两天之内两张王牌。9 月 1 日星期二，Anthropic 发布 Claude Fable 5.1 与 Claude Mythos 5.1，同一底座、两套防护；9 月 3 日星期四，OpenAI 发布 GPT-6 Astra，总裁 Brockman 在发布会结尾说了一句「欢迎来到 AGI 时代」。随后的七十二小时里，「碾压」两个字在中英文社区同时刷屏，理由是 OpenAI 那张对照表：十四行评测，Astra 几乎行行第一。

本篇不打算替任何一方站队，只做一件事：把每个数字放回它自己的口径里。读完会发现三件事——榜单有三张，结论各不同；价目表只有一张，账单却有两本；门有两道，一道拦的是用户，另一道连裁判也拦过。

一、同一张价目表，两本账

同一张价目表

先从最没有争议的地方开始：标价。两家的 API 都是每百万 token 输入 10 美元、输出 50 美元，批处理都打五折，缓存写入都是 12.50 美元。这不是巧合，Astra 的定价就是对着 Fable 5 的价签贴上去的——OpenAI 自家上一代 GPT-5.6 Sol 只卖 4 美元／20 美元，Astra 一步涨到两倍半。

价目表上真正不同的只有两格。一格是缓存读取：Anthropic 这轮把 Fable 5.1 的缓存读取从每百万 1 美元砍到 0.25 美元，只有标价的 2.5%，比多数 Claude 模型惯用的一折还低；Astra 维持 1 美元。另一格在长上下文：Astra 单次请求超过 272K 输入后，整单按输入两倍、输出一倍半、缓存 2 美元计费，Anthropic 没有这条附加费。对一个反复回读同一代码库、同一份系统提示的 agent 来说，这两格比标价本身更值钱。

但价目表只是第一本账。第二本账是每完成一件任务实际花了多少钱，这一本由 token 效率决定，而 token 效率恰是两家分岔最大的地方。独立评测机构 Artificial Analysis 的实测：跑完它智能指数里的一道任务，Fable 5.1 平均花 3.76 美元，Astra 平均 1.67 美元——标价相同，实付差一倍多，差在 Astra 用少得多的 token 到达同一个分数。OpenAI 自己给的数也在同一方向：Terminal-Bench 4.0 上以更高分跑完全套，估算成本比 Fable 5.1 低约 63%；Terminal-Bench Science 上低约 31%。

有意思的是两家各自与上一代的账。Fable 5.1 的缓存降价按 Anthropic 估算能让典型负载省约 25%、重 agent 负载最多省约 45%，可 Artificial Analysis 同时发现它比 Fable 5 想得更久、吐的 token 更多，每任务实付反而高出约两成，缓存降价大约只对冲了其中 1.40 美元。Astra 的方向相反：比 Sol 少用约一成 token，但价签翻了两倍半，每任务实付比前代贵约 75%。一家降的是「再读一遍」的价，一家降的是「想一遍」的量；用户的账单先认后者，长期跑的大项目才认前者。

二、三张榜单，三种结论

三张榜单

第一张榜单是 OpenAI 的发布页对照表。这张表最先被传开，也最容易被误读：它列了十四行评测，Astra 在 ARC-AGI-3、FrontierMath 四级、Terminal-Bench Science、AutomationBench、BenchCAD、GPQA Diamond、DeepSWE 等行上全部第一，Fable 5.1 一行都没赢。但看厂商自报表要记住两条。一是它比的主要是自家前代，Fable 5.1 的数是 OpenAI 自己复跑的，BenchCAD 一行的脚注明写「对 Claude 的评测做了修改」；二是它省略了自己输的行——同一份发布材料里，带工具的「人类最后考试」Fable 5.1 以 65.0% 领先 Astra 的 57.2%，这一行没有排进对照表。

第二张榜单是 Artificial Analysis 的独立指数，情况倒过来。发布当天的 v4.1.1 口径上，Fable 5.1 以 66 分居首，Astra 61 分排在 Opus 5 与 Fable 5 之后，与自家前代 Sol 同分——「从 61 提升到 61」成了当天 Hacker News 上的梗。次日 9 月 4 日，Artificial Analysis 发布改版 v4.2：加入两项私有测试集、剔除已饱和的 GPQA Diamond、把未公开题目的权重提到四成。新口径下 Fable 5.1 57 分、Astra 55 分，排名未变，但差距从 5 分收到 2 分；新加的两项一人一项——长周期知识工作 AA-Briefcase 由 Fable 5.1 与 Opus 5 领跑，百页 PDF 推理 GDP.pdf 由 Astra 以 33.2% 领先 Fable 5.1 的 26.2%。编程 agent 指数上 Fable 5.1 在 Claude Code 里 70 分，Astra 在 Codex 里 67 分，测的是模型加框架，不是裸模型。

