Gemini 4 Pro kontra GPT-6 Astra w teście kontrolera Xbox 360 — i dlaczego nie było w nim Fable 5.2

21 września pojawił się post na X, zawierający trzy nazwy, film i słowa „porównanie SOTA": Gemini 4 Pro, GPT-6 Astra, Claude Fable 5.2. Dwie z tych nazw należą do modeli, których nikt nie może wywołać. Jedna należy do modelu, który jest w sprzedaży od osiemnastu dni. A artefakt, na który wskazuje post — kontroler do gier narysowany jako grafika wektorowa w jednym podejściu z jednego promptu — był, według osób, które faktycznie go uruchomiły, porównaniem dwustronnym między dwoma pierwszymi. Claude Fable 5.2 nie brał w nim udziału. Claude Fable 5.1 też nie.

Ta luka między narracją a dowodami to w tej chwili cały stan historii Gemini 4 Pro i warto ją starannie rozłożyć na części, a nie odrzucać. Test kontrolera nie jest bez znaczenia. To jedyny artefakt, jaki ktokolwiek w tym miesiącu wytworzył na temat niewydanego modelu frontierowego, sprawiający wrażenie najbardziej powtarzalnego, ma za sobą czteromiesięczny rodowód, a wielu ludzi czyta go jako werdykt. To nie jest werdykt. To remis z jednej próby, której sam tester nie potrafił powtórzyć następnego dnia — a dokładna wiedza o tym, jak daleko on sięga, a jak daleko nie sięga, jest bardziej przydatna niż hype czy przewracanie oczami.

Test — i dlaczego SVG stał się punktem odniesienia

To zapytanie jest starsze niż modele, które się nim teraz ocenia. Pochodzi z ery Gemini 3.0, gdy krążyło w formie: "Utwórz obraz SVG przedstawiający kontroler Xbox 360. Wypisz go w wielowierszowym bloku kodu Markdown." To sformułowanie ma znaczenie, bo jest celowo wrogie wobec modelu językowego. Rysunek wektorowy to sama struktura i zero tekstury — nie ma szumu fotograficznego, za którym model mógłby się ukryć, nie ma samplera dyfuzyjnego, który wygładziłby błąd. Każdą krzywą trzeba określić jako współrzędną. Kontroler to dla niego trudny cel: dwa symetryczne uchwyty, wklęsła misa, spusty na ramionach renderowane w perspektywie, jakieś szesnaście przycisków, z których każdy potrzebuje pozycji, sylwetka, która od razu czyta się jako błędna, jeśli jedna proporcja się przesunie. A ponieważ odpowiedź przychodzi jako tekst, który można wkleić do przeglądarki, porównanie jest tanie i przenośne. Nikt nie musi ufać zrzutowi ekranu z czyjegoś okna czatu.

We wrześniu społeczność ponownie wróciła do tego promptu. Wyniki krążące z sesji areny — pelikan na rowerze, kontroler PlayStation 5 wyrenderowany z pięciu makro kątów kamery, trójwymiarowa pagoda z przełączanym oświetleniem, wokselowa scena świątyni, strona helikoptera Airbus H145 — są opisywane w relacjach jako zajmujące około od ośmiu do dwudziestu minut każdy przy wysokim wysiłku myślenia. To właśnie kontroler trafił na zrzut ekranu do porównania.

Co faktycznie pokazuje porównanie kontrolerów

Oto wynik w takiej postaci, w jakiej zgłosił go tester, a jest to znacznie mniejsze twierdzenie niż to, które uczynił z niego harmonogram.

• Werdykt — remis. Osoba, która to przeprowadziła, publikując jako Lumina, nazwała oba wyniki „niemal idealnymi”.

• Jedyna asymetria — wersja Astry zawierała nieznacznie błędne logo. To przewaga w jednym szczególe, a tester przedstawił ją jako przewagę w jednym szczególe, a nie jako ogólne prowadzenie.

