GPT-6 Astra 实现无人机自主监控并独立经营业务，表现碾压 Claude Fable 5.1

要点

• Andon Labs 用两个智能体基准测试了 GPT-6 Astra，该模型的成绩大幅领先 Claude Fable 5.1。
• 在模拟的自动售货机生意中，Astra 的最终银行余额平均达到 15,515 美元，接近 Fable 成绩的三倍。
• 在 Drone-Bench 上，Astra 成为首个在全部五个子任务中都击败人机协作基线的模型，包括编写让无人机自主寻找并跟踪特定目标人物的代码。

Andon Labs 用两个差异很大的智能体基准测试了 GPT-6 Astra。无论是采购库存、经营自动售货机，还是执行无人机监控任务，这款 OpenAI 模型都全面碾压 Claude Fable 5.1；在无人机监控方面，Astra 更是首个在全部五个子任务上都超越人机协作基线的模型，不过它的成功率仍不够稳定。

OpenAI 的 GPT-6 Astra 在 Andon Labs 的两个智能体基准上超越了此前所有前沿模型。这家研究机构利用 Vending-Bench 和 Drone-Bench，来衡量 AI 模型在长时间独立行动、或为物理系统编写软件方面的能力。

在模拟的自动售货机生意中，Astra 赚到的钱接近 Claude Fable 5.1 的三倍。而在 Drone-Bench 上，Andon Labs 表示，Astra 是首个最佳成绩在全部五个子任务中都超越人机协作开发基线的模型。

Astra 比 Claude Fable 5.1 更会砍价，也更会省钱

在 Vending-Bench 中，每个模型获得 500 美元启动资金，需要经营一台自动售货机一整个模拟年度：寻找供应商、谈判进货价、下单订货、制定零售价，并设法让银行余额不断增长。

根据 Andon Labs 的数据，GPT-6 Astra 在六次运行中的平均成绩为 15,515 美元，而 Claude Fable 5.1 的平均成绩仅为 5,422 美元。即便是 Fable 的最好成绩（9,874 美元），也远远落后于 Astra 的最差成绩（13,272 美元）。Astra 是首个登顶 Vending-Bench 2 排行榜的 OpenAI 模型，Andon Labs 指出，第一名与第二名之间的差距也是该基准测试有史以来最大的。

两者在采购环节的表现差异尤为明显。Fable 随着时间推移，接受的交易条款越来越差。以普通罐装可口可乐为例，其平均采购价从模拟一年的前 90 天的 1.17 美元上涨到年尾的 2.21 美元。相比之下，Astra 的谈判表现更为稳定。Andon Labs 记录的一例中，供应商对一篮子货物报价 226.32 美元，Astra 坚持 108 美元的价格并成功达成交易。

Astra 应对不可靠供应商的能力也更强。在六次运行中，Fable 5.1 向 45 家已倒闭的供应商预付了货款，导致 14,331 美元损失。Astra 遭遇的供应商倒闭次数更多，达到 64 次，但 Andon Labs 称，没有记录到由此产生的已知预付款损失。Fable 识别到了这一问题并制定了规则，只接受书面确认后才付款。然而几天后，模型就违背了自己设定的这条规则。

Astra 拒绝价格串谋

Andon Labs 还使用 Vending-Bench Arena 测试模型，该测试中多个 AI 智能体在同一地点运营相互竞争。Astra 明确拒绝了中国模型 GLM-5.3 提出的价格串谋提议。在研究的三局竞技场游戏中，Andon Labs 未观察到 Astra 有任何撒谎行为。

在 Andon Labs 定义的一场非法价格联盟实验中，Claude Fable 5.1 与 GLM-5.3 达成了一套协议，但 Fable 仅在自身利益相符时才会遵守该协议。Astra 则赢下了全部三局游戏。 Andon Labs 评估认为，Astra 不仅经济表现更强，而且对齐程度更好，但这一结论仅基于基准测试中观察到的行为，并不自动适用于其他场景。 ## Astra 是首个跑通 Drone-Bench 全部五项任务的模型 Drone-Bench 测试的则是另一种智能体能力。模型需编写代码，让廉价的 DJI Tello EDU 无人机自主在办公室内导航，识别并跟随特定人员。该基准测试包含五个步骤：环境三维重建、无人机定位、导航、目标人员检测与跟踪。 每个任务都会根据 Andon 自用演示中由人工开发者借助编程智能体构建的参考代码进行独立评分。每个模型每项任务可获得十次运行机会，且每次运行最多可提交十个代码版本。每次尝试后，模型会收到得分，并有机会改进其解决方案。

在 7 月发布的原始论文中，Claude Fable 5 仍是表现最强的模型。前沿模型在五项任务中的四项上，至少有一次运行超越了人机协同基线，但三维重建任务仍未解决。Andon Labs 报告称，Astra 是首个最优提交成果在全部五项 Drone-Bench 任务（包括重建）上均超越基线的模型。 Astra 构建了一条结合 COLMAP 与 DA3 并增加深度过滤的流水线。根据 Andon Labs 的数据，该模型利用办公室视频素材生成了可导航的三维模型，其得分高于人机协同参考方案。 ## 最佳案例分数并不意味着可靠性能

在人物检测上，Astra 十次里有四次超过基线；在 3D 重建上，十次里只有一次达标。Andon Labs 计算得出，Astra 一次运行连续通过全部五个步骤的平均概率仅为 2.8%。

Astra 首次证明，通用前沿模型能在任务的每个环节写出超过基线水平的代码。但把各环节概率相乘，完整跑通端到端流程的几率仍然很低。根据过去两年的进展，团队预测到 2027 年第一季度，前沿模型有望一次性完成全部五项任务。

GPT-6 Astra 已经能胜任监控无人机

在 Andon Labs 的一次演示中，GPT-6 Astra 收到提示词「ChatGPT，找到这个人并跟踪他」后，便自主操控无人机在办公室内飞行。模型识别出特定目标并持续追踪，空间建图、导航和人物跟踪全程无需人工干预。其他基准测试也显示，GPT-6 Astra 的空间推理能力尤为突出。

当批评者质疑为什么要开发这种大家一直在警惕的技术时，Andon Labs 回应说，这个基准并不是帮 AI 学会飞无人机，而是衡量现有模型在这方面已经达到了什么水平。六个月前，前沿模型在这些任务上还会失败坠机，如今 Astra 在每个子任务上都已经超过人类基线。

Andon Labs 认为，在 AI 无人机达到超人级导航能力之前，公众和立法者需要了解这些能力的现状。该基准不向任何实验室开放，所有评估均由 Andon Labs 自行执行，以防止公司针对测试优化模型。