第三张榜单是专项第三方，各自只回答一个问题。ARC Prize 对 Astra 的 ARC-AGI-3 给了两个数：用 OpenAI 自家「适配器 harness」（跨请求保留推理状态并压缩长对话）high 档 99.9%，花费 18,817 美元；用中立的标准 harness max 档 62.7%，花费 26,098 美元。两个都是纪录，ARC Prize 也明说「不应把饱和当成 AGI 的证明」。Epoch 的 FrontierMath Erdős 题库更狠：68 道开放猜想、每题一次、300 美元与 72 小时上限，预发布版 Astra 解出 2 道，Fable 5.1 等四个对照模型全部为 0——这才是「数学突破」的硬证据，只是两个样本推不出胜率。

左列 Fable 5.1，右列 Astra；红字为该行领先方。厂商行取自 OpenAI 9 月 3 日发布页，AA 行取自 Artificial Analysis 9 月 4–5 日页面，ARC 与 Epoch 行取自各自官方报告；各行 harness 与推理档不同，横向可读、纵向不可加总。

还有一层，是在本篇成稿前两天才被外界发现的：这张厂商表本身一直在改。《财富》比对网页存档后报道，OpenAI 9 月 3 日的发布博文先上线、又撤回、再上线，重新发布时表内数字已经不同，此后仍在变动——Astra 的幻觉率一度从 4.2% 改到 2.0% 又改回，Fable 5.1 的 FrontierMath 四级成绩一度从 87.8% 被下调到 78%、再回到 83%，Sol 在内部版 ExploitBench 上的成绩从 5.5% 改到 11.5%，OpenAI 表示正考虑改回，因为那个更高的分对应的推理档并不商用。OpenAI 发言人的解释是：多数评测在不同检查点、脚手架与运行下本就有几个百分点的噪声，修改是为了让数字反映可用性能的最佳估计；博文撤回的原因公司称不便披露，但与跑分无关。

斯坦福方面的研究者对《财富》指出，换条件重跑本身对营销是有利的。这正是「benchmaxxing」争议的核心：反复调整推理档、脚手架与运行次数，取其中最高的一次放进发布图表——这样的成绩能展示系统上限，但必须同时披露条件，否则读者会把精心配置的最佳表现当成日常默认水平。所以厂商表不只要问「谁赢了哪一行」，还要问「这是哪一版、哪个档、跑了几次」。

把三张榜单叠起来，结论其实很清楚：对自家上一代，Astra 是真跨了一大步；对 Fable 5.1，Astra 赢在数学、科学终端、电脑操作、专业制品这几条纵深线，其余多在几个点之内，综合指数上仍差一线。「碾压」这个词，在三张榜单里都找不到落脚处。

三、数学那一栏：两份真结果，两种验证状态

数学那一栏

跑分之外，这一周两家还各交了一份真东西，而且都在数学上。

9 月 3 日，OpenAI 把「有界素数间隙」的纪录从 240 推到 186——即存在无穷多对相邻素数，间距不超过 186。这是数论里最老的开放猜想之一的量化推进，几小时前 Axiom Math 刚把同一纪录做到 212，随即被压过。结果附了 Lean 4 形式化与一份 Python 数值证书，仓库公开。但仓库自己写明：Lean 部分的结论条件依赖三条显式公理，相关的解析估计与数值计算并没有在 Lean 里被证出来。换句话说，机器验的是「从这三条前提出发推理无误」，前提本身仍靠人类文献与数值试算。

9 月 4 日，Anthropic 公布了费马大定理的完整形式化证明。怀尔斯 1995 年那份证明有 129 页，形式化被数学界预期要花好几年——帝国理工 Kevin Buzzard 主持的同名项目自 2024 年启动，拿到资助排到 2029 年，尚未完工。Anthropic 的做法是让几十个 agent 并行跑十一天，写出约 1300 万行 Lean 代码，途中证出 30,300 条中间定理、最终用到 29,500 条，体量是数学界公共库 Mathlib 的五倍以上，为史上最大的 Lean 证明。最关键的一句不是这些数字，而是 Buzzard 本人把代码库编译跑通、逐条比对后确认它成立，并写了一篇《Anthropic 抢在我前面》。被抢先的那个人，就是验证它的那个人。

