Gemini 4 Pro против GPT-6 Astra в тесте контроллера Xbox 360 — и почему Fable 5.2 в нём не участвовала

21 сентября в X появился пост, в котором были три названия, видео и слова «сравнение SOTA»: Gemini 4 Pro, GPT-6 Astra, Claude Fable 5.2. Два из этих названий принадлежат моделям, которые никто не может вызвать. Одно принадлежит модели, которая продаётся уже восемнадцать дней. А артефакт, на который указывает пост, — игровой контроллер, нарисованный как векторная графика за один прогон по одному запросу, — по словам тех, кто на самом деле его запускал, был сравнением двух моделей, первых двух. Claude Fable 5.2 в нём не было. Claude Fable 5.1 тоже.

Этот разрыв между подачей и доказательствами — это и есть вся нынешняя история Gemini 4 Pro, и его стоит внимательно разобрать, а не отметать. Тест с контроллером — не пустяк. Это артефакт, который выглядит наиболее воспроизводимым из всех, что кто-либо создал за этот месяц в связи с невыпущенной передовой моделью; за ним стоит четырёхмесячная предыстория, и многие читают его как вердикт. Это не вердикт. Это ничья, полученная по одной попытке, которую сам тестировщик не смог повторить на следующий день, — и точное знание того, насколько далеко это заходит и насколько нет, полезнее и хайпа, и закатывания глаз.

Тест, и почему SVG стал эталоном

Этот запрос старше моделей, для оценки которых его теперь используют. Он появился ещё в эпоху Gemini 3.0, когда ходил в таком виде: "Создай SVG-изображение контроллера Xbox 360. Выведи его в многострочном блоке кода Markdown." Такая формулировка важна: она намеренно враждебна к языковой модели. Векторный рисунок — это сплошная структура и никакой текстуры: модели негде спрятаться за фотографическим шумом, нет сэмплера диффузии, который сгладил бы ошибку. Каждую кривую приходится задавать координатой. Контроллер — сложная мишень: две симметричные рукоятки, вогнутая чаша, курки, изображённые в перспективе, около шестнадцати кнопок, каждой из которых нужно своё положение, силуэт, который сразу читается как неправильный, стоит одной пропорции поехать. А поскольку ответ приходит в виде текста, который можно вставить в просмотрщик, сравнение получается дешёвым и удобным для переноса. Никому не нужно верить скриншоту чужого окна чата.

В сентябре сообщество снова подхватило этот промпт. Результаты, распространявшиеся из сессий арены, — пеликан на велосипеде, контроллер PlayStation 5, отрендеренный с пяти макроракурсов камеры, 3D-пагода с переключаемым освещением, воксельная сцена храма, страница вертолёта Airbus H145, — описываются в отчёте как занимающие примерно от восьми до двадцати минут каждый при высоких затратах на обдумывание. Именно контроллер стал тем, чей скриншот попал в сравнение.

Что на самом деле показывает сравнение контроллеров

Вот результат в том виде, как его сообщил тестировщик, и это гораздо более скромное утверждение, чем то, которое сделала из него лента.

• Вердикт — ничья. Человек, который его проводил, публикуясь под именем Lumina, назвал оба результата «почти идеальными».

• Единственная асимметрия — в версии Astra был немного неправильный логотип. Это преимущество в одной детали, и тестировщик описал его как преимущество в одной детали, а не как общее лидерство.

• Визуальная полнота — оба рендера демонстрируют детализированные корпуса контроллеров, элементы управления и затенение. Ни один из них не развалился по форме.

• Чего сравнение не устанавливает — так это того, что невыпущенная модель впереди. Два ответа, признанных одинаково хорошими, — это и есть определение отсутствия отрыва.

• Воспроизводимость — по сообщениям, результат был получен прошлой ночью, занял около двадцати минут, а тестировщик не смог получить сопоставимые результаты на следующий день.

• Идентичность — запись в арене, из которой поступил вывод, была помечена как gemini-3.8-flash — название, которое уже принадлежит модели, выпущенной Google 2 сентября, а позднее, по сообщениям, было переименовано в gemini-3.7-flash. Какая модель на самом деле скрывалась за этим псевдонимом, не установлено, а два других тестировщика в тот же период заявили, что тоже не смогли подтвердить, какую модель использовали они.

