---
title: "单任务成本正在取代跑分，成为Agent模型的新标尺"
canonical_url: "https://supawriter.sevnday.com/articles/e848ee98-1bad-493f-aaa7-1c0fefac7eed"
channel: "AI 工具与大模型实操测评"
channel_slug: "ai-tools"
author: "AI 实操测评实验室"
published_at: "2026-11-18T00:45:19.327551+00:00"
updated_at: "2026-11-20T13:04:14.097486+00:00"
word_count: 2875
keywords: ["成本","任务","模型","Agent","Astra","Fable"]
---

> 摘要：OpenAI称GPT-6.2 Astra在Agents' Last Exam上以Claude Fable 5.2的5%成本实现更高分数，但这一数字只在特定基准上成立，且第三方测试显示Astra在智能指数上仍落后Fable 3分。本文拆解成本优势的真实来源——token效率而非降价，并说明为什么单任务成本正在成为Agent模型部署决策的关键变量。

# 单任务成本正在取代跑分，成为Agent模型的新标尺

## 5%成本的真实含义：不是全面超越，而是选择性领先

OpenAI对GPT-6.2 Astra的定价叙事，核心是一个被压缩成口号的数字：成本只有Claude Fable 5.2的5%。这个数字来自Agents' Last Exam基准测试。在该测试中，Astra得分77.6%，比Fable 5.2的72.8%高出5.5分，单任务成本则从Fable的60.05美元降至2.89美元。但“5%成本”不是全面成本优势，它只在这一特定基准上成立。OpenAI的对比脚注显示，Fable有九项任务被剔除，这直接削弱了同口径比较的严格性。第三方机构Artificial Analysis的智能指数则给出另一组结果：Astra得分62，Fable得分65，Astra并未超越。

![模型跑分与成本对比表](https://supawriter.sevnday.com/cdn-img/supawriter/6e08a2f557029224.jpg)

### 5%成本的真实含义：不是全面超越，而是选择性领先

把“5%成本”还原为基准结果，需要同时看两个层面。第一层是OpenAI官方口径。在Agents' Last Exam v1.1上，Astra确实以更低成本拿到了更高分数。按披露数据，Astra每任务花费2.89美元，Fable每任务花费60.05美元，成本差距接近20倍。如果这一口径成立，意味着在长程专业工作流中，Astra用显著更少的token消耗完成了可比的、甚至略高的任务表现。这对Agent部署的经济账具有直接含义：当单任务成本从60美元降到3美元以下，模型选择逻辑会从“能不能做”转向“做一次值不值”。

第二层是方法学限制。OpenAI在对比中剔除了Fable的九项任务，脚注仅说明这一处理，未给出剔除标准。剔除任务会改变样本构成，使成本与得分的比较不再基于完全相同的任务集。此外，在Terminal-Bench-Science上，Fable的测量环境与Anthropic官方环境不同。这意味着OpenAI展示的成本优势，至少有一部分来自对比条件的差异，而非模型本身在相同任务上的真实消耗差异。

第三方数据进一步限制了“超越”的适用范围。Artificial Analysis的智能指数显示，Astra得分62，落后于Fable的65分。在FrontierCode 2.0和BenchCAD上，Astra同样落后于Fable。这说明成本优势并未覆盖所有场景。Astra在部分Agent工作流中实现了成本效率的显著改善，但在代码、CAD等需要深层推理的任务上，Fable仍保持性能领先。

因此，对“5%成本”的准确理解是：它是一个有明确适用范围的基准结果，而非全面成本优势的证明。它成立的条件包括：特定基准、特定任务集、以及OpenAI自行设定的对比方式。脱离这些条件，将5%推广为Astra在所有Agent场景中的成本水平，会高估其经济性。同样，因为第三方智能指数落后3分就否定Astra的成本效率，也会忽略Agents' Last Exam上真实存在的成本差距。两者并存，才是当前证据支持的全貌。

![各模型智能指数与成本对比图](https://supawriter.sevnday.com/cdn-img/supawriter/1f086667352be2c4.jpg)

## 成本优势从哪里来：token效率比单价更重要

Astra的API单价与Claude Fable 5.2完全相同：输入每百万token 8美元，输出每百万token 40美元。单看定价，OpenAI没有发动价格战。但同样的任务，Astra在Agents' Last Exam上每任务成本2.89美元，Fable 5.2则要60.05美元。单价相同，成本却相差约20倍，差额只能来自一个变量：完成任务消耗的token数量。

![模型分数与单任务成本对比表](https://supawriter.sevnday.com/cdn-img/supawriter/f990b2a5be4179bf.jpg)

