群雄逐鹿：从综合能力、专业交付与任务成本对比 Gemini 4 Carbon、Claude Fable 5.2 和 GPT-6 Astra

作者注：本文用 AA 综合指数和 MKA 专业任务评测两套体系，比较 Gemini 4 Carbon、Claude Fable 5.2 与 GPT-6 Astra 的表现、耗时和成本，并说明评测配置和统计结论的适用范围。

阅读前须知：三大模型对比涉及的 7 个术语

• MKA（Multimodal Knowledge Agent）：评估多模态专业工作任务的基准。它考察模型能否读懂图纸、扫描件、影像等复杂文件，并交付完整的专业成果。
• Climb WSR：只针对区分度更高的评分条目计算的加权满足率，用来拉开顶级模型之间的差距。
• Regression WSR：衡量基础要求是否满足的加权指标，相当于专业交付的及格线。
• 推理档位：模型可使用的推理强度设置，例如 Carbon 的 LOW、MEDIUM、HIGH，以及 Fable、Astra 在榜单中的 Max、Xhigh 等配置。
• 任务成本：完成一个指定任务时，所有模型调用费用的合计。它不是单次 API 请求的固定价格。
• 缓存读取：重复使用已缓存的输入内容，并按更低单价计费的方式。
• 统计显著性：判断两个模型之间的分数差异是否有足够统计证据的指标。差距没有达到显著水平时，不能当作确定的胜负。

顶级模型的竞争已经很难只靠一张综合排行榜说清楚。本文从综合能力、专业交付和任务成本三个维度，对比 Gemini 4 Carbon、Claude Fable 5.2 和 GPT-6 Astra，并按任务类型给出选型建议。

这不是一份把所有分数混在一起排名次的榜单解读。 综合指数和 MKA 是两套不同的评测体系，本文分开解读，也会说明哪些差距有统计证据，哪些差距证据不足。

核心价值：读完本文，你能根据任务对质量、速度和成本的要求，判断应该优先选择哪一款模型。

一、Gemini 4 Carbon、Claude Fable 5.2 与 GPT-6 Astra 进入同一竞争舞台

这一轮竞争的时间点非常集中。Google 在 2026 年 10 月 28 日首次公布 Gemini 4 Carbon，Anthropic 在 11 月 9 日发布 Claude Fable 5.2，Carbon 在 11 月 10 日正式向开发者、企业和消费者开放。同一天，Google DeepMind 与 Artificial Analysis 推出了 MKA 评测。11 月 11 日，Artificial Analysis Intelligence Index v5.0.1 更新，并纳入了 Fable 5.2。

三款模型的公开定位有明显差别。Carbon 基于 Gemini 4 Argon 构建，主打长周期 Agent、复杂软件工程和科学研究，支持文本、图像、音频和视频输入。Fable 5.2 采用 Adaptive Thinking，上下文为 1M Token，最大输出 128K Token。GPT-6 Astra 在本文引用的两套评测中都有成绩，常被拿来作为效率参照。

表中“当前判断”只针对对应的单项指标。没有哪一款模型在所有维度上都排第一。

📊 数据说明：上表数据分别来自 AA 榜单快照和 MKA 技术论文，两套口径不能互相换算。如果想验证自己的业务场景，可以通过 API易 apiyi.com 用同一套提示词做小规模对照，观察三款模型在真实负载下的差别。

二、AA 综合排行榜：Claude Fable 5.2 暂时领先，Gemini 4 Carbon 紧随其后

Artificial Analysis Intelligence Index v5.0.1 由 9 项评测组成：AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2 和 Terminal-Bench-Science 0.1。覆盖范围包括知识工作、自动化、代码、科学推理和事实可靠性。这个指数回答的问题是“模型整体实力如何”。

这张表需要注意配置差异。三款模型分别采用 Max、High、Max 档位，推理预算并不相同，所以结果不能当作同等条件下的纯能力比较。同一模型换档位后分数也会变化：Fable 5.2 的 Xhigh 和 High 都是 62 分，Carbon 的 Medium 为 58 分、Low 为 54 分。

Carbon 内部的档位数据值得单独看。在 AA 的测算中，Medium 每任务成本为 $6.59，反而低于 Low 的 $7.19。High 虽然分数最高，但首个回答 Token 的延迟达到 67.54 秒。这说明提高推理档位不一定能换来同比例的收益。表中的 $7.76 是按 Carbon 的 $4/$20 标准价计算的 AA 任务平均成本，不是一次普通请求的价格。

