第三方评测机构Robocurve用同一套开源代理框架Inspect Robots，让OpenAI的GPT-6 Astra控制YAM机械臂做两件事：把红色积木放进碗里，把圆形拼图片嵌进凹槽。放置任务里，Astra 20次成功19次，成功率95%，对手Anthropic的Fable 5.1只有40%，更早的Fable 5仅1次；Astra单次成本0.94美元、耗时2.5分钟，都比Fable 5.1的2.12美元、6.8分钟低出一截。奇怪的是，OpenAI从没把Astra叫做机器人模型。
放置任务碾压，拼图任务一起卡壳
Astra的优势不是全面的。拼图嵌入任务上，它和Fable 5.1战成平手，都是10%，而且都在触到凹槽的最后一步停住不动——这个细节比放置任务的分差更值得琢磨，后面再说。
| 任务 | 模型 | 完成率 | 单次成本 |
|---|---|---|---|
| 放置任务 | GPT-6 Astra | 95% | $0.94 |
| 放置任务 | Fable 5.1 | 40% | $2.12 |
| 拼图任务 | GPT-6 Astra | 10% | $1.36 |
| 拼图任务 | Fable 5.1 | 10% | $2.18 |
Astra的正职是电脑操作和网络安全，不是机械臂
GPT-6 Astra于2026年9月3日发布，OpenAI给它的官方定位是通用型电脑操作、浏览、编程、网络安全和科研模型：API定价每百万token输入10美元、输出50美元，上下文窗口105万token，还是OpenAI首个在Preparedness Framework下触及“Critical”网络安全能力门槛、并被广泛部署的模型。这份系统卡和发布材料里，完全找不到“机器人操控”四个字。
Robocurve做的事，是把这个跟机械臂毫无官方关系的通用大模型，套进Inspect Robots这套代理策略里，硬塞进机械臂控制的角色。它能跑通，本身就是一次意外的能力泛化展示，而不是厂商官宣的产品能力验证。
通用模型越界干活，比专用模型精进更值得追问
如果这个结果站得住，它挑战的其实是行业里一个默认前提：机器人操控需要专门训练的VLA模型。一个足够聪明的通用大模型，配上合适的代理框架，好像也能干。这个判断的分量，远大于两家公司谁分高分低。
这份成绩单的地基并不厚实
同一评测团队此前测试Fable 5.1时，自己承认过几个硬伤：只用了单一测试台，没做物体位置随机化；打分由单一人工评分员完成，没有交叉校验；披露的token是线路层请求响应数据，不是计费token，所谓“每次运行成本”本质是估算，精确到分反而容易给人错误的确定感。Fable 5还在18/20的放置试验里耗尽了20次调用上限——它输得难看，可能一部分是被调用次数卡住了脖子，不完全是能力问题。
- 风险.这些局限没有理由在这次Astra对比里消失——单台测试、单人评分、成本估算的问题原样保留，读者拿这份表格当“Astra全面领先”的铁证，风险不小。
拼图卡在同一步，说明瓶颈可能不在语言模型
真正有意思的信号，是拼图任务里两个模型都停在完全相同的最后一步：够到凹槽，但插不进去。如果差距纯粹来自推理能力，Astra在放置任务上的优势应该延续过来，但它没有。这更像是共享的物理瓶颈——末端执行器的精度、视觉定位的误差——卡住了所有基于当前范式的模型，而不是语言模型本身谁更聪明。
对押注专用机器人模型的创业公司来说，这个结果值得盯，但盯的不该是“通用模型要来抢饭碗”，而是“标准化的代理框架正在让跨模型比较变得容易”，游戏规则本身在变。对OpenAI而言，这只是一次意外的数据点，没有任何迹象表明Astra会被正式推向机器人赛道；对Anthropic来说，Fable在放置任务上输得明显，但拼图任务的平手说明它没有全面掉队。接下来该看的，是Robocurve会不会换个测试台、加大样本量、引入独立评分，把这个结论重新跑一遍。