在相同的YAM机械臂与Inspect Robots智能体策略下，OpenAI的GPT-6 Astra尝试了两个任务。碗中放积木任务里，Astra 20次试验成功19次，而Claude Fable 5.1成功8次、Fable 5仅1次；单次耗时约2.5分钟，成本约0.94美元。拼图插入任务中，Astra与Fable 5.1均为20次成功2次。

2026年9月4日

这是我们此前对 Claude Fable 5 与 Fable 5.1 对比评测的后续。我们让 OpenAI 的 GPT-6 Astra 在同样的 Inspect Robots 代理策略下控制同一批 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；捏住蓝色圆形拼图块中心的旋钮，把它放进拼图板上对应的圆槽。

放碗任务中，Astra 在 20 次试验里成功了 19 次，Fable 5.1 为 20 次里 8 次，Fable 5 为 20 次里 1 次；单次耗时 Astra 约 2.5 分钟，Fable 5.1 约 6.8 分钟；单次预估成本 Astra 约 0.94 美元，Fable 5.1 约 2.12 美元。拼图任务是另一回事：Astra 在 20 次里完成插入 2 次，Fable 5.1 也是 20 次里 2 次。Astra 能到达凹槽，却在和 Fable 相同的最后一步卡住；单次成本约 1.36 美元，Fable 5.1 约 2.18 美元。

评分

每次试验由人工评分员按达到的最高阶段打分，失败的运行也会记录进展。评分标准与 Fable 报告一致：

0 无目的性接近 1 与物体发生接触 2 将物体抬离桌面 3 将物体移至投放点上方 4 将物体放到最终位置

结果

| 任务 | 模型 | 平均阶段 | 完成次数 | 完成率 | 输出 token/次 | 预估成本/次 | 分钟/次 | | --- | --- | --- | --- | --- | --- | --- | --- | | 方块入碗 | Fable 5 | 1.30 | 1 / 20 | 5% | 19.2k | $2.69 | 8.2 | | 方块入碗 | Fable 5.1 | 2.40 | 8 / 20 | 40% | 12.9k | $2.12 | 6.8 | | 方块入碗 | GPT-6 Astra | 3.95 | 19 / 20 | 95% | 2.1k | $0.94 | 2.5 | | 拼图入槽 | Fable 5 | 1.50 | 0 / 20 | 0% | 16.3k | $2.63 | 7.9 | | 拼图入槽 | Fable 5.1 | 2.35 | 2 / 20 | 10% | 10.5k | $2.18 | 5.9 | | 拼图入槽 | GPT-6 Astra | 2.00 | 2 / 20 | 10% | 2.7k | $1.36 | 3.4 |

技术规格

本体：双臂 I2RT YAM 机械臂，每臂 6 自由度，配平行夹爪。控制：通过 move_to 指定末端绝对位姿，包括 x、y、z、偏航、俯仰、翻滚和夹爪，每个手臂单独控制；机械臂的逆运动学负责把位姿转为关节角。观测：每轮三路摄像头画面（顶视、左腕、右腕）加本体状态。策略：agent 策略，中等思考强度，20 次 LLM 调用预算，25% 速度上限，默认安全护栏开启。模型：gpt-6-astra、claude-fable-5、claude-fable-5-1。测试框架：Inspect Robots 0.58.0。试验量：每个模型每任务 20 次；拼图任务所有模型用 rig-4，放碗任务 Fable 模型用 rig-3，Astra 用 rig-1。token 计数：按线路层的请求和响应 token 计，非计费 token；成本按目录价计算，三个模型统一为输入每百万 token 10 美元、输出每百万 50 美元。

局限性

Astra 的试验在 Fable 试验两天后运行，未交错进行。拼图对比在同一台 rig 上完成；放碗对比则不是：Fable 放碗试验用的 rig-3 当时不可用。评分由操作员在知道模型身份的情况下判断，结果可能受到无意识偏见影响。成本按目录价计算：Anthropic 的请求未启用 prompt 缓存；OpenAI 自动缓存了 Astra 约五分之一的输入，但此处未作折扣，因此 Astra 的成本只可能被高估。物体在两次试验之间由人工复位，所有模型都只用了中等推理强度。

讨论气氛偏理性，多数人肯定大模型在机器人领域的进展，但也有不少声音指出当前能力距离实用化仍有巨大差距，同时对成本与专用模型必要性存在分歧。

认为当前进展值得肯定且前景乐观

• 有观点认为研究方主动披露模型局限体现了客观性，这种坦诚值得称赞（较多人）。
• 不少用户认为大模型在编程、数学等领域的表现已足够亮眼，结合机器人技术的发展，未来解决叠衣服等“枯燥”体力劳动问题只是时间问题（较多人）。
• 部分用户实际体验后认为相关工具在CAD、Blender等场景表现极佳，速度快且功能丰富，即使运营成本偏高也认为订阅物有所值（高赞）。
• 有用户提出机器人可优先落地城市拾荒场景，这类任务难度低于家用场景，既能作为公共福利积累公众信任，也更容易获得政府或社区的早期采购，是理想的商业化切入点（较多人）。

认为当前能力距离实用仍有明显差距

• 有用户调侃当前大模型操控机器人的水平仅相当于一岁幼儿搬积木，距离真正的实用化还差得很远（较多人）。
• 实际开发者反馈某大模型在操控开源玩具坦克机器人时表现极差，出现舵机方向错误、夹爪力矩计算失误、摄像头云台范围计算错误等问题，消耗大量算力却只产出无效代码，成本远高于其他竞品模型（高赞）。
• 有观点指出通用GPT类模型并不适合直接用于机器人控制，这类场景需要专门的专用模型（少数人）。

成本与落地门槛仍是核心障碍

• 有用户指出当前机器人执行单次任务的成本过高，要么需要芯片成本大幅下降，要么需要其他降本方案，否则难以替代人工（较多人）。

有价值的补充

• 有用户提出疑问：大模型未来是否会成为自动驾驶的核心架构，参考其操控游戏的能力，是否有可能解决自动驾驶最后那几个百分点的长尾难题。