧透一下，通过云台的测评，你能一眼看出来三个模型的区别）

笔者之前搞到过一个二手的云台机器人。搞笑的是树莓派被商家扣下了，于是只能用 macmini 来驱动它，并且开始调试的时候发现这机器固件有很大问题，两个月前单纯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）

【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】

笔者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。好在后面修复是搞定了，也陆续做了一些人脸、手掌的跟随功能，但因为调试起来确实烧钱，也没什么有意思的地方，就逐渐闲置了。

总之就是小机械臂的可玩性和可能性非常诱人，但彼时的模型能力让笔者没动力继续尝试。

因此这次看到 GPT-6 Astra 各种劲爆的能力秀之后，瞬间就想起了这台半吃灰状态的云台机器人。如果当初用的不是 Opus4.8，那结局会不会不一样。

于是笔者把一台两轴云台机械臂接到了 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）雷峰网(公众号：雷峰网)

这次笔者没有规定速度，也没有解释什么叫满行程（这是之前最大坑），也没有告诉它要不要走四个角，也没有给出成功标准。

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。

我们先把实测结论一次性放出来。

面对同一台云台、同一句测试水平与垂直满行程的模糊指令，三个模型最终都完成了任务，但它们理解的完成并不是一回事：GPT-5.6 Sol 优先补足空间覆盖，连四个极限角都要走到；GPT-6 Astra Pro 用更少的动作证明边界，却为每一步加上了最严格的反馈验证，在本次会话中也产生了最高账单；Claude Fable 5.1 追求速度、组合覆盖和可复用交付，却在成功判定上最为乐观。

从三个模型的选择上能看出它究竟更在意覆盖、验证，还是执行感；愿意花多少时间和成本换取确定性；以及任务结束后，留下的是一个结果、一套证据，还是一件下次还能复用的工具。后文会把这些差异逐一拆开，也会说明哪些已经被完整日志证实，哪些还只能算一次实测中的初步观察。

如果把三次执行画成三个人，他们大概是这样的：

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 是克制的测试工程师。 动作不多，速度不快，不太在乎表演是否热闹；但每走到一个点，都要拿反馈确认自己真的到了。

Claude Fable 5.1 是激进的现场工程师。 动作大、节奏快，倾向于把能覆盖的地方都覆盖，还顺手把这次任务写成一件下次能继续用的工具。

如果要用一句话给它下一个定性结论，我觉得是：GPT‑6 Astra 目前不是能力榜和价格榜上的第一，但确实是目前最擅长用更少动作、换取更高确定性的模型。

咱们先看看结果。

三个模型都让机器人转了起来，GPT 调用云台的时候都很保守，但 Fable 却开心的像个疯子。如果从会不会调用工具，比如说看固件看项目历史文档早就不是最有意思的问题了。问题是在于这些顶尖模型为啥在物理硬件上表现出这么大的差距？

Astra少转四次，是聪明还是偷懒？

从视频上可以直接看出来 Astra 明显转得更少。它把整件事压缩成 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。两条轴分别抵达两端，任务结束。

也就是说 Astra 上下所有分别试探一下就结束给报告了。

Fable 做了 12 步。除了相同的单轴扫描，它还把左上、右上、右下、左下四个组合极限位完整走了一圈。

Sol 的视频和结果截图也能确认，它同样走过了四个角。

一个动作序列像十字，另外两个则补出了一个矩形。

那为什么 Astra 不做复合运动呢？

如果站在测试工程师的角度，Astra 的逻辑其实很成立：这是一台两轴设备。只要水平轴分别到达左右边界，俯仰轴分别到达上下边界，就已经证明了两个轴各自的行程。四个角不会增加新的单轴边界信息，不过是把两个已经验证过的动作叠在一起。

Fable 和 Sol 对这句话的理解则更接近人类观看一场演示时的直觉：既然你说转一遍，那我不只要证明两个轴能动，还要把整个活动空间走给你看。四角当然不是纯粹的表演。两轴同时接近极限时，线缆张力、结构干涉和负载状态都可能不同。单轴各自正常，不代表组合姿态一定正常。对一台真实机器来说，这些被 Astra 删掉的动作，可能是冗余，也可能恰好是风险藏身的地方。

于是问题的关键在于用户到底想要什么？我们经常说一句话怎么怎么样，但实际上一句话的信息量是非常少的，几乎难以定义清楚一个复杂任务。

如果目标只是快速确认两个轴能否覆盖标称范围，Astra 的 7 步更干净，四角就是重复劳动；如果目标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；如果目标是拍一段让普通人一眼看懂的演示，后两者显然也更懂转一遍的人话；但如果每一次动作都昂贵、危险或者不可逆，少与环境交互一次，本身就是能力。