• Kompletność wizualna — oba renderingi pokazują szczegółowe korpusy kontrolerów, elementy sterujące i cieniowanie. Żaden z nich nie rozpadł się pod względem kształtu.

• Czego porównanie nie wykazuje — że nieudostępniony jeszcze model prowadzi. Dwa wyniki uznane za równie dobre to definicja braku przewagi.

• Powtarzalność — wynik został podobno uzyskany poprzedniej nocy, zajęło to około dwudziestu minut, a tester nie mógł uzyskać porównywalnych wyników następnego dnia.

• Tożsamość — wpis w arenie, z którego pochodziło wyjście, był oznaczony jako gemini-3.8-flash, nazwa, która już należy do modelu udostępnionego przez Google 2 września, a później została podobno przemianowana na gemini-3.7-flash. Który model faktycznie krył się za tym aliasem, pozostaje nierozstrzygnięte, a dwóch innych testerów w tym samym oknie czasowym stwierdziło, że również nie może potwierdzić, jakiego modelu użyli.

Przeczytaj listę po kolei, a kształt dowodów stanie się jasny. Ciekawym twierdzeniem nie jest to, że „niewydany model wygrał”. Chodzi o to, że model, którego nikt nie potrafi zidentyfikować, działający pod nazwą wydanego modelu, wykonał pracę wektorową w jednej próbie, której uważny tester nie potrafił odróżnić od wyników modelu z czołówki, powszechnie dostępnego przez większość września. To prawdziwa obserwacja. To także obserwacja dotycząca jednego popołudnia, i tester tak powiedział.

Dwukierunkowy wynik i trójstronne twierdzenie

Wpis, który zapoczątkował ten tekst, mówi o trzech modelach. Opracowania opisujące tę samą sesję kontrolera mówią o dwóch. Rzeczywisty status Claude Fable 5.2 w tym tygodniu to osobna historia, która przypadkiem dzieli ten sam cykl informacyjny, i warto zachować precyzję, ponieważ to utożsamianie działa w obu kierunkach.

• Co się twierdzi — konto X @chetaslua opublikowało 18 września, że Claude Fable 5.2 „jest testowany w claude code, który kieruje do niego fable 5.1”. To twierdzenie o routingu dotyczące Claude Code, pochodzące z jednego konta.

• Czym jest ta nazwa — to własne założenie reportera. Tester publikujący jako JAZII, którego relacja z 18 września jest najbardziej szczegółowym opisem tego zachowania, stwierdza wprost, że „Fable 5.2” to nazwa, którą sam nadał, a nie nazwa potwierdzona przez kogokolwiek. Nie ma karty modelu, identyfikatora API, strony z cennikiem, karty systemowej ani drugiego medium, które niezależnie donosiłoby o trasie Fable 5.2.

• Co faktycznie obejmuje potwierdzona historia routingu Claude’a — ten blog omówił ją osobno: doniesienia z połowy września o cichym routingu, które podchwyciło kilka niezależnych redakcji, dotyczyły nieopublikowanego checkpointu klasy Opus, a nie Fable’a. Przypisanie do Fable’a opiera się na jednym źródle. Traktuj to jako relację jednego źródła, a nie jako ustalenie.

• To, co tester rzeczywiście zgłosił — przy wysokim wysiłku rozumowania domniemany kolejny Fable był preferowany nad GPT-6 Astra i był wolniejszy oraz droższy. To preferencja jednej osoby, dotycząca jej własnej pracy.

• Co zostało zweryfikowane w odniesieniu do wdrożonego modelu — Claude Fable 5.1 jest powszechnie dostępny od 1 września 2026 r. Ten model istnieje, ma cenę i można go dziś wywołać.

