AREX Feed Article
RoboCurve 实测 GPT-6 Astra：机械臂成功率 95%，Fable 5.1 仅 40%
UTC 时间 9 月 5 日 02:34（北京时间 10:34），RoboCurve 联合创始人 Jay Chooi 在 X 发布一条附视频的推文，公布他对 OpenAI GPT-6 Astra 的第三方测量：在机械臂「把积木放进碗」任务上，Astra 得分 95%，同一任务上 Claude Fable 5.1 此前的成绩是 40%；Astra 的输出 token 少 6.2 倍、成本低 2.3 倍（）。
这组数字来自 RoboCurve 标注日期为 9 月 4 日的完整报告（）：让 Astra 控制真实机械臂，把红色积木放进碗里，20 次中成功 19 次（95%），对比的 Fable 5.1 为 8 次（40%）。单轮输出 token 约 2,100 对 12,900，估算成本 0.94 美元对 2.12 美元，平均耗时 2.5 分钟对 6.8 分钟。
报告把 120 次试验的逐轮文字记录、视频与回放数据全部公开。
RoboCurve 是 Y Combinator S26 批次的公共福利公司（Public Benefit Corp）。它在 YC 的 Launch 页面自称「测量并报告前沿机器人在真实世界中实际能做到什么」（）；Chooi 的 X 简介则写着「在 @robocurve 给机器人做基准测试」（）。
上图是报告的摘要图：横轴为单轮估算成本（列表价），纵轴为完成率。左侧「积木入碗」任务中，Astra（紫色）完成率约 95%、单轮约 1 美元，Fable 5.1（青色）约 40%、约 2.1 美元，上一代 Fable 5（橙色）约 5%、约 2.7 美元；右侧「拼图入槽」任务中，Astra 与 Fable 5.1 的完成率几乎重合，差距只剩成本。
Fable 5.1 先刷新了 RoboCurve 的纪录
Anthropic 于 9 月 1 日发布 Claude Fable 5.1（与 Claude Mythos 5.1 同模型、不同安全级别），自称「全球最先进的编码与知识工作模型」（）。
RoboCurve 两天后发布了对 Fable 5 与 Fable 5.1 的机械臂对比报告（）：同一批 YAM 机械臂、同一张 0～4 级评分表，「把积木放进碗里」各跑 20 次，Fable 5 成功 1 次（5%），Fable 5.1 成功 8 次（40%），单轮输出 token 从 19,200 降到 12,900。
Chooi 在 9 月 4 日 16:10 UTC 用一条附视频的推文公布这组结果，措辞是「Fable 5.1 控制机械臂比 Fable 5 好 8 倍」（）。与此同时，OpenAI 于 9 月 3 日宣布分阶段推出 GPT-6 Astra（）。
OpenAI 的发布页面称 Astra 在 computer use（计算机操作）、软件工程、科学等领域达到 SOTA（state of the art，当前最先进水平），并直接附上与 Fable 5.1 的数字基准对比：Terminal-Bench Science 0.1 上 Astra 为 64.6%、Fable 5.1 为 52.6%，估算 API 成本低约 31%（）。
两家旗舰在两天内相继发布，官方基准各自表态；RoboCurve 则把 Astra 与 Fable 5.1 放进同一个测试系列直接比较，这份对比距离 OpenAI 宣布推出 Astra 不到两天。
Astra 结果发出约 30 分钟后，同为 YC S26 批次的 olam_labs 联合创始人 shresh 在评论区写道：「不敢相信，10 小时前这项任务的 SOTA 还是 40%」（）。他指的是 RoboCurve 自己上一轮的结果：从那条推文到 Astra 的结果，只隔了约 10 个小时。
同一批 YAM 机械臂、同一个测试框架
测试对象是一对 I2RT YAM 双臂，每臂 6 个自由度、配平行夹爪。模型每轮收到三路摄像头画面（顶部、左腕、右腕）加本体状态，输出绝对末端位姿命令（move_to：位置、姿态角与夹爪开合），由机器人端逆运动学转换成关节角。
运行参数包括 agent（智能体）策略、中等思考强度、每轮最多 20 次模型调用、25% 的速度上限，默认安全护栏开启；测试框架是 Inspect Robots 0.58.0。两个任务的指令分别是：「把桌上的红色积木拿起来，放进碗里」「捏住蓝色圆形拼图块中央的旋钮，把它放进板上对应的圆形凹槽」。
每次试验由人类评分员按达到的最高阶段打分：0 为无目的的接近，1 为接触物体，2 为把物体举离桌面，3 为移到投放点上方，4 为放进最终位置。失败的试验也会按同一张表记录走到哪一步。
