2026年9月1日，Anthropic 发布了 Claude Fable 5.1。两天后，即9月3日，OpenAI 发布了 GPT-6 Astra，并称其为全球最智能、对齐程度最高的模型。每家实验室都说自己的模型最强，这在意料之中。

对企业主来说，更重要的不是谁赢得了这个头衔，而是一个数字：你每个月要付多少钱。而惊喜就在这里：两款模型的标价完全一模一样，每百万输入 token 10 美元，每百万输出 token 50 美元。然而最终账单却差别很大。差别藏在一个永远不会出现在标题里的项目中。

OpenAI 在 Astra 中实际推出了什么

Astra 的发布围绕着与前几代不同的东西：计算机操作。这个模型不只是回答你，它还会代你操作软件。它可以填写表单、更新 CRM 中的客户记录、整理日程、开展调研并在你的邮箱或文档编辑器中撰写总结、搭建网站，然后对自己的前端做质量检查。

OpenAI 就此公布的数据：

  • 速度优先于准确度。在 OSWorld 2.0 的延迟模拟中，Astra 每个任务约用四十分钟，得分 72.6%；GPT-5.6 Sol 每个任务约用七十五分钟，得分 65.7%。每个任务的耗时减少约 47%。
  • 借助更新后的 Codex 运行框架，OpenAI 报告称，在 Mind2Web 基准上，任务完成速度比 GPT-5.6 Sol 的使用体验快 1.9x。
  • 守住任务边界。在 Hugging Face 事件之后构建的一项评估中，在没有生产环境防护措施的情况下，GPT-5.6 Sol 有 48% 的情况超出了授权目标。Astra 在 0% 的情况下出现这种行为。
  • 数学与推理。在 FrontierMath Tier 4 上得分 98%，在 ARC-AGI-3 上得分 99.9%。

在网络安全方面，Astra 达到了 OpenAI Preparedness Framework 中的 Critical 阈值。因此，今天发布的版本会拒绝高级攻击性任务，例如编写概念验证漏洞利用程序，而安全代码审查和打补丁等防御性工作仍然可用。

Anthropic 在 Fable 5.1 中推出了什么

Fable 5.1 主打另一个方向：编程、知识工作以及长时间任务中的持久力。它对比 Opus 5 和 GPT-5.6 Sol 公布的数据如下：

  • 智能体式科学研究（Terminal-Bench-Science）：52.6%，Opus 5 为 29.0%，GPT-5.6 Sol 为 22.4%。
  • 智能体式编程（Terminal-Bench 4.0）：55.8%，Opus 5 为 52.3%，GPT-5.6 Sol 为 37.3%。
  • 知识工作（GDPval-AA）：1853 分，Opus 5 为 1824 分。
  • 业务工作流（AutomationBench）：31.4%，Opus 5 为 26.9%，GPT-5.6 Sol 为 19.6%。

Anthropic 还新增了低、中、高三个投入级别，并表示低或中级别的表现可以达到或超过 Fable 5，而成本要低得多。

价格：决定差异的那一项

官方公布的费率，按每百万 token 计：

项目GPT-6 AstraClaude Fable 5.1Gemini 3.8 Flash
输入$10$10$0.75
输出$50$50$3.75
缓存读取$1$0.25—
上下文窗口约 1.1M token1M token1M token

看第三行。Fable 5.1 的缓存读取价格只有 Astra 的四分之一。如果你认真使用模型，正是这一行决定了你的账单。

如果你对缓存读取还不熟悉：当模型重新读取它已经处理过的上下文时（你的项目文件、固定指令、很长的对话历史），由于不需要从头重新处理，你会按较低的费率付费。一个智能体式任务会把同一段上下文重读几十次。因此在智能体式工作中，缓存读取的量远远超过新输入，这一行上的 4x 差距会在月底显现，而不是在价格表上。

Anthropic 估计，典型工作负载的成本比 Fable 5 低约 25%，在高度智能体化的工作中节省可达约 45%。OpenAI 则提示了一个方向相反的项目：输入超过 272,000 个 token 的请求，整个请求都改按更高费率计费，输入 20 美元、输出 75 美元。在 Astra 上使用超长上下文并不便宜，如果你一次性提交大型文档，这一点尤为重要。

Google 在其中处于什么位置

Google 在这一轮没有发布新的前沿模型。其正式商用的旗舰模型仍然是 2026年2月推出的 Gemini 3.1 Pro。但它玩的是一场完全不同的游戏：它在9月2日推出了 Gemini 3.8 Flash，首发价格为输入 0.75 美元、输出 3.75 美元。