A więc uczciwa wersja tego trójdzielnego ujęcia wygląda tak: dwie z trzech nazw w tym poście to nieogłoszone modele z nazwami nadanymi przez społeczność, test kontrolera obejmował tylko ten, którego tożsamość jest przynajmniej zakotwiczona we wpisie areny, a kolumna Fable to preferencja pojedynczego testera, który wyraźnie odmówił podania nazwy modelu. To nie jest powód, żeby cokolwiek z tego ignorować. To powód, żeby przypisywać tym trzem nazwom trzy różne poziomy pewności, a nie jeden.

Tabela benchmarków, która faktycznie argumentuje

Widocznym artefaktem jest SVG kontrolera. Tym, co naprawdę przekonuje, jest arkusz benchmarków, który pojawił się około 18 września i od tego czasu jest powielany w chińskiej i angielskojęzycznej prasie technologicznej. Warto go wymienić, ponieważ liczby są wystarczająco konkretne, by je sprawdzić, a żadna z nich nie została sprawdzona.

• DeepSWE v1.1 — 88,7%, opisywany jako mniej więcej dwa punkty powyżej GPT-6 Astra.

• GDPval-AA v2 — 2 064 Elo, określony jako jedyna pozycja w powyższym porównaniu powyżej 2 000.

• Terminal-bench 2.1 — 95,3%, wskazany jako najwyższy wynik w tabeli.

• OSWorld-2.0 — 86,8%, wyprzedzając zarówno GPT-6 Astra, jak i Claude Fable 5.1.

• Deklarowana cena — 2,25 USD za milion tokenów wejściowych i 11,25 USD za milion tokenów wyjściowych.

• Deklarowane dane techniczne — limit wejściowy 10 milionów tokenów, pułap wyjściowy 256 tys. tokenów, pamięć między konwersacjami.

Każda z powyższych linii to twierdzenie społeczności. Google nie potwierdziło żadnego z nich, nie potwierdziło nawet, że wpis w arenie dotyczy Gemini 4 Pro, i nie odpowiedziało na prośbę o komentarz. Tabela nie zawiera identyfikatora checkpointu, ustawienia wysiłku rozumowania, harnessu agentowego, uprawnień narzędzi, podziału testowego, liczebności próby ani dziennika przebiegu — rzeczy, które zawiera prawdziwa ewaluacja, a których nie zawiera zrzut ekranu slajdu. Nazwy benchmarków również pochodzą z tej samej rodziny, której OpenAI użyło w swoich własnych materiałach premierowych z września, co wskazuje raczej na to, gdzie arkusz został złożony, a nie gdzie został zmierzony.

W tym miesiącu istnieje drugi powód, by zachować ostrożność przy jakimkolwiek porównaniu frontier: niezależny indeks, po który wszyscy sięgają, został 7 września zmieniony na wersję v4.3, a zmiana wersji kompresuje lub rozciąga czołówkę rankingu. Wynik bez podanej wersji nie jest porównywalny z wynikiem sprzed trzech tygodni — naszym ani niczyim.

Co tak naprawdę zostało potwierdzone na temat Gemini 4 Pro?

Usuń twierdzenia, a twardy zapis jest krótki.

• 21 lipca 2026 — Google potwierdza, że rozpoczął najbardziej ambitny jak dotąd przebieg wstępnego trenowania, dla Gemini 4. Dyrektor generalny powtarza to podczas telekonferencji o wynikach za II kwartał.

• 2 września 2026 — Gemini 3.8 Flash wchodzi na rynek. Najnowszy ogólnodostępny model Google pozostaje modelem klasy Flash.

• 15–18 września 2026 — osoba publikująca przecieki pod pseudonimem „Lentils" twierdzi, że wewnętrznie pojawiają się punkty kontrolne Gemini 4 Pro pod kryptonimem „argon"; społecznościowe trackery odnotowują wpis w arenie pod etykietą wydanego gemini-3.8-flash, na którego odpowiedź trzeba czekać od ośmiu do dziesięciu minut, a który wykonuje prace wektorowe i 3D znacznie wykraczające poza to, co generuje ten model.

