GPT-6 Astra vs Claude Fable 5.1：15场真实工作场景实测对比

当顶级AI模型的智能水平趋于饱和，真正的竞争已经不再是"谁更聪明"，而是"谁更懂你要什么"。一位B站UP主用真金白银——耗尽3个Codex订阅、4个Cloud订阅和数千美元的用量额度——在15个真实工作场景中，将OpenAI的GPT-6 Astra（基于Codex）与Anthropic的Claude Fable 5.1进行了正面对决。这场横跨设计、财务、自动化、浏览器操作等领域的评测，给出了一个有实操价值的结论。

评测方法与整体结论

这次对比的独特之处在于，所有测试用例都来自评测者的真实日常工作，涵盖咨询报告、销售文案、税务分析、订阅审计、会议洞察、视频剪辑、SaaS开发、浏览器自动化等15个场景。每个场景都从输出质量、耗时、成本三个维度打分。

最终结果：Astra赢下10场，Fable赢下5场。但更值得关注的是成本与时间的权衡——Fable总耗时9小时35分，花费513.36美元；Astra总耗时11小时19分，花费326.98美元。换句话说，Astra整体便宜了186美元，但比Fable多花了近1小时43分钟。

这组数据揭示了两款模型的核心差异：Astra更省钱、整体输出质量更稳定（尤其配合Codex订阅可全周无限制使用），而Fable在部分创意与设计任务上仍有独到之处。

值得一提的是，两者的成本差异不仅仅源于模型能力本身，还与其背后截然不同的商业模式密切相关。OpenAI的Codex平台定位为开发者与高级用户的"AI工作站"，其订阅模式允许用户在一定层级内无限制调用GPT系列模型执行代码生成、数据分析、浏览器操作等复合任务，这种"包月不限量"的设计显著降低了高频使用者的单次成本。Anthropic的Cloud订阅则采用更传统的按用量计费模式，用户为每次API调用或代理运行消耗的token付费，这意味着在高强度任务中成本可能急剧攀升。两种定价策略各有取舍：前者对重度用户更友好，后者对轻度用户更经济。

Astra的强项：财务、自动化与浏览器操作

Astra最亮眼的表现集中在需要严谨性和工具操作能力的场景。

税务与财务分析：靠"主动提问"建立信任

在税务分析场景中，Astra在开始前主动提出了约7个澄清问题，而Fable直接开跑。评测者明确表示，这种主动提问的行为让他对Astra的输出更有信心——毕竟税务是一个容错率极低的领域。Astra最终交付了一份包含月度结果、税务预测、3739行完整交易台账和来源核查的报告，结构更清晰、更贴合需求。

在订阅审计场景中，Astra完整列出了所有订阅、下次扣费日期和价格变动标记，而Fable有一个工作表"全部费用"竟然完全空白。成本差距更为夸张：Astra花费约12.5美元，Fable却花了近50美元。

会议洞察：更少的成本，更深的分析

会议分析场景中出现了本次评测最匪夷所思的数据。Astra分析了79场会议，成本仅5.5美元；Fable分析了58场会议，却花费46美元——尽管其活跃代理时间只有6分钟。评测者查看会话日志后仍无法解释这些token去了哪里。

这一现象直指当前AI服务行业的一个核心痛点——token消耗的不透明性。Token是大语言模型处理文本的基本单位，大约每个英文单词对应1-1.5个token，中文则每个字约1.5-2个token。但在agent模式下，模型不仅处理用户可见的输入输出，还会在后台进行大量"思考链"（Chain of Thought）推理、工具调用日志生成、上下文窗口维护等隐性消耗。部分高级推理模型的内部推理token可能数倍于最终输出token，而这些隐性消耗是否计费、如何计费，各平台的政策并不一致，用户往往在收到账单后才发现远超预期。

在洞察质量上，Astra对"领导层职责与所有权"的建议也更打动评测者。

浏览器操作：GPT系模型的传统强项

两个高度依赖浏览器操作和视觉能力的场景——在Canva临摹画作、在Skool社区批量创建课程草稿——Astra都以压倒性优势胜出。在Canva临摹任务中，Fable给出的结果被评测者直言"laughable（可笑）"；在Skool课程创建中，Fable因视频无法本地上传而失败，Astra则完整完成了视频、文本和草稿保存。评测者总结："总体而言，Codex和GPT系模型在浏览器操作上明显更强。"

这里所说的"浏览器操作"并非简单的聊天交互，而是涉及具备自主规划、工具调用和多步执行能力的智能代理（agent）系统。在现代AI架构中，agent能够将一个复杂任务分解为多个子步骤，依次调用搜索引擎、代码执行器、浏览器控制器等外部工具完成目标。浏览器操作能力是agent能力的关键分水岭——它要求模型不仅能理解网页的DOM结构和视觉布局，还要能精准地模拟点击、输入、拖拽、截图等人类操作。OpenAI在这方面的优势部分源于其较早布局的多模态能力和Computer Use相关技术积累，使GPT系模型在需要实时操控网页界面的场景中表现更为可靠。

