Gemini 4 Pro 与 GPT-6 Astra 在 Xbox 360 手柄测试中的对比——以及为什么 Fable 5.2 没有参与其中

9月21日发布了一则 X 帖子，带有三个名字、一段视频，以及“SOTA 对比”这几个字：Gemini 4 Pro、GPT-6 Astra、Claude Fable 5.2。其中两个名字属于无人能调用的模型。另一个属于已开售十八天的模型。而帖子所指的那个生成物——一个仅凭单条提示词一次生成的矢量图形游戏手柄——据实际运行过它的人说，是前两者之间的两两对比。Claude Fable 5.2 不在其中。Claude Fable 5.1 也不在。

框架与证据之间的那道落差，正是 Gemini 4 Pro 眼下整个故事的状态，值得仔细拆解，而不是一弃了之。控制器测试并非无足轻重。这是本月任何人对一个未发布的前沿模型所拿出的、看起来最具可复现性的单一产物，它背后有一条四个月的脉络，而且正被许多人当作定论来读。它并不是定论。这是一次平局，来自一次尝试，而测试者本人第二天都无法复现——确切知道它走到了哪一步、又没走到哪一步，比一味炒作或嗤之以鼻都更有用。

这项测试，以及 SVG 为何成为基准

这个提示词比它如今被用来评判的那些模型还要古老。它可追溯到 Gemini 3.0 时代，当时它以这样的形式流传：“创建一个 Xbox 360 手柄的 SVG 图像。将其输出在 Markdown 多行代码块中。”这种措辞很重要，因为它有意对语言模型表现出敌意。矢量绘图全是结构，毫无纹理——没有可供模型藏身的照片噪点，也没有扩散采样器来抹平错误。每一条曲线都必须以坐标形式精确指定。手柄对模型来说是个难啃的目标：两个对称的握把、一个凹面圆盘、以透视呈现的肩键扳机、十六个左右各需定位的按键，以及一个只要有一处比例偏移就会立刻显得不对劲的轮廓。而且，由于答案以文本形式出现，你可以直接粘贴到查看器中，这种比较既成本低廉又便于传播。没有人需要去相信别人聊天窗口的截图。

九月，社区重新捡起了这个提示词。从竞技场会话中流传出的产出——骑自行车的鹈鹕、从五个微距相机角度渲染的 PlayStation 5 控制器、带可切换灯光的 3D 宝塔、体素寺庙场景、Airbus H145 直升机页面——在报道中被描述为在高思考强度下各需大约八到二十分钟。那个控制器就是被截图放进对比里的那个。

控制器比较实际显示的内容

这是测试人员报告的结果，而它比时间线所描述的说法要小得多。

• 裁决——平局。发起测试的人以 Lumina 之名发帖，称两份输出都"近乎完美"。

• 唯一的不对称之处——Astra 版本的标志略有偏差。这只是单一细节上的优势，而测试者也只是将其界定为单一细节上的优势，而非整体性的领先。

• 视觉完整性 —— 两种渲染都呈现出细节丰富的控制器主体、控件与光影明暗。两者在形体上都没有崩坏。

• 比较未能确立的一点——即未发布的模型处于领先地位。两个输出被评为同样出色，这正是“不领先”的定义。

• 可复现性——据称该输出是前一晚生成的，耗时约二十分钟，而测试人员第二天无法获得可比的结果。

• 身份 —— 该输出所对应的竞技场条目被标注为 gemini-3.8-flash，而这一名称本就属于 Google 于 9 月 2 日发布的某个模型，据报后来又被重新标注为 gemini-3.7-flash。这个别名背后究竟是哪个模型，目前仍无定论；另外两名测试者在同一时间窗口内也表示，他们同样无法确认自己用的是哪个模型。

按顺序阅读这份清单，证据的轮廓就变得清晰了。有意思的说法并不是“未发布的模型赢了”。而在于，一个无人能识别的模型，以某个已发布模型的名义运行，一次尝试就产出了矢量作品，连细心的测试者都无法将其与一个前沿模型的输出区分开来，而那个前沿模型在九月的大部分时间里已经全面可用。这是一个真实的观察。它同样也是关于某个下午的观察，而测试者本人也这么说。

双向结果和第三方主张

引发本文的那篇帖子说的是三个模型。而描述同一场控制器会话的几篇报道说的却是两个。Claude Fable 5.2 本周的实际状态是另一回事，只是恰好赶上了同一个新闻周期；这一点值得说清楚，因为这种混为一谈在两个方向上都在发挥作用。

• 声称内容——X 账号 @chetaslua 于 9 月 18 日发帖称，Claude Fable 5.2“正在 claude code 中被测试，用于将 fable 5.1 路由至其自身”。这是一项关于 Claude Code 的路由声明，且来源仅为单一账号。