所以这么来看 Astra 只是没有把复合运动判定为完成任务所必需。

这和一项公开测试里的现象有点像。在 ARC-AGI-3 的 Provider Adapter 测试中，Astra Max 在 96% 的已解决关卡上使用的动作少于人类基线，平均少 51.7%。这个数字不能反过来证明云台上的选择一定正确，但它至少提供了一个旁证：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。

【 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%。】

过去我们评估模型，总喜欢问它会不会。其实更深层的问题是：它如何理解意图，如何拆动作，如何分配风险，拿什么验证结果，又会不会给下一次执行留下可复用的东西。

这五件事在网页截图里经常长得一模一样，到了现实世界，却会发出完全不同的电机声。（Fable 5 那个声音真的很爽）

有句话笔者很喜欢：局部最优不一定全局最优。动作最少，也不等于结果最好。真正的智能是知道哪些步骤是废话，哪些步骤删掉以后可能要出事，综合选出最合适全局的答案。

最快 vs 最慢：

速度背后是模型对风险的判断

第二个差异，根本不需要看日志，耳朵就听得出来。

大家来感受一下 Fable 5 的激情。转得又快又响，动作之间几乎没有犹豫；相比之下 Astra 则明显克制，像一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。

如果细看参数里这个差异更有意思。Astra 使用 SPD=40，沿用了机器原有复位脚本里的中速参数；Fable 使用 SPD=0——注意，这里的 0 不是停止，而是这套固件里的不限速，也就是最快。

但 Fable 并不是在所有维度上都更激进。它把水平边界设在 ±165°，比 Astra 的 ±170° 还少走了 5°；两边的加速度相同，扭矩也只能开关。换句话说，Fable 在速度上踩了油门，却在位置边界上提前收手。

【Fable5：速度拉满，但位置边界更保守】

模型的风险偏好不是一根从保守到激进的滑杆。它更像一张分布图：有的模型怕撞限位，不怕高速移动；有的模型宁可整体慢一点，也不愿在任何一环制造意外。

笔者印象最深的是 Astra 的安全判断甚至没有停在设备本身。

正式转动前，它先说的是：

“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。”

笔者之前是真的被这台云台夹过手。它扭矩很大，又没有防夹传感器，手指卡进去的那一下真的要老命了（当时差点以为指头断了）。模型当然不知道这段痛苦的经验，但它从设备和任务里推断出了一个 prompt 没写出来、现场却真实存在的风险。

那一刻笔者对 Astra 的好感增加了很多。这也是实体测试比网页 Demo 更有意思的地方。网页里的安全经常只是一段免责声明；物理世界里的安全是模型有没有在电机启动前提醒你把手拿开。

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

Agent 的速度也是这样。快慢不是人格，火候才是判断。

Fable 更像在争取用户当下的爽感和完成感：动作要明确，变化要被看见，既然让我转，就别磨磨蹭蹭的。Astra 更像在为一次错误的代价负责：先复用已知安全参数，再提醒线材和人的位置，最后逐步确认。

为了看看这种差异是不是一次参数巧合，笔者又给 Astra 和 Fable 发了另一句完全相同的话：

“用机械臂跳一段舞吧。”

GPT-6 Astra Pro

Claude Fable 5.1

只看视频的话，Fable 的动作更丰富，切换更迅速，也更像一段真正的舞蹈。它在满行程里表现出的高速、覆盖欲和表演性，到了开放创作任务里，至少在观感上又出现了一次。

发了命令，凭什么说完成？

如果说动作和速度还只是风格差异，那么结束 loop 就已经开始触碰 Agent 的底线。

很多 AI Demo 最爱展示的是模型点了多少按钮、写了多少代码、操作了多少应用。画面眼花缭乱，最后再弹出一个绿色对勾，大家鼓掌。

可现实世界有一个很不配合传播的问题：命令发出去了，不代表事情真的发生了。

我们先看三个模型执行结束后，分别怎么汇报。

【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】

从日志上来分析 Astra 对完成的定义是最苛刻的。它为每个目标点设置了最多 12 秒的等待时间。只有水平和俯仰的误差都小于 3°，并且连续三条有效反馈都满足条件，才会把这个点标记为 verified: true。如果电压低于 9V，或者目标迟迟没有到位，流程会报错、停止，而不是硬着头皮继续演完。