Fable的坚守：文案、演示与视觉设计

尽管总比分落后，Fable在5个场景中的胜出并非偶然，它们都指向创意表达与内容呈现这一核心维度。

咨询演示与销售文案：更懂"讲故事"

在制作McKinsey级别咨询演示的场景中，Fable的输出虽然文字更多、更适合作为"交付文档"而非现场演讲稿，但其品牌一致性和结构感更强，赢得了这一局。

这里的"McKinsey级别"并非泛泛的夸张修辞，而是有其特定的行业含义。麦肯锡等顶级管理咨询公司的演示文档（通常称为"deck"）有着极为严格的制作标准：每页幻灯片需要有一个清晰的行动标题（action title），数据可视化遵循"少即是多"原则，整体叙事结构通常采用"情境-复杂性-解决方案"（SCR）或金字塔原理框架，品牌配色和字体必须高度统一。这类演示的核心挑战不在于信息量，而在于如何用最少的文字和最精准的图表在30秒内让高管抓住关键结论。Fable在这一场景中胜出的"品牌一致性和结构感"，恰恰对应了咨询行业对交付物"专业感"的极致追求。

在销售信文案上，Fable写出了约2800字的长文，包含"这能帮我找到工作吗？""我技术够格吗？"等潜在学员真正关心的问题，以及学费、师资、适合与不适合人群等细分板块。相比之下，Astra的1300字文案"更高层、更笼统"。评测者认为，销售文案恰恰需要足够细致来消解客户疑虑，因此Fable胜出。

说个细节，评测者提到团队内部的一个观察："过去Claude在写作上一直占据主导，但最近团队更偏爱GPT系模型的写作。"这一变化反映了AI写作领域正在发生的深层演进。Claude系列模型长期以来以"更自然、更有温度、更少AI味"的写作风格著称，Anthropic在训练中特别强调了RLHF（基于人类反馈的强化学习）阶段对"有帮助、诚实、无害"三原则的校准，使其输出文风更具对话感和同理心。而OpenAI在GPT-4o及后续模型中大幅提升了指令遵循精度和格式控制能力，使其在需要特定结构、语气和篇幅控制的商业写作场景中更加可控。这种偏好的转变并非某一方绝对变强，而是随着模型迭代，两者的优势区间在持续重叠和重新划分。

知识图谱可视化与网站克隆

在"第二大脑"知识图谱可视化场景中，评测者原本"期待Astra大杀四方"，结果却更喜欢Fable的版本——Astra的节点太小、界面更令人眼花缭乱，而他想要的只是一个简洁直观的大脑可视化工具。

这一场景融合了两个在生产力领域广受关注的概念。"第二大脑"（Second Brain）源自生产力专家Tiago Forte提出的个人知识管理方法论——PARA（Projects, Areas, Resources, Archives），核心理念是将人脑中的知识外化到数字工具中，形成可检索、可关联的知识体系。知识图谱（Knowledge Graph）则是一种以节点（概念）和边（关系）构成的网络化数据结构，最早由Google在2012年引入搜索系统。当两者结合，用户期望的是一个能直观展示个人知识之间关联关系的可视化界面——比如"机器学习"节点连接到"神经网络""数据预处理"等子节点，并能动态探索。这类任务对AI的挑战在于信息架构设计和视觉层次感的平衡，Fable在这方面展现出了更好的"克制力"。

在网站克隆任务中，虽然Astra的成品"感觉更顺滑"，但Fable"更忠实地还原了原始网站"，而还原正是本次prompt的核心要求。这提醒我们：设计偏好高度主观，评判标准必须回归到具体需求本身。

关键启示：智能饱和时代如何选模型

这场评测最有价值的洞察，其实不在于谁赢谁输。

智能已饱和，比拼的是"呈现力"

评测者反复强调："我们现在已经到了一个阶段，Astra和Fable都极其智能，你不必再担心它们能否派出agent做研究。现在更重要的是——它们如何把杂乱的数据回传成一个能讲故事、能真正拿去展示的东西。"这一判断精准概括了当下顶级AI模型竞争的新焦点：从"能不能做"转向"做得漂不漂亮、贴不贴合场景"。

不必"二选一"，按场景匹配才是正解

评测者给出的最终建议非常务实：不要把某一款模型用于所有场景。他目前更倾向让Astra处理日常工作，原因包括效率更高、Codex订阅可全周无限制使用、单次任务成本更低。但他同时指出，GPT 5.6 Sol对大多数知识工作已经"足够甚至过剩"，未必需要动用Astra级别的模型。

他的结论是："我坚信它们各有长短、各有价值。这也是我热衷于做这类测试的原因——去发现不同用例下它们的表现。"并且他会长期保留两家的多个订阅，因为"这个领域变化太快"。

写在最后

对于普通用户而言，这场评测的最大价值不是记住"10比5"这个比分，而是理解一个方法论：用你真实的工作场景去测试，用你自己的标准去评判。同一个视频剪辑任务，有人偏爱Astra的实拍片段，有人喜欢Fable的节奏铺垫——这没有标准答案。

当AI模型智能趋于同质化，真正的护城河正在从算法转向对具体工作流的理解。而对使用者来说，找到"哪个模型适合哪个场景"的个人地图，可能比追逐榜单排名重要得多。