Прочитайте список по порядку, и картина доказательств становится ясной. Интересное утверждение — не «невыпущенная модель победила». Оно состоит в том, что модель, которую никто не может идентифицировать, работающая под именем выпущенной модели, создала векторную работу с первой попытки, которую внимательный тестировщик не смог отличить от результата фронтирной модели, общедоступной большую часть сентября. Это реальное наблюдение. Это также наблюдение, относящееся к одному послеобеденному времени, и тестировщик так и сказал.

Двусторонний результат и трёхстороннее утверждение

Пост, с которого началась эта статья, говорит о трёх моделях. Публикации, описывающие одну и ту же сессию контроллера, говорят о двух. Фактический статус Claude Fable 5.2 на этой неделе — отдельная история, которая просто совпала с тем же новостным циклом, и стоит быть точным, потому что это смешение работает в обоих направлениях.

• Что утверждается — аккаунт @chetaslua в X опубликовал 18 сентября, что Claude Fable 5.2 «тестируется в Claude Code, который маршрутизирует Fable 5.1 на него». Это утверждение о маршрутизации в Claude Code, исходящее от одного аккаунта.

• Что это за название — собственное предположение автора сообщения. Тестировщик, публикующийся под именем JAZII, чей материал от 18 сентября является наиболее подробным описанием этого поведения, прямо заявляет, что «Fable 5.2» — это название, которое он присвоил сам, а не то, которое кто-либо подтвердил. Не существует ни карточки модели, ни идентификатора API, ни страницы с ценами, ни системной карты, и ни одно второе издание независимо не сообщает о маршруте Fable 5.2.

• Что на самом деле стоит за подтверждённой историей маршрутизации Claude — этот блог уже освещал её отдельно: появившиеся в середине сентября сообщения о скрытой маршрутизации, которые подхватили несколько независимых изданий, касались невыпущенного чекпойнта уровня Opus, а не Fable. Атрибуция Fable основана на единственном источнике. Относитесь к этому как к сообщению одного источника, а не как к установленному факту.

• Что тестировщик всё же сообщил: при высоком уровне усилий на рассуждения предполагаемая следующая Fable получила предпочтение перед GPT-6 Astra и оказалась медленнее и дороже. Это предпочтение, высказанное одним человеком относительно его собственной работы.

• Что подтверждено о выпущенной модели — Claude Fable 5.1 общедоступна с 1 сентября 2026 года. Эта модель существует, у неё есть цена, и её можно вызвать сегодня.

Итак, честная версия этого трёхстороннего сопоставления такова: два из трёх названий в том посте — это неанонсированные модели с названиями, присвоенными сообществом; тест контроллера касался только той, чья идентичность хотя бы привязана к записи в арене; а колонка Fable — это предпочтение одного тестировщика, который явно отказался называть модель. Это не повод игнорировать всё это. Это повод относиться к трём названиям с тремя разными уровнями уверенности, а не с одним.

Таблица бенчмарков, которая и ведёт настоящий спор

SVG контроллера — это видимый артефакт. А то, что действительно убеждает, — это таблица бенчмарков, которая появилась примерно 18 сентября и с тех пор воспроизводится в китайской и англоязычной технической прессе. Её данные стоит перечислить, потому что числа достаточно конкретны, чтобы их можно было проверить, и ни одно из них не было проверено.

• DeepSWE v1.1 — 88,7%, что, как сообщается, примерно на два пункта выше GPT-6 Astra.

• GDPval-AA v2 — 2 064 Elo, описываемый как единственная запись в приведённом сравнении выше 2 000.

• Terminal-bench 2.1 — 95,3%, указанный как наивысший балл в таблице.

• OSWorld-2.0 — 86,8%, опередив и GPT-6 Astra, и Claude Fable 5.1.

• Заявленная цена — $2.25 за миллион входных токенов и $11.25 за миллион выходных.

• Заявленные характеристики — ограничение входных данных в 10 миллионов токенов, потолок вывода в 256 тыс. токенов, память между диалогами.