• Dziś — brak identyfikatora modelu Gemini 4, brak endpointu, brak ceny, brak karty modelu. Gemini 3.5 Pro, którego premierę zapowiedziano na czerwiec i który nigdy nie został wydany, został — według doniesień „Wall Street Journal” — porzucony, ponieważ jego postępy były zbyt małe.

To cała potwierdzona powierzchnia. Wszystko inne w obiegu — tabela, cena, okno kontekstowe, kryptonim, tożsamość wpisu do areny — to domysł noszący kropkę dziesiętną.

Co możesz faktycznie uruchomić w czasie oczekiwania

To jest ta część, którą pomijają posty porównawcze, i to jest ta część, która zmienia decyzję.

GPT-6 Astra to nie plotka. Został wydany 3 września 2026 r., nosi identyfikator modelu gpt-6-astrai już dziś można go wywoływać w cenie katalogowej samego OpenAI: 10,00 USD za milion tokenów wejściowych i 50,00 USD za milion tokenów wyjściowych, a wejście z pamięci podręcznej kosztuje 1,00 USD. Działa w OrcaRouter w tej samej cenie katalogowej dostawcy, z 0% marży — przekazujemy stawkę dostawcy bezpośrednio, więc gdy stawka się zmienia, liczba po naszej stronie zmienia się tego samego dnia, a nie wtedy, gdy ktoś w końcu znajdzie czas na zaktualizowanie marży. Podawane przez OpenAI wyniki benchmarków to DeepSWE v1.1 na poziomie 74%, OSWorld 2.0 — 72,6%, Terminal-Bench 4.0 — 57,9% oraz ExploitBench — 100%, co sprawiło, że model przekroczył próg krytycznych zdolności cybernetycznych. Są to wyniki raportowane przez dostawcę i niepowtórzone w niezależnych testach, i to właśnie przeciwko nim implicytnie argumentuje wyciekły arkusz Gemini 4 Pro.

Gemini 4 Pro nie ma na OrcaRouter i nie zamierzamy udawać, że jest inaczej. Nie ma punktu końcowego, nie ma identyfikatora modelu ani ceny, bo nie ma wydanego modelu. Claude Fable 5.1 natomiast jest ogólnie dostępny od 1 września i można go routować po jego własnej cenie katalogowej, podobnie jak Claude Opus 5 i resztę obecnej najwyższej półki — jedno API obejmuje ponad 200 modeli w cenie katalogowej dostawcy, bez żadnej marży, więc aby działać na podstawie takiego porównania, nie potrzeba trzech kont, trzech SDK i trzech faktur.

Jeśli wynik kontrolera jest tym, co kusi cię, by przebudować ścieżkę produkcyjną wokół nieogłoszonego modelu, rozsądnym posunięciem jest to, które wspierają dowody: nie rób tego. Zachowaj ścieżkę, którą masz, a jeśli chcesz się przekonać, czy efekt uogólnia się na twoją własną pracę, skieruj część ruchu na nieudowodnioną ścieżkę z fallbackiem do modelu, któremu już ufasz. W ten sposób złe popołudnie kosztuje cię punkt procentowy ruchu, a nie incydent, i uzyskujesz własną odpowiedź zamiast pożyczać czyjś dwudziestominutowy wynik.

Co sprawiłoby, że wynik kontrolera miałby znaczenie?

• Alias zyskuje prawdziwą nazwę. Wpis w arenie to plotka z wierszem w rankingu. Identyfikator modelu w dokumentacji samego dostawcy to produkt. Śledź listę modeli, a nie os czasu.

• Wynik się powtarza. Jeden tester nie mógł uzyskać tego samego wyniku następnego dnia. Trzy niezależne osoby uzyskujące go na żądanie, ze zidentyfikowanym modelem, to zupełnie inna klasa dowodów.

• Przeciekły arkusz zyskuje metodologię. Wynik benchmarku bez checkpointu, ustawienia poziomu wysiłku i harnessu nie jest pomiarem; to twierdzenie o pomiarze.