这并不是在智能水平上挑战 Astra 或 Fable 5.1，而是在另一个维度上发起挑战：13x 的价格差距。一家中型企业每天需要做的大部分事情，例如给客户消息分类、总结一段对话、从发票中提取字段、起草回复，根本不需要前沿模型。把这些任务交给每百万输出 token 收费 50 美元的模型，就等于为自己永远用不上的智能付费。

为什么不应相信任何直接的基准对比

这是你本周读到的大部分内容都会忽略的一点。这两款模型从来没有被相互比较过：

  • 每家实验室都只和自己比。OpenAI 将 Astra 与 GPT-5.6 Sol 对比；Anthropic 将 Fable 5.1 与 Opus 5 和 GPT-5.6 Sol 对比。没有任何一个官方数字是在同一测试中把 Astra 和 Fable 5.1 放在一起比较的。
  • 即使是共同的基准也无法比较。双方都引用了 OSWorld 2.0，但 OpenAI 报告的是延迟模拟下的 72.6%，而 Anthropic 报告的是部分得分制下的 77.9% 和严格计分下的 41.7%。三个数字，三种计分方法。把它们放进同一张表，比较的是不同的东西。
  • 测量是实验室自己做的。这不是指责，每次发布都是如此。Anthropic 自己也指出科学基准的标准误差为 3.5 到 4.5 分，而独立验证需要数周时间。
  • 防护措施会拉低分数。Anthropic 指出，Fable 5.1 是在开启生产环境防护措施的情况下评估的，防护措施介入的任务记为零分，这会压低其公布的数字，但并不意味着模型较弱。

实际结论是：唯一重要的基准是你自己的工作负载。用你业务中的五十个真实案例同时测试两款模型，并同时衡量质量、成本和延迟。一周这样的测试，比所有已发布的对比表格都更有价值。

这对你的企业意味着什么

尽管模型更新换代很快，我们在 Origami 所遵循的原则并没有改变：不要把你的系统绑定在单一模型上。让模型成为设计中可替换的组件，而不是你赖以构建的地基。具体到这一轮，实际做法是：

  • 把工作分成三个层级。大批量的日常任务交给便宜的 Flash 级模型，中等难度的工作交给均衡型模型，只有真正顶级的任务才交给前沿模型。仅此一项，节省的费用就超过任何价格谈判。
  • 按缓存读取而不是标价来做预算。如果你的工作是智能体式的（一个读取你的文件并反复调用上下文的助手），缓存读取才是你真正的账单，这里 4x 的差距比任何基准差距都更重要。
  • 先测试最低的投入级别。只有当测量证明确有需要时才提高，而不是凭感觉。
  • 在把系统的钥匙交给模型之前，要以书面形式明确它的边界：它可以访问哪些系统，哪些操作需要人工批准，以及它在哪里记录自己做过的事。Astra 的计算机操作能力意味着模型现在会采取行动，而不仅仅是回答，这让治理从锦上添花变成了运营上的硬性要求。
  • 如果你处理个人数据，数据保留是一个架构决策，而不是法律脚注。Anthropic 宣布了 Enterprise Frontier Safeguards，将数据存储在完全由客户控制的云基础设施中，从今年秋季开始分阶段推出。你在沙特阿拉伯《个人数据保护法》(PDPL)下承担的任何义务，都应以今天实际生效的内容为准，而不是以已宣布的计划为准。

Origami 的观点

当客户请我们构建一个由 AI 支持的系统时，我们不会从哪个模型最强开始。我们首先根据每项任务真正值得的投入把任务分成不同层级，然后构建一个抽象层，让模型可以在不重建系统的情况下被替换。原因很简单：你今天选择的模型，在六个月后就不再是最好的。Anthropic 和 OpenAI 在相隔四十八小时内先后发布了前沿模型，仅这一点就说明，任何绑定单一供应商的系统，其风险都在地基里，而不在边缘。

结论

Astra 在计算机操作、速度和守住任务边界方面领先。Fable 5.1 在编程、科学研究和长任务持久力方面领先，并且在智能体式工作所依赖的缓存读取这一项上更便宜。Gemini 3.8 Flash 赢下的是一场完全不同的较量：日常运行成本。正确的问题不是哪个模型最强，而是哪项任务值得用哪个层级。谁能用来自自身工作负载的测量表来回答这个问题，谁就能以最低的账单获得最好的质量。

资料来源

数据以上述来源在 2026年9月4日 所述为准。基准测试均由各实验室在自家模型上完成，独立验证仍在进行中。