• 这个名字究竟是什么——只是报道者自己的假设。以 JAZII 名义发帖的测试者，其 9 月 18 日的文章是对该行为最为详尽的记述，其中明确表示，“Fable 5.2”是他们自行指定的名称，而非任何人确认过的名字。既没有模型卡，也没有 API 标识符、定价页面、系统卡，更没有第二家媒体独立报道过 Fable 5.2 这一通路。

• 那份得到多方印证的 Claude 路由报道究竟涉及什么——本博客已另行撰文讨论过：多家独立媒体转载的九月中旬“静默路由”报道，说的是一个尚未发布的 Opus 层级检查点，而非 Fable。将其归为 Fable 的说法只有单一信源。请把它当作一家之言的报道，而不是一项查证结论。

• 测试者确实报告了什么——在高推理强度下，疑似下一代 Fable 比 GPT-6 Astra 更受青睐，但速度更慢、成本更高。那只是一个偏好，来自一个人，针对的是其自己的工作。

• 关于已发布的模型，哪些信息已得到核实——Claude Fable 5.1 自 2026 年 9 月 1 日起已全面可用。该模型确实存在，已有定价，并且今天就可以调用。

所以，对这个三方并列框架，诚实的说法是这样的：那篇帖子里的三个名字中，有两个是尚未公布、由社区自行命名的模型；控制器测试只涉及其中一个，即那个身份至少还能锚定到一条竞技场（arena）条目的名字；而 Fable 那一栏，则来自一位明确拒绝为该模型点名的单一测试者的偏好。这并不是无视其中任何一项的理由。它的意义在于：应当把这三个名字放在三种不同的置信度上，而不是同一种。

实际在争论的基准表

控制器 SVG 是可见的产物。真正在起说服作用的，是一份大约在 9 月 18 日浮出水面的基准测试表，自那以后一直被中英文科技媒体转载。它值得列出来，因为这些数字具体到足以核查，而且没有一个被核查过。

• DeepSWE v1.1 —— 88.7%，据称比 GPT-6 Astra 高出约两个百分点。

• GDPval-AA v2 — 2,064 Elo，被称为上述对比中唯一超过 2,000 的条目。

• Terminal-bench 2.1 — 95.3%，为表中最高的得分。

• OSWorld-2.0 — 86.8%，领先于 GPT-6 Astra 和 Claude Fable 5.1 两者。

• 声称的定价——每百万输入token 2.25美元，每百万输出token 11.25美元。

• 宣称的规格——1000 万 token 的输入上限、256K token 的输出上限、跨对话记忆。

以上每一行都是社区的说法。Google 没有证实其中任何内容，也完全没有证实那个 Arena 条目就是 Gemini 4 Pro，并且未回应置评请求。这张表没有检查点标识符，没有推理强度设置，没有智能体执行框架，没有工具权限，没有测试集划分，没有样本量，也没有运行日志——这些都是真实评估会具备而一张幻灯片截图不会具备的东西。这些基准测试名称还来自 OpenAI 在自己 9 月发布材料中使用过的同一类名称，这说明的是这张表是在哪里拼凑出来的，而不是在哪里测出来的。

本月在进行任何前沿对比时，还有第二个需要留意的理由：大家都会去查的那个独立指数已于9月7日更新为v4.3版本，而版本更新会压缩或拉伸榜单顶部。一个分数若不附上其版本，就无法与三周前的分数相比——无论那是我们的，还是别人的。

关于 Gemini 4 Pro，实际上已经确认了什么？

剥去那些说辞，确凿的记录寥寥无几。

• 2026年7月21日 — Google 证实已为 Gemini 4 启动迄今为止最具雄心的预训练运行。首席执行官在第二季度财报电话会议上重申了这一点。

• 2026年9月2日 —— Gemini 3.8 Flash 发布。Google 最新推出的正式可用模型仍属于 Flash 级别模型。

• 2026 年 9 月 15 日至 18 日——一位化名“Lentils”的爆料者声称，Gemini 4 Pro 的检查点正以代号“argon”在内部出现；社区追踪者记录到一条竞技场条目，其标签为已发布的gemini-3.8-flash标签，每个回答耗时八到十分钟，并能产出远超该模型水平的矢量和 3D 作品。

• 今天——没有 Gemini 4 的模型 ID，没有端点，没有价格，没有模型卡。Gemini 3.5 Pro 原定于六月预览却从未发布，据《华尔街日报》报道，它因提升幅度太小而被取消。