三、MKA 专业交付：三大模型真正完成工作的能力

AA 指数衡量综合实力，MKA 衡量的则是模型能否完成真实的专业工作。MKA 技术论文中的设定如下：

• 共 200 项私有真实任务，覆盖 10 个行业、83 种职业。每项任务对应专业人员约 3—8 小时的工作量。
• 每项任务约有 70 条加权评审标准。其中 88% 的任务要求生成独立文件，例如 Word、Excel、PPT、PDF、HTML 或图像。
• 所有模型在同一个 Stirrup Agent Harness 中运行，工具环境相同，轮数预算统一为 250 轮，每项任务运行一次。

三项指标各有含义。Regression-WSR 反映基础要求的满足情况，三者都在 95% 以上，Carbon 略高。Climb-WSR 只统计高难度条目，是区分顶级模型的主要依据。Overall WSR 是全部条目的整体加权满足率。这些数字都不是普通问答的正确率，也不能和 AA 指数的 65、60、57 放在一起比较。

Claude Fable 5.2 与 Gemini 4 Carbon 的统计显著性

统计显著性是解读 MKA 时最需要注意的地方。论文给出的数据如下：

• Fable 对 Carbon：领先 2.22 个百分点，95% 置信区间为 -0.94 至 +5.49。区间跨过 0，差异没有达到统计显著性。
• Carbon 对 Astra：领先 4.10 个百分点，95% 置信区间为 +1.00 至 +7.11。区间完全在 0 以上，差异达到统计显著性。

因此，准确的说法是：在 MKA 中，Fable 5.2 与 Carbon 处于相近水平，现有证据还不足以判定 Fable 明确胜过 Carbon。论文的结论是这两款模型都显著领先 Astra。

四、任务成本对比：三大模型完成同一任务的实际代价

MKA 论文的表 4 给出了每项任务的平均资源消耗。API 成本按各厂商标价，并结合提示词缓存计费估算。

从这张表可以得出三点：

1. Fable 投入的资源最多：总 Token 是 Carbon 的 5.74 倍，执行时间约为 Carbon 的 2.85 倍。它的高质量成果建立在多轮探索和大量调用之上。
2. Carbon 的性价比最突出：单任务成本约为 Fable 的六分之一，Climb-WSR 只低 2.22 个百分点，而且这个差距不显著。
3. Astra 最快、最省 Token：执行时间和 Token 消耗都最少，但单任务成本仍比 Carbon 略高，Climb-WSR 也显著落后 Carbon。

Token 单价、Token 消耗与任务账单的区别

这三个概念经常被混用。Token 单价方面，Fable 5.2 为每百万输入 $8、输出 $40。Carbon 在 11 月 30 日前的首发价为 $2/$10，12 月 1 日起为 $4/$20。但单价低不等于账单低。Astra 的 Token 消耗只有 Carbon 的约三分之一，单任务成本却略高，说明不同模型的单价结构和缓存命中情况都会影响最终费用。

缓存读取是 Agent 场景中经常被忽略的变量。Agent 每一轮都会重复发送大量上下文，以 Carbon 为例，缓存输入价约为普通输入价的 5%。Fable 的总 Token 高达 40.48M，其中很大一部分是重复读取的上下文，所以计费方式会直接影响账单。另外，Carbon 的思考 Token 计入输出费用，使用 Grounding 时搜索请求还会单独收费。

成本数据有三种口径，需要分开引用：MKA 论文表 4（Carbon $5.63、Fable $35.28）、MKA 动态榜单（Carbon $6.29、Fable $31.97）和 AA 指数任务成本（$7.76、$26.54）。三者统计范围不同，不能混用。

五、Gemini 4 Carbon 的多模态优势体现在哪里

MKA 论文做了一项消融实验：移除 Carbon 的 view_image 图像查看工具，只让它依靠 OCR、代码执行和传统计算机视觉方法完成任务。结果如下：

• Climb-WSR 下降 5.94 个百分点，Overall WSR 下降 4.58 个百分点。
• Agent 轮数增加 28%，输出 Token 增加 40%，输入 Token 增加 85%。
• 模型尝试用 ASCII 图像、Unicode Braille 和 OpenCV 等方式弥补，但在真实照片和医疗影像上仍然容易失败。

这组数据说明，专业工作中的视觉理解很难用文本提取替代。建筑图纸的空间关系、影像中的病灶位置、图表中的视觉编码，经过 OCR 后大多会丢失。模型只能反复编写代码去猜测图像内容，结果是质量下降，成本上升。

MKA 榜单的行业结果也与此相符。Carbon 在医疗健康领域领先，在图像类交付上和 Argon 表现突出。Fable 5.2 在软件与数据、工程、物流与地图、商业、金融等领域领先，并在 PDF、Word、Spreadsheet 等交付类型上占优。没有任何模型在全部 10 个行业中领先，而 Word 和纯文本文件仍是最难的交付类型，所有模型在这两类上都没有超过 52%。

