AREX Feed Article
Abacus AI CEO 测评 GPT-6 Astra：大代码库空转吞 token，硬核编程 Fable 5.1 仍胜出
Abacus AI CEO Bindu Reddy 在 X 上发布了，结论与 OpenAI 官方发布口径正面相左：在大型代码库上，Astra “大量空转、吞噬大量 token、做得过度”；Astra 对知识工作者是明显的赢家，但硬核编程仍由 Anthropic 的 Claude Fable 5.1 胜出。帖文发布于 UTC 时间 9 月 6 日 22:16（北京时间 9 月 7 日 6:16），距 OpenAI 宣布 Astra 向 Pro 以上用户全量开放约两天。
这不是全面差评：她把“知识工作者场景”单独列为 Astra 的明确胜场，批评集中在编码一侧。而三天前，OpenAI 刚宣称 Astra 在软件工程等能力上创下新的 SOTA（state of the art，最先进水平）。官方发布词与一位行业人物的实测结论之间的落差，是这条帖文引发的核心争论。
她把差评写成了三条清单
原帖正文只有四行，用三条清单给出大代码库上的判断：
Astra 在大型代码库上：
- 大量空转（spins a lot）
- 吞噬大量 token（guzzles a lot of tokens）
- 做得过度（over does things）
Astra 对知识工作者是明显的赢家（a clear winner），但硬核编程（hard coding）仍由 Fable 5.1 胜出。
发布者身份来自：Abacus AI CEO（她把公司描述为“强大的 AI Agent 与超级计算机”平台），曾在 AWS 与 Google 任职，关注者约 38.3 万。她口中的 Fable 5.1，是 Anthropic 于 9 月 1 日发布的 Claude Fable 5.1，称其为“世界上最先进的编码与知识工作模型”。
截至本稿核验时（北京时间 9 月 7 日上午），这条帖文浏览约 5,500 次、获 89 次点赞和 25 条回复。帖文没有给出测试方法：多大的代码库、什么任务、空转多久、烧了多少 token（模型处理与计费的最小文本单位），都没有公开。可以当作她逐日上手实测的个人结论，但无法当作可复现的数据。
从 “AWESOME” 到差评：发布周的实测轨迹
除特别注明外，本段日期均为 X 帖子自带的 UTC 日期。Reddy 的实测几乎与 Astra 官宣同步，立场一致，指控逐步加码。
9 月 3 日当天，她先与 Fable 5.1 相同：输入 10 美元/百万 token、输出 50 美元/百万 token，当时还“没有全量开放”。随后她为“Astra 彻底摧毁 Fable 5.1”，并给出自己的读法：推理、数学、数据分析、研究上 Astra 胜出，“Fable 5.1 仍是编码之王”。她还：“Astra 目前还只是 PR release（公关发布）……OpenAI 需要尽快让它全量开放。”
9 月 4 日 20:13（UTC）， Astra 向所有 Pro、Enterprise、Business Premium 用户在 ChatGPT Work 与 Codex 中开放，并上线 API。约 20 分钟后，Reddy 发出她的“首日”总结：比 Fable 5.1 便宜也更快，但在长时间运行的 agent（智能体）循环（long-running agentic loops）上更差，浏览器使用与 3D 渲染明显更好，“OpenAI 回来了”。
9 月 5 日她把结论写成：浏览器使用选 GPT-6 Astra，硬核编程选 Fable 5.1，简单编码选 GLM 5.3。9 月 6 日的仍偏正面：容易对话、数据分析好、空间感强、知识工作者友好、交付物呈现更清楚，“不像 Fable 5 那样喷术语”。
而那条差评帖（北京时间 9 月 7 日清晨）把问题落到了具体场景：大型代码库。相比她 9 月 4 日“整体略逊”、在长时 agent 循环上更差的措辞，这里的说法明显更重，指向的不只是结果质量，还有成本与效率。
OpenAI 的 SOTA 口径，与她的实测差在哪
对照组的官方叙事同样有据可查。9 月 3 日发布当天，OpenAI 用里的一句话定义 Astra：“你在电脑上能做的任何事，Astra 都能替你快速完成”。随官宣一并发布的则写道，Astra 是“世界上最智能、最对齐的模型”，在电脑操作、浏览、软件工程、网络安全、科学与专业工作上创下新的 SOTA。
