【2026 實查】GPT-6 Astra 機器手臂 19/20 被瘋傳：原作者自己列了四個限制，先別當成定論

2026-09-04，一份叫做「GPT-6 Astra on robotic manipulation」的實測報告在 Hacker News 上衝到 229 分。標題數字非常搶眼：OpenAI 的新旗艦 GPT-6 Astra 讓機器手臂把方塊放進碗裡，20 次成功 19 次；Claude Fable 5.1 只有 8 次。

這種數字最容易被轉貼成「某某模型完勝」。我們直接去讀原始報告頁，把它的完整表格、成本、耗時抄下來，也把作者自己寫在文章裡的四個限制一起列出來。查核日 2026-09-07。

一、這個實驗到底怎麼做的

報告來自 Robocurve，是他們先前比較 Claude Fable 5 與 Fable 5.1 的後續篇——也就是說，硬體、任務、代理策略都沿用上一輪，只是把 GPT-6 Astra 放進同一組條件再跑一次。

• 硬體：雙臂 I2RT YAM arms，每隻手臂 6 個自由度，平行夾爪。
• 代理策略：Inspect Robots agent policy（與前一輪相同）。
• 任務一：把桌上的紅色方塊撿起來放進碗裡。
• 任務二：抓住藍色圓形拼圖片中央的把手，放進板子上對應的圓形凹槽。
• 規模：三個模型 × 兩個任務 × 各 20 次，合計 120 次試驗。
• 評分：由人類評分者依「最高完成階段」計分（0 沒有有意義的接近、1 碰到物件、2 離開桌面、3 移到放置點上方、4 放進最終位置），所以失敗的試驗也會記錄它走到哪一步。

二、完整數字（不是只有那個 19/20）

被瘋傳的只有第一組。但第二組任務三個模型全部不行：Astra 2／20、Fable 5.1 也是 2／20，完成率同樣是 10%。報告原文寫得很直白——Astra 會走到凹槽前面，然後卡在跟 Fable 一模一樣的最後一步。

換句話說，這份報告真正說的是：簡單的抓放，Astra 明顯拉開差距；需要對位精度的插入動作，目前誰都做不到。

三、比完成率更值得看的是 token 用量

表格裡最容易被略過、但其實最有訊息量的一欄是「每次輸出 token」：

• 方塊進碗：Astra 每次 2.1k，Fable 5.1 是 12.9k、Fable 5 是 19.2k——差了 6 到 9 倍。
• 耗時也跟著差：2.5 分鐘 vs 6.8 分鐘 vs 8.2 分鐘。

報告因此得到「約 2.3 倍便宜、2.4 倍完成率」的結論。對想把模型接進真實工作流程的人來說，這一欄比完成率更實際：同樣一件事，話少的模型不只比較快，帳單也比較短。

四、作者自己承認的四個限制（這段才是重點）

原始報告有一段明列限制，轉貼的人幾乎都沒帶到：

1. Astra 的試驗是在 Fable 那批做完兩天後才跑的，而且沒有交錯進行。 兩批之間的環境差異無法排除。
2. 評分是人工評的，而且評分者知道當下跑的是哪一個模型——作者原文寫「scores are open to unconscious bias」，也就是無意識偏誤的空間存在。
3. 成本用的是牌價（list price）。作者自己補了一句：若有偏差，Astra 的成本反而是被高估的。
4. 所有模型都只跑 medium reasoning effort（中等推理強度）。 沒有測高強度設定下的表現。

第 1 點和第 2 點在任何一份正式基準測試裡都會被要求改掉（交錯執行、盲評）。作者願意主動寫出來，這份報告的誠實度其實高於多數行銷型評測——但也正因為他寫了，引用它的人就不該把 19/20 當成定案結論。

五、對一般使用者的實際意義

三件事：

• 這不是 OpenAI 官方的機器人基準。它是第三方在自己的硬體與代理策略下跑出來的結果，不代表官方宣稱的能力範圍。
• 「機器手臂」不等於你買得到的產品。這裡測的是「模型能不能透過代理策略操控既有手臂」，不是 OpenAI 出了機器人。
• 真正可以拿來用的是成本與耗時那兩欄。如果你正在評估要不要把工作流程換到新模型，「同一任務輸出 token 少 6 倍」比「完成率 95%」更能換算成你的帳單。

至於 GPT-6 Astra 本身現在誰能用、API 怎麼算錢，我們另外實查過官方模型頁與計價門檻，整理在 GPT-6 Astra 上線：訂閱戶還拿不到，API 超過 272K 直接雙倍計價。

本文依據 Robocurve 原始報告（2026-09-04 發布）直讀整理，並對照 Hacker News 討論串熱度，查核日 2026-09-07。本報告為第三方實測、非 OpenAI 官方基準，且作者已自行揭露四項實驗限制，引用時請一併說明。方案與模型價格整理見 ChatGPT 工具頁。