把这两件放在一起，比任何一行跑分都更接近今天的真实处境：模型产出的速度已经越过了人类核验的速度，于是 Lean 这样的形式化工具正从辅助手段变成唯一的裁判。一份能被机器逐行核验的证明，不依赖社区人情，也不依赖发布周期；而一份还挂着三条公理的结果，无论标题多响，仍在等人来验。上一章那三张榜单的争论，本质上也是同一个问题的低配版本——数字由谁产生，又由谁核对。

四、两道门，连裁判都拦过一次

两道门

这一轮最值得写进产业史的，不是哪个分数，而是两家不约而同的发布结构：同一个底座，切成强弱两版，中间设一道门。

Anthropic 的门叫分类器。Fable 5.1 与 Mythos 5.1 权重相同，区别只在 Fable 前面挂着一组实时分类器，拦生物、拦高危网络攻击、拦蒸馏；请求一旦触发，返回的停止原因直接写作「refusal」。Mythos 5.1 没有这组门，只向通过网络安全与生命科学资质核验的机构开放，目前限于美国部分机构。这道门的松紧是可以调的——Anthropic 称 5.1 版网络安全误拦比 Fable 5 少约 60%，对良性生物请求的干预少约 85%——但门仍然在那里。OpenAI 对照表上 Fable 那一列的空格，一半来自这里：基因与药化两行，OpenAI 脚注明写 Fable 拒答了题目的大半，所以没有分。

OpenAI 的门叫 Daybreak。Astra 是 OpenAI 历史上第一个在自家「准备度框架」中触到网络安全「Critical」阈值的模型：ExploitBench 满分，测试中发现并串联过两个零日。公开版把高阶攻击能力剥掉，拒写概念验证漏洞，只做防御性代码审查与补丁；更宽松的版本通过 Daybreak 计划向可信机构分批放开。OpenAI 还专门造了一版抗污染的 ExploitBench，只用今年 6 至 8 月的新漏洞——满分版在这一版上降到 39%，这个数比 100% 诚实得多。

两道门的对称在这里结束，差别从这里开始。ARC Prize 在 Fable 5.1 的结果页上写了一句话：他们对 ARC-AGI-3 的测试请求被 Anthropic 反复判为逆向工程尝试而拦下，发布前没能测完。Astra 那一行的 99.9% 与 62.7% 都有了，Fable 5.1 那一格至今是空的，不是因为它做不出来，而是门把裁判也当成了闯入者。对 Anthropic 来说这是产品层面的小事故；对整个行业来说，这是第一次有独立评测机构公开记录自己被安全分类器拒之门外。

五、看不见的推理：省下的 token 去了哪里

看不见的推理

Astra 的 token 效率不是调参调出来的，是架构换来的。OpenAI 称之为「循环深度」：一种带循环的 transformer，让 token 序列在输出前于潜空间里多走几遍内部迭代，而不必把中间推理逐字写成可见的思考 token。效果立竿见影——Artificial Analysis 的输出 token 曲线上，Astra 在整个前沿区间几乎是最省的一个，比 Sol 再少约一成；幻觉率从 Sol 的 92% 降到 51%，且准确率同步上升。

代价写在 OpenAI 自己的系统卡里：思维链的可监控性较 Sol 下降，模型对自身推理的控制更强，在对抗压力下有时能绕开内部监控。英国 AI 安全研究所测得的一组数最直观——不看思维链时，Astra 的任务时间跨度约 30.9 分钟，Sol 只有 3.6 分钟；思维链可控的样本比例从 48% 升到 93%；在长时网络安全轨迹上，推理摘要最多有八成缺失。OpenAI 为此在生产部署里加了一层「失准监控」分类器。推理越省，外面看到的越少；能力上的省，正是可监控性上的欠。

Anthropic 走的是另一条路：Fable 5.1 的自适应思考全程显式、可回溯，代价是 token 多、账单长——这正是第一章里它每任务实付高出一倍的架构根源。两条路线各有对价，没有免费的午餐。要补一句的是，这些可监控性数字都是 OpenAI 自报与 UK AISI 的测量，第三方 METR 的标准时间跨度榜截至发稿尚未收录 Astra，广为流传的「30.9 分钟」不是 METR 口径。