照片来自 RoboCurve 上一轮 Fable 对比报告页，展示的是同系列测试中的「积木入碗」装置。报告页为每一次试验逐条列出得分、耗时与输出 token 数，并附 transcript（文字记录）、视频和可回放数据。
需要精度的任务上，两家模型都停在 2/20
碗任务之外，RoboCurve 还测了更难的拼图入槽任务，结果出现了分野。Astra 在拼图任务上 20 次只成功 2 次（10%），与 Fable 5.1 完全相同。报告的原话是，Astra「到达凹槽，然后在 Fable 卡住的同一步骤停了下来」。
效率差距倒是保持住了：单轮输出 token 2,700 对 10,500（少约 3.9 倍），估算成本 1.36 美元对 2.18 美元（低约 1.6 倍），平均耗时 3.4 分钟对 5.9 分钟。上一代 Fable 5 在拼图任务上 20 次全部失败。
Chooi 在头条结果发出两秒后（02:34:12 UTC）又发了第二条推文，主动贴出更难任务的结果：「在涉及精度的更难任务上，Astra 与 Fable 5.1 成功率相同（2/20），但输出 token 少 3.9 倍、便宜 1.6 倍」（）。
完成率上的差距全部来自碗任务：拼图任务要求捏住旋钮、对准凹槽完成最后一步插入，两家模型都卡在收尾；更少的 token 与更低的成本则在两类任务上都成立。
成本怎么算、效率从哪来
成本数字能算得这么细，是因为报告公开了计价口径。三个模型的价格都是列表价（list price）每百万 input token 10 美元、output token 50 美元；token 数统计的是线路层（wire-level）的请求与响应 token，而非计费 token。
报告还专门说明：Anthropic 的请求没有使用 prompt caching（提示词缓存），而 OpenAI 自动缓存了 Astra 约五分之一的输入，这部分没有计入折扣，所以「Astra 的成本若有偏差，也是被高估的」。
评论区追问最多的是效率从哪来。有人问 token 减少是来自更强的推理，还是只是输出更简洁（）。duetchat 创始人 David 问 computer use 的能力是否可以直接迁移到机器人控制（），Chooi 的回答是：「我不确定，但 Astra 有很强的视觉和 3D 理解能力，这让它能把机器人控制得很好」（）。
报告的测试框架对三个模型一致，但报告没有解释差距的成因，只提供了数据与逐轮记录。
「95% 是头条，2/20 才是真故事」
这条推文在周末持续发酵。截至 9 月 8 日，原推已被浏览约 183 万次，获 5,600 余次点赞、620 余次转发。发布约两个半小时后，简介标注为「Codex & ChatGPT @OpenAI」、拥有 61 万粉丝的 Tibo 回复「很酷的应用」（）。
机器人从业者给出另一种读法。自称在造机器人与无人机的工程师 vigram 写道：「95% 的头条很酷，但 2/20 的精度结果可能才是真正的故事。一旦去掉粗粒度的『把末端移过去』类任务，瓶颈就弹回状态估计与控制粒度。感觉 LLM 会先吃掉任务规划层，远早于吃掉真正的伺服控制回路」（）。
质疑的一方则指向任务设置本身。赞比亚的科技创业者 Chomba Bupe 引用这条推文说，这恰恰是 Astra 不是 AGI 的例子，他在视觉感知演示里也看到同样的问题，即「用颜色鲜艳、形状简单的物体搭配简单背景，让系统更容易处理」（）。
也有独立的后续测试出现。9 月 6 日，用户 k7agar 上传了一段 Astra 操控机械臂「擦桌子」的视频，称这是「一个更持久、更有意图的任务，用来测试它的能力」，Chooi 转发该视频并确认「这就是 GPT-6 Astra」（、）。
Chooi 在另一条推文里说，RoboCurve 接下来几周还会分享更多结果（）。
报告自己列出的限制
这份报告把自己的弱点写在了页面上，一共五条：Astra 的试验在 Fable 试验两天后进行，且没有交错排列；拼图对比在同一台 rig（试验台）上完成，碗任务的对比则不在同一台，Fable 的碗任务跑在 rig-3、Astra 跑在 rig-1，因为 rig-3 当时不可用；评分由知道模型身份的操作员人工判定，存在无意识偏差的可能。
另外两条是：成本按列表价计算，Anthropic 侧未使用提示词缓存；物体摆放由人工重置，且所有模型都只跑了中等思考强度。
这些限制决定了这组数字的准确读法：它是 RoboCurve 自己的测量口径，方法、评分与计价规则都写在报告里，逐轮记录全部开放下载。碗任务的对比没有在同一台 rig 上完成，拼图任务两家已经打平。95% 对 40% 能否在交错试验、同台 rig 的条件下重现，是这份报告留下的下一个问题。