Каждая строка выше — утверждение сообщества. Google ничего из этого не подтвердила, не подтвердила, что запись в арене вообще относится к Gemini 4 Pro, и не ответила на запрос о комментарии. В таблице нет ни идентификатора чекпойнта, ни настройки усилия рассуждения, ни агентной обвязки, ни разрешений на инструменты, ни тестового разбиения, ни размера выборки, ни журнала запусков — то, что содержит настоящее оценивание и чего не содержит скриншот слайда. Названия бенчмарков также взяты из того же семейства, которое OpenAI использовала в собственных материалах к сентябрьскому запуску, а это выдаёт, где была собрана таблица, а не где проводились измерения.

Есть вторая причина осторожно относиться к любому сравнению фронтирных моделей в этом месяце: независимый индекс, к которому все обращаются, 7 сентября был переведён на версию v4.3, а смена версии сжимает или растягивает верхнюю часть рейтинга. Оценка без указанной версии несопоставима с оценкой трёхнедельной давности — ни нашей, ни чьей-либо ещё.

Что на самом деле подтверждено о Gemini 4 Pro?

Уберите заявления — и твёрдая запись окажется короткой.

• 21 июля 2026 г. — Google подтверждает, что запустила свой самый амбициозный на данный момент прогон предварительного обучения для Gemini 4. Главный исполнительный директор повторяет это на телеконференции по итогам второго квартала.

• 2 сентября 2026 г. — выпущена Gemini 3.8 Flash. Новейшая общедоступная модель Google остаётся моделью уровня Flash.

• 15–18 сентября 2026 г. — сливающий информацию под псевдонимом «Lentils» утверждает, что внутренние чекпоинты Gemini 4 Pro появляются под кодовым именем «argon»; трекеры сообщества фиксируют запись на арене под выпущенной меткой gemini-3.8-flash, где на каждый ответ уходит от восьми до десяти минут и создаются векторные и 3D-работы, далеко превосходящие то, что выдаёт эта модель.

• Сегодня — ни идентификатора модели Gemini 4, ни эндпоинта, ни цены, ни карточки модели. Как сообщила Wall Street Journal, Gemini 3.5 Pro, которую анонсировали на июнь, но так и не выпустили, была отменена, потому что её улучшения оказались слишком незначительными.

Это вся подтверждённая поверхность. Всё остальное в обращении — таблица, цена, контекстное окно, кодовое имя, личность записи на арене — это догадка, нарядившаяся в десятичную точку.

Что вы действительно можете запустить, пока ждёте

Это именно та часть, которую обзоры-сравнения опускают, и именно она влияет на решение.

GPT-6 Astra — не слух. Он вышел 3 сентября 2026 года, его идентификатор модели — gpt-6-astra, и сегодня его можно вызвать по собственной прейскурантной цене OpenAI: $10.00 за миллион входных токенов и $50.00 за миллион выходных, при кэшированном входе — $1.00. Он работает на OrcaRouter по той же прейскурантной цене провайдера с наценкой 0% — мы передаём тариф поставщика напрямую, поэтому когда тариф меняется, цифра на нашей стороне меняется в тот же день, а не тогда, когда кто-то соберётся обновить маржу. Его заявленные OpenAI результаты бенчмарков: DeepSWE v1.1 — 74%, OSWorld 2.0 — 72,6%, Terminal-Bench 4.0 — 57,9% и ExploitBench — 100%, и именно это вывело его за порог критических кибервозможностей. Они заявлены поставщиком и не воспроизведены, и именно против этих цифр неявно выступает утёкшая таблица Gemini 4 Pro.

Gemini 4 Pro нет на OrcaRouter, и мы не собираемся делать вид, будто это не так. Нет ни эндпоинта, ни идентификатора модели, ни цены, потому что нет выпущенной модели. Claude Fable 5.1, напротив, общедоступен с 1 сентября, и его можно маршрутизировать по его собственной каталожной цене — как и Claude Opus 5 и остальных представителей текущего фронтирного уровня — один API охватывает 200+ моделей по каталожным ценам провайдеров без какой-либо наценки, так что для подобного сравнения не нужны три аккаунта, три SDK и три счёта, чтобы им воспользоваться.

