搜索
硅谷DrivingBench测试中，从未专门学过开车的通用大模型GPT-6 Astra操控改装丰田卡罗拉以5分22秒通过锥桶摆出的科目二考场，成为全场唯一通关的大模型，而Claude Fable 5.1、Grok 4.6和GPT-5.6 Sol均未通过。
TrackingAI榜单显示，Claude Fable 5.1和GPT-6 Astra在门萨挪威智商测试中以151分满分登顶，碾压99.97%的人类，AI仅用两年半便从64分飙升至满分。
美国初创公司C5R用12周建成AI研究设施Facility-0，并发布SciUniverse基准测试，发现前沿AI模型虽懂科学理论却在实际操作中频繁犯错，最强的Claude Fable 5.1通过率仅45.3%，揭示模型缺乏物理实验室手感。
Anthropic发布Claude Opus 5.5，性能追平Fable 5.1且成本降低40%，在Terminal-Bench 4.0和GDPval-AA v2.1等多项基准测试中超越GPT-6 Astra，OpenAI两小时内推出GPT-6 Sol和Luna迎战。
NeoCognition发布ApprenticeBench评测，将Agent放入模拟建筑公司像新员工一样处理应付账单，结果Fable 5.1以72%通过率超过表现最好的人类测试者的51%，但每张账单成本约为人类的2.5倍，同期Opus 5仅获36%。
OpenAI的GPT-6 Astra在Vending-Bench 2模拟经营测试中以平均15,515美元的账户余额首次登顶，接近Claude Fable 5.1的3倍，展现出更强的长期议价能力、规则执行力与供应商风险管理水平。
媒体报道OpenAI发布GPT-6 Astra官博前后多次悄悄修改跑分数据，包括将自身幻觉率从4.2%降至2.0%、将竞品Anthropic Fable 5.1数学成绩调低近10个百分点，并将ARC-AGI-3得分从98.6%注水至99.99%，OpenAI仅以"消除噪点的常态修正"作为回应。
我们自建的"你画我猜 Benchmark"第一期用150个词、1350张SVG画作对8款模型进行互画互猜测试，最终GPT-6 Astra以75.5分险胜Gemini 3.8 Flash与Claude Fable 5.1，结果显示思考更多或花费更多的模型并未稳定取得更高分，且部分模型连自己的画都认不出。
在Epoch AI与曼彻斯特大学发布的FrontierMath Erdős基准测试中，GPT-6 Astra以3%得分率成为唯一非零分模型并解开5道Erdős难题，而GPT-5.6 Sol、GPT-5.5、Fable 5.1与Claude Fable 5均交白卷。
Anthropic发布Fable 5.1，推出"上下文一致性验证"机制，严格锁定API返回的"思考块"，任何修改上下文的行为将被直接报错，从而彻底切断通过API蒸馏大模型推理过程的后路。