最后七个目标点全部返回了真实角度与 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】

Fable 的工程取向几乎相反。

它先把整套 12 步动作写成了 gimbal_full_sweep.py。这确实很漂亮：一次临时任务，被它顺手沉淀成了可以反复执行的工具。单从交付物看，它比 Astra 那段一次性内联命令更像一个现场工程师（或者说它知道怎么讨老板开心）

但它的脚本有一个要命的缺口：无论反馈是否真的到位，末尾都会打印满行程扫描完成。第二次执行出现了可疑反馈，左下角的水平位置没有更新，回中也没有读到反馈，但是那个绿色对勾还是照常出现了。

说得难听一点：奖状都已经印好了，运动员有没有跑到终点再说。这就是 Fable 5 的思路。

【Fable：设备反馈可疑，脚本仍然打印完成】

有意思的是 Fable 后来并没有嘴硬。它主动承认这是脚本的设计缺陷，继续读取当前位置，还非常诚实地说明：现有证据只能确认设备最后回到了中位，不能区分“左下角到了再回中”和“根本没到左下角就直接回中”。它也明确提出，脚本应该改成误差超过阈值就报失败。

【Fable5 详细日志片段】

所以把 Fable 批判为粗糙也不公平。它是干活时乐观得很，复盘时很诚实（笔者一度怀疑 Fable 5 用了不少大厂行为做训练）。它的问题不在于不会反思，而在于反思没有被提前写进运行门禁。它的产物完整度，高于验证完整度。

云台只是一道很小的题，但这个缝隙会出现在所有真正重要的 Agent 任务里：代码改完了，测试真的通过了吗？转账发起了，对方真的到账了吗？表单提交了，服务端真的受理了吗？迁移脚本跑完了，数据完整且能回滚吗？

一旦 Agent 开始进入现实，成功的定义就变的苛刻和复杂起来。我们总是在说 agent 把活干完是目标，但实际上从纯软件开始走向物理世界的时候，到底什么是把活干完，可能模型也很难理解。

Astra 在这里的表现稍有一些领先，它默认把“完成”理解成一条证据链：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 放在一起看可能是这次测试里最值得细品的一个变化。Sol 在测试里走了四个角，Astra 把四个角删掉了。前者用更多可见动作换取完整覆盖，后者用更少动作证明必要目标已经达到。

Astra 更快抓住了任务中真正独立的变量，减少了与环境的无效交互，再把省下来的注意力用在逐点验证上。公开测试里也有相似信号：它在 ARC-AGI-3 上显著减少动作；在 Artificial Analysis 的 Coding Agent Index 中，Codex 里的 Astra 只用了 Sol 约三分之一的 token，尽管最终指数并没有登顶，Fable 5.1 仍以 70 分领先。

【Fable 5.1 仍以 70 分领先】

【Astra 的 token 消耗约为 Sol max 的三分之一】

但这事得辩证的看。模型越擅长抽象，就越容易相信自己已经抓住了问题的充分条件。就像测试里面两个轴能独立到边不等于线缆和结构在组合极限下没有问题；有些东西在工程上不必要的四角，可能恰恰是人们想要的完整演示效果。

这个模型倾向在官方材料里也有体现，Astra 是的确喜欢更少做，做的更精细。

OpenAI 披露的安全评估里，Astra 的电脑操作不当行为率从 Sol 的 22% 降到了 2.4%，能力幻觉率从 9.4% 降到 2.0%，在攻击范围外的 honeypot 诱饵测试中也从 Sol 约 48%–56% 降到了 0%。这些数字支持了我们在云台上看到的克制：它不是只在嘴上谨慎，行为层面的越界也更少。

但同一份材料还指出，Astra 的书面推理比 Sol 更难监控。OpenAI 给出的解释，恰恰是它能用更少的书面步骤完成简单任务。也就是说打工人交作业时候解释的更少了，你更难知道我是怎么做完的，有没有支撑，反正我只给你结果。

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

少写、少试、少走弯路，意味着更低的 token、更快的执行、更少的错误暴露面；也意味着更多状态被压缩进模型内部，留给外部观察者的过程更少。能力更强、外显推理更少、行为反而更克制应该是新技术下的一体三面。

Artificial Analysis 的总分也提醒我们，不能把更克制就当做是全面最强。Astra 与 Sol 的 Intelligence Index 同为 61，低于 Fable 5.1 五分；它的幻觉率从 92% 降到 51%，HLE 上升 6 分，但 GDPval-AA v2 又掉了 80 Elo，多轮银行任务也略有回落。