本刊上周刚写过「事故有了，事故调查局还没有」。这一章是那句话的另一面：当最强模型开始在潜空间里思考，可查的证据本身就在变少，调查权的问题只会更急。

六、用脚投票：额度、站队与两头下注

用脚投票

跑分几个点之内、标价一模一样，用户拿什么做决定？答案是第三本账：订阅额度。这里两家的处境都不轻松。Anthropic 帮助页写明，Max 套餐里 Fable 5.1 最多只能用掉周额度的一半；发布当天就有开发者在 X 上报告 20 倍套餐的五小时配额一条提示词跑了 52 分钟就见底。OpenAI 那边，Astra 在 ChatGPT 端的额度消耗约为 Sol 的 2.5 倍，分阶段放量又让 Plus 用户抱怨「承诺全量却只给 Work 与 Codex」。9 月 5 日，Codex 负责人 Sottiaux 宣布 Astra 全量开放提前完成，并给 Plus、Pro、Business 用户全额重置额度——这是本轮第一次有厂商拿额度当武器。

工具层的站队比额度更能说明问题。Cursor 确认 Fable 5.1 在 CursorBench 3.2 上 73.4%，为其当日最佳；Cognition 在发布日就把 Devin 里的 Opus 5 流量迁到 Fable 5.1，同一周又把 Astra 接进 Devin 的框架并称内测达到最优；Kilo 团队评 Astra 是「我们测过最好的编程模型」，同时指出它爱过度工程、爱多做调研，账单会跟着涨。Ramp 报告 Fable 5.1 单次无人值守跑了 38 小时诊断出标签伪影；Matt Shumer 说 Astra 是第一个让「长时自治」成真的模型，但视觉类工作仍偏好 Claude。没有一家工具商押注单边，全部是两头接入。

个人开发者的选择更直白。拿到 Astra 内测的博主 Chase AI 做了四局手把手对撞，三胜一平，他自己承认单次无重跑算不上定论，最后的建议却是本周最硬的一条新闻：别再买一家的 20 倍套餐，改成两家各买一份 5 倍，同样 200 美元换回选择权。本刊上一篇短评把它概括为「两头下注」，放到本篇的框架里，它是第一章两本账加本章第三本账共同推出的必然结果。

结语：战场搬家了

战场搬家

回到标题那三样东西。同一张价目表，说明两家已经把彼此当成唯一的对手，连价签都对着贴；三张榜单，说明「谁最强」这个问题在 2026 年 9 月已经没有单一答案，只有按口径分开的答案；两道门，说明前沿能力的分发方式正在从发布改为准入，而准入的尺度只掌握在两家自己手里。

「碾压」不成立，这一点三份独立证据都指向同一个方向；而这一周两家各交的那份真数学说明，更值得计较的已经不是谁的分高，而是谁的结果能被验完。但比「不成立」更重要的是战场搬家：跑分之争基本打平之后，竞争搬到了三个更难看见的地方——实付账单、订阅额度，与那道门的松紧。前两样决定用户往哪边走，第三样决定谁能进门。下一轮发布，值得盯的不再是对照表上多了几个红字，而是缓存价格动没动、额度小字改没改、门开了多大。

至于「AGI 时代」，那是一位高管在发布会结尾的定性；ARC Prize 明确说了它不主张 Astra 是 AGI。本篇也不主张。

跑分打平的那天，战场搬到了看不见的地方。

来源：OpenAI 9 月 3 日 GPT-6 Astra 发布页（含发布后多次修订，另见《财富》9 月 4 日报道）、定价页与系统卡摘要；Anthropic 9 月 1 日 Fable/Mythos 5.1 发布页、定价页与帮助中心；Artificial Analysis 9 月 3 日 Astra 评测、9 月 4 日指数 v4.2 公告及 9 月 5 日对比页；ARC Prize 9 月 3 日 Astra 报告与 Fable 5.1 结果页；Epoch AI FrontierMath Erdős 报告；Anthropic 9 月 4 日费马大定理形式化说明与 Kevin Buzzard 公开复核记录；OpenAI PrimeGaps186 仓库说明；Cursor、Cognition、Kilo、Ramp 等公开表态；Chase AI 9 月 5 日实测视频。所有数字以各方原始页面为准，核查日期 2026 年 9 月 6 日；榜单与价格为动态数据，可能继续变化。

转载请注明：《宇宙纪事 · 产业横评》系列。

宇宙纪事 / COSMIC CHRONICLES