• Pojawia się cena. Deklarowana cena $2.25/$11.25 uczyniłaby nieudostępniony model frontierowy najtańszym z trzech, i to o dużą różnicę, a to rodzaj twierdzenia, które albo pojawia się w cenniku stawek, albo nie.

• Atrybucja Fable zyskuje drugie źródło. Na razie ma jedno, a osoba, która ją stworzyła, powiedziała, że nazwa od początku należała do niej.

Pytania warte odpowiedzi

Jeśli wpis w arenie naprawdę dotyczy Gemini 4 Pro, dlaczego jest uruchamiany pod nazwą modelu, który już został wydany?

Testowanie nowego checkpointu pod etykietą istniejącego modelu to standardowa praktyka w benchmarkingu w ciemno — pozwala laboratorium zbierać głosy w bezpośrednich porównaniach bez wpływu nazwy na głos. Oznacza to również, że etykieta nie mówi nic o tym, co się pod nią kryje, i właśnie na tym polega problem: alias jest dowodem na to, że coś jest testowane, a nie dowodem na to, co to jest.

Czy remis z GPT-6 Astra oznacza, że nieudostępniony model jest rozczarowujący?

Nie, i to jest miejsce, w którym sposób ujęcia wyrządza najwięcej szkód. Checkpoint, który wciąż jest na etapie post-trainingu, działa pod aliasem i dorównuje wydanemu modelowi frontier w trudnym zadaniu one-shot, jest znacznie silniejszym sygnałem niż wykres z dnia premiery. To tylko sygnał o kierunku, a nie o produkcie, który można kupić, a w poście porównawczym te dwie rzeczy czyta się jako to samo.

Czy z tego powodu należy coś dzisiaj zmienić?

Nie z tego powodu. Nic w teście kontrolera nie zmienia tego, co jest dostępne, ile co kosztuje ani w czym którykolwiek model jest dobry. Faktami istotnymi dla decyzji w tym tygodniu jest to, że GPT-6 Astra i Claude Fable 5.1 są już dostępne i mają ustalone ceny, a Gemini 4 Pro ani jedno, ani drugie. Jeśli chcesz się zabezpieczyć na wypadek takiej możliwości, zrób to raczej przez routing niż przez przepisanie.

Uczciwa interpretacja

Test kontrolera to najlepszy dowód, jaki ktokolwiek przedstawił na temat Gemini 4 Pro, a najlepszy dowód, jaki ktokolwiek przedstawił, to remis – z jednej próby, której nie powtórzono, na modelu, którego nikt nie potrafi nazwać, podany obok arkusza testów porównawczych, którego nikt nie może sprawdzić. To brzmi jak zlekceważenie, ale nim nie jest. Powód, dla którego test się rozprzestrzenił, jest taki, że to pierwszy artefakt w tej historii, który wygląda jak produkt, a nie slajd – prawdziwy prompt, prawdziwy wynik, prawdziwa osoba, która je porównuje, oraz rezultat, którego zwolennicy żadnej ze stron nie mogli przypisać sobie jednoznacznie.

Nie rozstrzyga niczego. Jeśli musisz wypuścić coś w tym tygodniu, istniejący poziom frontier — GPT-6 Astra w cenie $10/$50, Claude Fable 5.1 w swojej własnej cenie katalogowej — jest tym, na czym tak naprawdę opiera się twoja decyzja, a oba modele można wywołać jednym kluczem bez drugiej umowy. Jeśli chcesz wiedzieć, co ma Google, jedynymi sygnałami, które zmienią to z tekstu „co na razie wiemy” w tekst o premierze, są identyfikator modelu, cennik i reprodukcja. Dopóki się nie pojawią, właściwą interpretacją porównania kontrolerów Xbox 360 jest ta, którą podała osoba, która je przeprowadziła: dwa bardzo dobre rysunki i brak zwycięzcy.