由此可以对这代模型的思路有些管中窥豹的观察。它更像重新分配了能力：把一部分多试几步的蛮力，换成更强的抽象、更少的外显过程和更严格的行为约束。

这也能解释为什么 Fable5 表现出来像是大力出奇迹，但 Astra 是少即是多。大家其实是路子不一样，并没有特别夸张的差别和分水岭。

价格还是一如既往的贵

就仅仅跑了一个进程测试任务，每人跳了一小段舞。GPT-6 Astra Pro 累计花了 23.43 美元，Claude Fable 5.1 花了 5.70 美元。一共 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】

虽然这不是严格隔离的单次同题成本。虽然说我们没有逐请求的输入、缓存、输出和 reasoning token 明细；虽然说先后顺序上是 Astra 先跑，Fable 后跑的（但刻意区分了两个 session 和终端，理论上不应该共享一个上下文。）但还是真的贵。

笔者刻意翻了日志看能不能找到一些蛛丝马迹。

Astra 做了 11 次工具调用，Fable 首次完成任务用了 4 次；Astra 读源码 5 次、连接串口 4 次，Fable 分别是 0 次（Claude 你居然不看源码就开始动手！）和 1 次；Astra 的上下文占用是 112K，Fable 是 76.3K；模型耗时则分别是 2 分 43 秒和 1 分 57 秒。

【Astra 11 次工具循环，Fable 4 次】

每多一轮工具调用，模型都可能带着更长的上下文重新请求一次。严格验证不是免费的，自主排障也不是免费的。

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，正好是 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；但在 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】

这说明更聪明所以更便宜只在特定任务里成立。

Agent 成本从来不只是模型价目表乘以答案长度。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 那 23.43 美元里，当然有高定价，也有更长的排障；但还有一部分，是它不愿把绿色对勾随便发给自己的坚持。

那问题来了，Astra 这种方式到底值不值？

如果它控制的是一个桌面演示可能不值。Fable 更快、更有表现力，还留下了下次能继续用的脚本；如果它控制的是生产数据库、企业账户、高风险设备，或者一件失败后不能轻易撤回的事情，多花的钱也许买是少一次误报成功的概率。

所以笔者觉得模型选型思路应该是这样：要快速原型、现场演示和可复用产物，Fable 的确很诱人，但最好给它补上明确的断言与失败条件；要高风险操作、异常门禁和结果验证，最新的 Astra 更让人安心，但别忘了规定组合覆盖，也要先设成本上限；要 GPT 工作流里的完整空间覆盖，Sol 在这次测试里做到了四角，但关键任务仍应补清验收机制。

如果你的指令本身高度模糊，最优解甚至是先把话说清楚。比如说这次任务里面的

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。

可能很多人没意识到：模型越强，含糊指令越危险。弱模型可能停下来问你，强模型往往会非常能干地替你做主。

对现实世界的理解是最后一道门槛

Astra 的少做，可能是更高级的行动压缩，也可能漏掉真实世界的耦合风险；

Fable 的快做，可能是更懂用户想看的完成感，也可能让成功报告跑在事实前面；

Sol 的完整覆盖已经被视频证明，但它如何跨过执行与验证之间的缝还有待验证。

过去我们选择模型，比较的是知识、推理、代码和价格。接下来更重要的差异会藏在它们默认替人做出的那些小决定里：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。

这些决定看起来没有 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。

笔者印象最深的还是 Astra 在动手前提醒把线缆收拾一下，把手拿开。但话又说回来，如果这个操作真的很危险，它应该要在有动作之前提示重新 double cheak 一遍，要么给个二次确认，要么给个倒计时。毫不夸张的说这个点击真的能把手指夹断。如果 AI 要进生产端比如去到工厂，码头等地方，还有很长的路要走。

【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？

我们靠的是把有限的感知、推理、工具、协作与纠错组织成一个系统。我们会在不确定时停下来，会用证据校验判断，会把失败变成下一次行动的经验，也会为行动的后果负责。

Agent 越发展，越是同样要走这条路。代码、工具调用和设备控制赋予了它手脚；边界判断、状态确认、故障恢复和责任追踪，决定了这些手脚能不能放心使用。

Astra 目前没有拿下所有榜单的第一，价格也高。可它透露出一个值得重视的方向：Agent 的竞争正在从能力扩张，走向托付能力。每少走一步，都要建立在理解之上；每一个完成，都应该留下证据。

少做未必聪明，多做也未必可靠。智能的分量最终落在一次次具体的判断里面：比如哪些步骤可以省比如，哪些风险必须确认，或者什么时候应该继续什么时候必须停下。

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

扫描上方二维码

或点击「阅读原文」关注专区。