GPT-6 Astra 机械臂基准测试：95% 成功率的积木放置 vs. Claude Fable 5.1 的 40%

底线性能

GPT‑6 Astra 在 20 次试验中完成了 19 次「积木放入碗中」任务（95% 成功率），每次运行仅耗资 $0.94，每次试验耗时 2.5 分钟，优于 Claude Fable 5.1（8/20，$2.12，6.8 分钟）和 Claude Fable 5（1/20，$2.69，8.2 分钟）。在更复杂的「拼图插入凹槽」任务中，Astra 与 Fable 5.1 一样，成功率均为 2/20，均在最后插入步骤卡住。

为何碗任务至关重要

碗任务隔离了基本的抓取与放置能力：抓取、提升、运输和释放。
Astra 的平均阶段得分为 3.95（满分 4），表明其能稳定到达最终放置阶段，而 Fable 5.1 平均为 2.40，Fable 5 仅为 1.30。
Token 使用量大幅下降：Astra 每次运行约使用 2 k 输出 Token，而 Fable 5 约为 13 k，这意味着更低的推理成本。

拼图插入凹槽任务揭示了局限性

该任务要求将圆形部件精确对齐至圆形凹槽，测试精细的空间推理能力。
Astra 和 Fable 5.1 的平均阶段分别为 2.00 和 2.35，表明它们能接近凹槽但未能完成插入。
Astra 每次运行成本（$1.36）仍低于 Fable 5.1（$2.18），但成功率相同（10%）。

实验设置

硬件：双臂 I2RT YAM 机械臂（每臂 6 自由度），配备平行爪夹持器，通过三台摄像头（顶部、左腕、右腕）加本体感知进行观察。
控制：将绝对末端执行器位姿（move_to）输入机器人 IK 求解器。
策略：使用 Inspect‑Robots 框架（v0.58.0）中的 agent 策略，中等推理努力，20 次 LLM 调用预算，25 % 速度限制。
试验：每模型每任务 20 次运行；Astra 的碗任务在 rig‑1 上进行，Fable 模型在 rig‑3 上进行；所有模型的拼图任务在 rig‑4 上进行。
评分：人工评分员为每次试验分配阶段（0–4）；评分标准与之前的 Fable 报告一致。

成本与延迟分解

模型	任务	平均输出 Token 数	估算 $/运行	平均时间（分钟）
GPT‑6 Astra	碗	2.1 k	$0.94	2.5
Claude Fable 5.1	碗	12.9 k	$2.12	6.8
Claude Fable 5	碗	19.2 k	$2.69	8.2
GPT‑6 Astra	拼图	2.7 k	$1.36	3.4
Claude Fable 5.1	拼图	10.5 k	$2.18	5.9
Claude Fable 5	拼图	16.3 k	$2.63	7.9

成本按列表价格计算（$10 / M 输入 Token，$50 / M 输出 Token），未考虑 OpenAI 的自动输入缓存，这将进一步降低 Astra 的实际成本。

Hacker News 社区见解

@baron816 – 建议将重点放在公共利益型机器人（如人行道垃圾清理）上，作为早期市场以展示价值并建立信任。

@gizmodo59 – 赞扬 Astra 在计算机使用任务中的速度和多功能性，认为 200 美元订阅费物有所值。

@scronkfinkle – 质疑 LLM 何时能处理洗衣等日常家务，指出令人印象深刻的演示与实际家庭自动化之间存在差距。

@yurimo – 批评实验范围有限，指出对外部 IK 控制器的依赖以及未与端到端 VLA/WAM 架构进行比较。

@SillyUsername – 报告在小型开源机械臂上使用 Astra 的负面体验，称其成本更高且代码生成质量差。

@sheeshkebab – 将结果总结为「半稳定地以一岁儿童水平移动积木」，强调了虽小但真实的技术进步。

需要注意的局限性

时间分离 – Astra 的运行比 Fable 运行晚了两天；环境变化可能影响性能。
设备不匹配 – Astra 的碗任务使用了与 Fable 试验不同的物理设备，可能影响成功率。
人工评分偏见 – 评分员知道每项运行由哪个模型生成，存在无意识偏见的可能性。
成本通胀 – 使用了列表价格 Token 成本；OpenAI 的缓存可能使 Astra 的真实成本更低，而 Anthropic 的运行未受益于缓存。
手动重置 – 试验之间通过人工重新定位物体，引入了变异性。
推理努力 – 所有模型均以中等努力运行；更高努力设置可能改变结果。

这对 LLM 驱动的机器人意味着什么

效率提升 – Astra 的 Token 高效提示和更快的推理转化为简单操作的显著更低的单次运行成本。
任务特异性 – 在简单的抓取与放置任务上成功率飙升，但在需要精细对齐的任务上趋于平稳，表明当前 LLM 规划器缺乏复杂装配所需的精度。
可扩展性问题 – 即使每次简单抓取与放置成本为 $1–$2，对大规模部署而言仍偏高；需要硬件进步或模型优化才能达到经济可行的水平。
模块化流水线 – 实验凸显了将高层规划（LLM）与低层控制（IK）分离的价值，但也暗示了未来通过更紧密集成（如 VLM 到 VLA 架构）可能获得的收益。

对实践者的总结建议

将 GPT‑6 Astra 用于 低复杂度的抓取与放置 任务，当速度和成本至关重要时，但 不要期望 其在无额外控制层的情况下处理精细插入。
考虑开展 公共服务试点（如垃圾清理），以展示能力并收集真实世界数据。
预期 成本下降，随着模型定价改善和缓存机制更加透明。
关注 模块化机器人堆栈，将 LLM 规划器与专用低层控制器结合，以应对超出简单抓取的任务。