Если результат контроллера — это то, что соблазняет вас перестроить продакшен-путь вокруг неанонсированной модели, разумный ход — тот, который поддерживают доказательства: не делайте этого. Сохраните тот путь, который у вас есть, и если вы хотите выяснить, обобщается ли эффект на вашу собственную работу, направьте часть трафика на непроверенный путь с откатом на модель, которой вы уже доверяете. Так плохой день будет стоить вам одного процентного пункта трафика, а не инцидента, и вы получите собственный ответ вместо того, чтобы одалживать чей-то двадцатиминутный результат.

Что могло бы сделать результат контроллера осмысленным?

• Алиас получает настоящее имя. Запись в арене — это слух со строкой в таблице лидеров. Идентификатор модели в собственной документации вендора — это продукт. Следите за списком моделей, а не за лентой.

• Результат воспроизводится. Один тестировщик не смог получить тот же вывод на следующий день. Три независимых человека, получающие его по запросу, с идентифицированной моделью — это совершенно иной класс доказательств.

• Утёкшая таблица обзаводится методологией. Оценка бенчмарка без чекпоинта, настройки уровня усилий и харнесса — это не измерение; это утверждение об измерении.

• Появляется цена. Заявленные $2.25/$11.25 сделали бы невыпущенную передовую модель самой дешёвой из трёх с большим отрывом, а такие заявления либо появляются в тарифной карте, либо нет.

• Атрибуция Fable получает второй источник. Сейчас у неё он один, и человек, который её сделал, сказал, что имя изначально принадлежало ему.

Вопросы, заслуживающие ответа

Если запись в арене действительно Gemini 4 Pro, почему она выступает под именем уже выпущенной модели?

Тестирование нового чекпойнта под меткой существующей модели — стандартная практика для слепого бенчмаркинга: это позволяет лаборатории собирать голоса при прямом сравнении, не давая названию повлиять на голос. Это также означает, что метка ничего не сообщает о том, что за ней стоит, — и в этом как раз проблема: псевдоним свидетельствует о том, что нечто тестируется, а не о том, что именно.

Означает ли ничья против GPT-6 Astra, что невыпущенная модель разочаровывает?

Нет, и именно здесь подача наносит наибольший ущерб. Чекпоинт, который всё ещё находится на этапе постобучения, работает под псевдонимом и при этом не уступает выпущенной фронтирной модели на сложной one-shot-задаче, — это гораздо более сильный сигнал, чем график дня запуска. Это всего лишь сигнал о направлении, а не о продукте, который можно купить, и в сравнительном посте эти две вещи воспринимаются как одно и то же.

Стоит ли мне сегодня что-то менять из-за этого?

Не из-за этого. Ничто в тесте контроллера не меняет того, что доступно, сколько что стоит или в чём какая модель сильна. Значимые для решения факты на этой неделе таковы: GPT-6 Astra и Claude Fable 5.1 уже запущены и имеют цену, а Gemini 4 Pro — ни то, ни другое. Если вы хотите подстраховаться на случай такой возможности, делайте это маршрутизацией, а не переписыванием.

Честное прочтение

Тест с контроллером — лучшее доказательство, которое кто-либо представил о Gemini 4 Pro, а лучшее доказательство, которое кто-либо представил, — это ничья: одна попытка, которая не повторилась, на модели, которую никто не может назвать, в сопровождении таблицы бенчмарков, которую никто не может проверить. Это звучит как отмахивание, но это не так. Причина, по которой тест распространился, в том, что это первый артефакт в этой истории, который выглядит как продукт, а не как слайд, — настоящий промпт, настоящий вывод, настоящий человек, сравнивающий их, и результат, который не смогли безоговорочно присвоить себе сторонники ни одной из сторон.

Оно ничего не решает. Если вам нужно выпустить что-то на этой неделе, существующий передовой эшелон — GPT-6 Astra по цене $10/$50, Claude Fable 5.1 по его собственной прейскурантной цене — это то, где на самом деле принимается ваше решение, и оба доступны по одному ключу без второго контракта. Если вы хотите узнать, что есть у Google, единственные сигналы, которые превратят это из материала «что нам пока известно» в материал о запуске, — это идентификатор модели, тарифная карта и воспроизведение. Пока они не появятся, правильным прочтением сравнения контроллера Xbox 360 будет то, которое дал человек, его проводивший: два очень хороших рисунка и ни одного победителя.