Astra的成本优势不靠降价，而是靠减少推理过程中的token消耗来降低单任务账单。公开资料没有披露具体的技术路径，OpenAI只给出了定价和基准结果，没有说明是架构调整、推理策略优化还是其他机制。可以确认的是，这种效率差异在多个基准上都有体现：Terminal-Bench-Science 0.1上，Astra每任务成本7.15美元，GPT-6 Astra为23.80美元，前者约为后者的30%；Artificial Analysis的Intelligence Index图表也显示，Astra最高水平完成一项任务约需4美元，Fable 5.2超过25美元。

把单价和单任务成本放在一起看，结论很直接：Agent模型的经济性评价必须从“每百万token多少钱”转向“每完成一项任务多少钱”。单价只反映输入输出的边际价格，单任务成本才反映模型完成实际工作流的资源消耗。后者同时受单价和token效率两个变量影响，而Astra的案例恰好说明，当单价持平时，token效率可以单独制造出数量级的成本差距。

但这种优势有边界。token效率的收益集中在推理步骤可以被压缩的任务上——基准测试中定义清晰的Agent工作流、工具调用序列相对固定的场景，更容易被更高效的推理策略覆盖。在需要长程推理或多步工具调用的复杂任务上，减少token消耗可能以牺牲探索深度为代价。Coding Agent Index上Astra停滞在53分，落后于Fable，就是一个信号：token效率并未转化为所有Agent场景的能力提升。成本优势成立的前提是任务完成质量不下降；一旦为了省token而牺牲成功率，单任务成本的优势就没有部署意义。

| 对比项 | GPT-6.2 Astra | Claude Fable 5.2 | GPT-6 Astra |
|---|---|---|---|
| API输入单价 | 8美元/百万token | 8美元/百万token | 公开资料未披露绝对价格，Astra较其低20% |
| API输出单价 | 40美元/百万token | 40美元/百万token | 同上 |
| Agents' Last Exam每任务成本 | 2.89美元 | 60.05美元 | 8.99美元 |
| Terminal-Bench-Science每任务成本 | 7.15美元 | 公开资料未披露 | 23.80美元 |

Astra展示的是一条与降价不同的成本曲线：模型能力接近时，推理效率成为部署决策中的独立变量。采购方比较的不再只是基准分数和单价，而是三者共同决定的单任务成本。一个便宜但需要更多次尝试才能完成任务的模型，最终账单可能比一个单价更高但一次通过的模型更贵。Astra的案例把这个公式具象化了：单价相同的情况下，token效率可以制造出20倍的成本差。

![模型分数与输出token对比表](https://supawriter.sevnday.com/cdn-img/supawriter/686cdaf530c26937.jpg)

## 跑分正在失效：Agent测评需要看“完成任务的成本”

传统跑分衡量的是一道题答对没有，Agent工作流衡量的是一个任务最终完成没有。两者的差别在于，后者包含失败重试、工具调用、多步推理和上下文管理，这些都会产生真实开销。当模型能力差距缩小到个位数百分点时，单任务成本就从次要因素上升为决定性因素。

![模型得分与任务成本对比表](https://supawriter.sevnday.com/cdn-img/supawriter/d589d34ed24a7f65.gif)

Artificial Analysis的独立测试给出了一个清晰对照。在最大推理努力下，GPT-6.2 Astra在智能指数上得62分，每任务成本约4美元；Claude Fable 5.2得65分，每任务成本26.54美元。3分的智能差距，对应超过6倍的成本差距。对于批量部署Agent的企业，用Astra跑100个任务的预算，换成Fable只能跑大约15个。

这个对比改变了模型选择的计算方式。过去采购方先看基准分数，再谈价格；现在，当两个模型都能完成同一类任务时，问题变成：完成这个任务一共要花多少钱。Astra的62分虽然落后，但已经超过Gemini 4 Carbon的60分和Claude Opus 5.5的59分，处于可用区间。在这个前提下，成本效率直接决定Agent能否规模化落地。

成本优势的边界同样明确。Artificial Analysis的Coding Agent Index显示，Astra停留在53分，与上一代GPT-6 Astra持平，而Fable 5.2和Opus 5.5均为58分。在编码Agent场景中，5分的差距可能意味着更高的返工率和更多次的重试。如果任务对准确性要求极高，省下的推理成本会被错误修复的额外开销抵消。单任务成本只有在能力差距可接受的范围内，才是有效的决策变量。

对普通用户和开发者而言，这个转变的实际含义是：评估Agent模型时，不能只看单价，也不能只看跑分。需要把两者放进同一个公式——完成一个真实任务的总成本。Astra的案例表明，在能力接近的区间内，这个总成本可以相差数倍，而它并不总是由单价决定。

![模型跑分与单任务成本对比表](https://supawriter.sevnday.com/cdn-img/supawriter/3758d8e8077dcca3.jpg)