这就是全部已确认的表面。流传中的其他一切——表格、价格、上下文窗口、代号、竞技场条目的身份——都是披着小数点外衣的推断。

等待期间你实际可以运行的内容

这是对比帖子里省略掉的部分，而这恰恰是能改变决策的部分。

GPT-6 Astra 并非传闻。它已于 2026 年 9 月 3 日发布，模型 ID 为 gpt-6-astra，且今日即可按 OpenAI 自身标价调用，每百万输入 token 10.00 美元、每百万输出 token 50.00 美元，缓存输入为 1.00 美元。它在 OrcaRouter 上以相同的供应商标价运行，0% 加价——我们直接传递供应商的价格，因此当价格变动时，我们这边的数字会在同一天变动，而不是等到有人抽出时间更新利润率。其 OpenAI 报告的基准测试成绩为 DeepSWE v1.1 74%、OSWorld 2.0 72.6%、Terminal-Bench 4.0 57.9%，以及 ExploitBench 100%，正是这一点使其越过了关键网络能力阈值。这些成绩为供应商报告且未复现，也正是泄露的 Gemini 4 Pro 表格所隐含反驳的数据。

Gemini 4 Pro 不在 OrcaRouter 上，我们也不会假装它在。没有端点，没有模型 ID，也没有价格，因为根本没有已发布的模型。相比之下，Claude Fable 5.1 自 9 月 1 日起已全面可用，可按其自身标价进行路由，Claude Opus 5 以及当前前沿层级的其他模型同样如此——一个 API 覆盖 200 多个模型，按提供商标价，零加价，因此像这样的对比不需要三个账户、三个 SDK 和三张账单才能付诸行动。

如果控制器结果诱惑你围绕一个未公布的模型重构生产路径，那么有证据支持的理智做法就是：不要这么做。保留你现有的路径；如果你想知道这种效应是否能推广到你自己的工作中，就把一小部分流量导向一条未经证实的路径，并让回退落到一个你已经信任的模型上。这样，一个糟糕的下午只会让你损失一个百分点的流量，而不是酿成一次事故，而且你得到的是自己的答案，而不是借用别人二十分钟的结果。

什么能让控制器结果变得有意义

• 别名终得真名。竞技场里的条目，不过是带着排行榜一行的传闻。出现在厂商自家文档里的模型 id，才算得上产品。盯住模型列表，别盯时间线。

• 结果可复现。有一名测试者第二天就无法得到相同的输出。而三个独立的人按需复现，且模型已明确标注——这完全是另一类证据。

• 泄露的表格配上了方法论。一个没有检查点、投入程度设置和评测框架的基准分数，不是一次测量，而是一种关于测量的主张。

• 一个价格出现了。所声称的 $2.25/$11.25 会让一款尚未发布的前沿模型以巨大差距成为三者中最便宜的，而这类说法要么会出现在价目表中，要么根本不会出现。

• Fable 的归属说法有了第二个来源。目前它只有一个来源，而提出这一说法的人表示，这个名字本来就是自己的。

值得回答的问题

如果竞技场里的这个条目真的是 Gemini 4 Pro，为什么要用一款已发布模型的名字来运行它？

在现有模型的标签背后测试一个新检查点，是盲基准测试的标准做法——它让实验室能够收集直接对比投票，而不让名称影响投票。这也意味着，这个标签完全无法告诉你它背后是什么，而这正是这里的问题所在：这个别名只能证明有东西正在被测试，却不能证明测试的到底是什么。

与 GPT-6 Astra 战成平手，是否意味着这款尚未发布的模型令人失望？

不，而正是在这里，这种框定造成的伤害最大。一个仍处于后训练阶段、以别名运行、却在一项高难度单次任务上追平已发布前沿模型的检查点，是比发布日图表强得多的信号。它只是一个关于方向的信号，而不是关于你能买到的产品的信号，而在对比帖里，这两者会被当成同一回事来解读。

因为这个，我今天需要换什么吗？

不是因为这一点。控制器测试中的任何东西都不会改变什么可用、任何东西要花多少钱，或任何模型擅长什么。本周与决策相关的事实是，GPT-6 Astra 和 Claude Fable 5.1 都已上线且已定价，而 Gemini 4 Pro 则两者皆非。如果你想对这种可能性做对冲，那就用路由来对冲，而不是用重写。

诚实的解读

控制器测试是目前关于 Gemini 4 Pro 最有力的证据，而这份最有力的证据却是一场平局——来自一次没能复现的尝试，针对一个没人说得出名字的模型，还附着一份没人能核验的基准表。这听起来像是在否定它，但并不是。这个测试之所以能传播开来，是因为它是这个故事里第一件看起来像产品、而不是幻灯片的东西——一个真实的提示词、一份真实的输出、一个真实的人在比对二者，以及一个双方阵营都没能一口咬定归为己有的结果。

它没有做到的是解决任何问题。如果你需要在本周交付，那么真正决定你选择的，是现有的前沿档位——GPT-6 Astra 为 $10/$50，Claude Fable 5.1 按其自身标价——而且两者都可以用同一个密钥调用，无需第二份合同。如果你想知道 Google 有什么，那么唯一能把这篇文章从一篇“目前已知”的报道变成一篇发布报道的信号，就是一个模型 ID、一份价目表和一次复现。在这些到来之前，对 Xbox 360 手柄对比的正确解读，就是做过这项对比的人所给出的那种：两幅非常好的图，但没有胜者。