补充了数字：FrontierMath Tier 4 拿到 98%，ARC-AGI-3 达到 99.9%。其中有一句话与 Reddy 的指控几乎正面相撞：Astra 经过专门训练，“只提取对当前任务真正需要的上下文，而不是重复手头工作不需要的信息”。她的实测结论恰恰是“做得过度”。两个说法指向同一件事：Astra 面对一个任务时，到底会做多少不必要的动作。
两边也不是同一类声明：OpenAI 的数字来自自家评测体系，Reddy 的结论来自真实代码库使用。铺开的节奏放大了这种不对称：Astra 在 9 月 3 日只向少量组织开放，9 月 4 日才覆盖 Pro、Enterprise 与 Business Premium 用户。
独立指数：Fable 5.1 以 70 分领先，Astra 67 分
第三方基准目前部分支持她的判断。给出 Coding Agent Index（编码智能体指数，综合 DeepSWE、Terminal-Bench v2.1 与 SWE-Atlas-QnA 三个基准）：Codex 环境里的 GPT-6 Astra（max）得 67 分，与 Claude Opus 5、Fable 5 基本持平；Claude Code 环境里的 Fable 5.1（max）以 70 分领先全场。
但在 token 效率上，AA 的测量与 Reddy 的体验相反：在其任务集里，Astra 每个任务消耗的 token 约为 GPT-5.6 Sol（max）的三分之一、Claude Opus 5（xhigh）的五分之一；同一得分下，每任务成本不到 Fable 5 的一半。AA 同时确认 Astra 定价是 GPT-5.6 Sol 的 2.5 倍（输入/输出每百万 token 从 4/20 美元涨到 10/50 美元），并测出 Astra 在“Intelligence Index”上与 Sol 同为 61 分，比 Fable 5.1 低 5 分。
两种测量覆盖的任务不同：AA 测的是自家基准任务集，Reddy 说的是真实大型代码库会话，结论无法直接对比。这说明“烧不烧 token”高度依赖任务形态，任何一方的单一测量都覆盖不了另一方的场景。
“为修一个分号，Astra 开了一场电话会”
回复区里出现了一批与她同向的体验分享。自称构建“能扛住真实生产的 AI 系统”的 Franklin Solum ：“Astra 在跨一堆任务时感觉很好，但一旦你深入一个大代码库，额外的空转和 token 消耗真的会开始让你难受。Fable 5.1 在这种工作上感觉更对路。”账号 Big Bull 的更形象：“Token 燃烧正在成为新的技术债。Astra 会为修一个分号开一场电话会，Fable 只是把分号修了。”自称 AI 工程师的 Naveen Saradhi ：“Astra 是那个天才实习生，改一行代码前先通读整个代码库；Fable 5.1 是直接交付修复的高级开发。”
也有与她直接冲突的样本。自称 Sovantra 创始人兼总裁的 Devin Pehrson 说，他把 Astra 用在法律文书、deck 等知识工作测试上，“额度一天就烧光了（usage smoked in 1 day），还得 Fable 来收尾”，并因此认为知识工作也要选 Fable 5.1，这动摇了 Reddy 帖文中“知识工作者明显胜出”那一半。
反对把结论泛化的人同样在场。自称 Asymmetric Stability Architecture（ASA）架构提出者的 Mieczysław Kusowski ，大代码库工作负载下她的判断“完全可以成立”，但不该上升成“模型 A 比模型 B 好”：“没有免费的智能，只有不同的付费位置。不同工作负载，赢家不同。”他建议把问题从“谁用的 token 少”换成“得到能用的结果花了多少钱”。
她的平台把复杂编程默认路由给 Fable 5.1
Reddy 不是中立的旁观者，这一点她自己发布的内容可以说明：9 月 5 日她宣布的把 Fable 5.1 与 GPT-6 Astra 放进同一套自动路由，规则是“电脑操作用 Astra、复杂编码用 Fable 5.1、3D 游戏用 Astra”。她的测评结论与她自己产品的默认路由完全一致。
账单机制让“吞 token”的指控有直接的商业含义：两个模型按同一价格计费，Astra 在一个任务上多烧一倍 token，成本就是 Fable 5.1 的两倍。9 月 3 日她曾预警：“复杂工作负载正快速流向 Fable 5.1，以后切换会更难。”两天后公布的 MAX MODE，执行的是同一套判断。
这场争论卡在一个点上：双方谈的“软件工程”是否覆盖同一类代码库，帖文没有答案。OpenAI 在 9 月 4 日表示，Plus 与 Business 用户可能还要几天才能陆续获得 Astra；他们的真实代码库记录，将是这条差评的下一个验证点。