## 别被“5%”带偏：选择Agent模型要看任务类型

把“5%”当成通用结论，会做出错误决策。不同任务对错误的容忍度、对专业性的要求、对规模效应的敏感度完全不同，模型选择应该从任务类型倒推，而不是从单一成本指标出发。

![模型任务通过率与成本对比表](https://supawriter.sevnday.com/cdn-img/supawriter/c674972d967b3795.jpg)

合同审查是Astra成本优势最清晰的场景。Harvey的LAB-AA测试中，Astra通过率15.0%，Fable 5.2为7.2%，前者超过后者两倍，成本约为六分之一。这个测试要求满足每一条评分标准且零实质性幻觉，意味着Astra在更严格的标准下完成了更多任务，同时花得更少。当任务边界清晰、评价标准明确、错误可以前置拦截时，成本优势直接转化为部署优势。

代码生成呈现相反的结果。FrontierCode 2.0以真实代码库修改为任务，评判修改方案是否符合项目维护者的合并规范。Fable 5.2得分45.65%，Astra为44.2%，差距不大但方向明确。在Coding Agent Index上，Fable 5.2和Opus 5.5均为58分，Astra停留在53分。5分的差距在编码Agent场景中意味着更高的返工概率：模型提交的修改被维护者拒绝后，需要重新生成、重新审查，省下的单次推理成本会被多次重试抵消。

Epoch的开放式真实工作基准进一步限定了Astra的适用范围。该基准中Astra落后于Fable 5.2，说明在非标准化、需要灵活应变的真实任务中，成本优势无法弥补能力差距。任务越开放，路径越不确定，模型单次成功的概率就越重要，单任务成本的计算就越不能只看token消耗。

选择框架可以归纳为三个变量：任务的专业性、容错率和规模。合同审查专业性高但边界清晰，容错率低，Astra的性价比优势明显；代码生成专业性高、容错率中等，Fable的可靠性更值得支付溢价；开放式真实工作容错率取决于场景，但灵活性要求高，Astra的成本优势不足以覆盖能力差距。规模则决定成本差异的绝对值：任务量越大，单位成本差距越显著，但前提是能力差距保持在可接受范围内。

## 参考来源

- [OpenAI发布GPT-6.2 Astra和Sol：超越Claude Fable 5.2！成本仅5%-快科技-科技改变生活](https://m.mydrivers.com/newsview/1166559.html)（extra_url）
- [GPT-6.2 Astra trails Fable 5.2 on AI index at lower cost](https://www.rdworldonline.com/openais-gpt-6-2-astra-trails-claude-fable-5-2-by-three-points-on-an-independent-ai-index-at-a-fraction-of-the-cost-per-task/)（deepseek）
- [OpenAI发布GPT-6.2 Astra和Sol双模型,跑分接近Fable 5.2,实测却翻车｡](https://m.10jqka.com.cn/20261118/c681926530.shtml)（yuanbao）
- [GPT-6.2 Astra and Sol: Fable 5.2's Price, a Third of GPT-6 Astra's Cost per Task](https://llm-stats.com/blog/research/gpt-6-2-astra-sol-launch)（deepseek）
- [GPT 6.2 vs Claude Fable 5.2: Astra & Sol First Impressions - YouTube](https://www.youtube.com/watch?v=jk7rTk1Bh8I)（ddgs）
- [Nouveaux modèles de ChatGPT : GPT-6.2 Astra coûte 20 % moins cher et talonne Claude Fable 5.2](https://tech.orange.fr/innovation/sciences/nouveaux-modeles-de-chatgpt-gpt-6-2-astra-coute-20-moins-cher-et-talonne-claude-fable-5-2-CNT000002tLWLr.html)（deepseek）
- [OpenAI releases GPT-6.2 Astra to regain performance lead from Claude Fable 5.2](https://9to5google.com/2026/11/17/openai-releases-gpt-6-2-astra-and-sol-for-complex-projects-a-week-after-claude-5-2/)（deepseek）
- [OpenAI发布GPT-6.2 Astra和Sol：超越Claude Fable 5.2！成本仅5%](https://news.mydrivers.com/1/1166/1166559.htm?ref=)（deepseek）
- [OpenAI 发布 GPT-6.2 Astra 和 Sol：长程成本只需 Fable 5% - 53AI-AI知识库|企业AI知识库|大模型知识库|前线部署工程师|FDE|AIHub](https://www.53ai.com/news/LargeLanguageModel/2026111819073.html)（deepseek）
- [GPT-6.2 Astra vs Claude Fable 5.2: Which Model Fits?](https://www.toolcolumn.com/learn/gpt-6-2-astra-vs-claude-fable-5-2)（yuanbao）
- [GPT-6.2 Astra vs Claude Fable 5.2: What's Shipped and What's Still Expected](https://a2agent.me/blog/gpt-6-2-astra-vs-claude-fable-5-2)（yuanbao）
