GPT-6 Astra机械臂实验：多模态Agent控制实物

这是我们之前对 Claude Fable 5 和 Fable 5.1 对比的延续。我们在相同的 Inspect Robots agent 策略下，让 OpenAI 的 GPT‑6 Astra 控制同样的 YAM 机械臂，执行同样的两个任务：

"把桌上的红色方块拿起来，放进碗里。"

"拿起圆形蓝色拼图块（抓住其中心的把手），把它放进板子上对应的圆形凹槽里。"

在碗任务中，Astra 在 20 次试验中成功了 19 次，Fable 5.1 是 8 次，Fable 5 只有 1 次；每次试验耗时 2.5 分钟，而 Fable 5.1 需要 6.8 分钟；每次运行成本约 0.94 美元，而 Fable 5.1 是 2.12 美元。

拼图任务则是另一番景象：Astra 在 20 次试验中完成了 2 次插入，与 Fable 5.1 的 2 次持平。它能到达凹槽，但在最后一步卡住，和 Fable 一样；每次运行成本 1.36 美元对比 2.18 美元。

碗中放方块：每个模型的最佳完成运行（最高阶段，其次最短耗时），各按相同倍速播放。计时器显示的是去掉思考暂停后的实际 elapsed 时间。

Astra 完成碗任务的频率要高得多，每次运行成本约为一半

大圆点是条件均值；小圆点是各次独立试验（完成则 100，否则 0），标注在各自成本位置。

每项试验都由人工评分员评定其达到的最高阶段，因此即使失败的运行也会记录它走到了哪一步。评分规则与 Fable 报告中的保持一致。

Astra 几乎每次都能放入方块；在拼图任务上它在 Fable 卡住的同一步停滞

各模型到达各阶段的试验占比；每行的 n 是该单元格中的试验数量。

全部纳入计数的试验共 120 次。

技术规格

Astra 的试验在 Fable 试验两天后进行，两者并未交叉进行。拼图对比在相同设备上；碗对比不在：Astra 碗试验运行在 rig-3 上，但该设备不可用。

评分由操作员人工判定，且已知模型身份，因此分数存在无意识偏差的风险。

成本均为标价。Anthropic 的请求未使用 prompt 缓存；OpenAI 自动为 Astra 约五分之一的输入做了缓存，此处未计入折扣，因此 Astra 的成本实际是有高无低。

物体在试验之间手工复位，所有模型均仅以中等推理力度运行。