六、场景推荐：Gemini 4 Carbon、Claude Fable 5.2 与 GPT-6 Astra 的适用任务

选择 Claude Fable 5.2 的场景

• 对成果质量要求最高的复杂专业交付：例如金融分析报告、工程方案和软件数据项目。这类任务出错代价高，能接受更长的执行时间和更高账单。
• 以 Office 文档为主的交付：PDF、Word、表格类输出是 Fable 在 MKA 中的优势项。

选择 Gemini 4 Carbon 的场景

• 需要兼顾质量与成本的复杂 Agent 工作：在 MKA 中，Carbon 用约六分之一的成本达到了与 Fable 统计上相近的水平。
• 依赖视觉理解的任务：例如图纸解析、医疗影像辅助分析和图像类交付。推理档位建议先从 MEDIUM 开始，它在 AA 的事实可靠性测试中编造答案的比例更低。

选择 GPT-6 Astra 的场景

• 看重执行速度的流水线：在 MKA 中耗时最短、Agent 轮数最少，适合需要较快反馈的任务。
• 对 Token 预算或上下文压力敏感的场景：Astra 的总 Token 消耗最低，但需要接受专业交付质量上的差距。

七、如何用统一接口实测三大模型

公开榜单只能作为起点，最终还要看模型在你自己任务上的表现。下面的示例使用 OpenAI 兼容接口，只需切换 model 参数，就能在同一套代码中调用不同模型：

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 OpenAI 兼容接口
)

resp = client.chat.completions.create(
    model="gemini-4-carbon",
    messages=[{"role": "user", "content": "用三点概括这份季度财报摘要的主要风险。"}]
)
print(resp.choices[0].message.content)
print(resp.usage)  # 记录 Token 用量，后续用于估算成本

import time
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# 模型名称以平台模型列表为准，GPT-6 Astra 此处为示例名称
MODELS = ["claude-fable-5-2", "gemini-4-carbon", "gpt-6-astra"]

# 单价（美元/百万 Token）请按实际渠道填写
# 示例：Fable 5.2 官方标价；Carbon 为 11 月 30 日前首发价
PRICES = {
    "claude-fable-5-2": {"input": 8.0, "output": 40.0},
    "gemini-4-carbon": {"input": 2.0, "output": 10.0},
    "gpt-6-astra": None,  # 请自行补充
}

def build_messages(task, image_url=None):
    content = [{"type": "text", "text": task}]
    if image_url:
        content.append({"type": "image_url", "image_url": {"url": image_url}})
    return [{"role": "user", "content": content}]

def run_once(model, messages):
    start = time.time()
    resp = client.chat.completions.create(model=model, messages=messages)
    elapsed = time.time() - start
    usage = resp.usage
    cost = None
    price = PRICES.get(model)
    if price and usage:
        # 粗略估算：未区分缓存读取；思考 Token 通常计入输出
        cost = (usage.prompt_tokens * price["input"]
                + usage.completion_tokens * price["output"]) / 1_000_000
    return {
        "model": model,
        "seconds": round(elapsed, 1),
        "prompt_tokens": usage.prompt_tokens if usage else None,
        "completion_tokens": usage.completion_tokens if usage else None,
        "est_cost_usd": round(cost, 4) if cost is not None else None,
        "answer": resp.choices[0].message.content[:200],
    }

if __name__ == "__main__":
    task = "根据这张户型图，列出各房间面积估算和三条改造建议。"
    msgs = build_messages(task, image_url="https://example.com/floor-plan.png")
    for m in MODELS:
        try:
            print(run_once(m, msgs))
        except Exception as e:
            print(m, "调用失败：", e)

这段代码统计的是单次调用。真实 Agent 任务的成本要把所有轮次累加，也就是本文所说的任务成本。另外，Carbon 不支持 thinking_budget，传入会返回 HTTP 400，temperature 等采样参数也会被忽略，推理档位应通过平台文档说明的方式设置。

🚀 快速上手建议：建议先在 API易 apiyi.com 领取新用户免费测试额度，用 5—10 个真实业务样本运行上面的对照脚本，记录耗时、Token 和质量评分，再决定主力模型。平台用同一个 API Key 接入 OpenAI、Claude、Gemini 等主流模型，按量计费，切换模型只需改一个参数。

决策建议：如何在三大模型之间取舍

做选型时，可以先确定任务中最重要的约束，再选择对应的指标：

• 质量是硬约束：以 MKA 的 Climb-WSR 为主要参考，在 Fable 5.2 和 Carbon 中二选一。因为两者差距不显著，最好用自己的样本做验证。
• 预算是硬约束：看 MKA 表 4 的单任务成本，而不是 Token 单价。Carbon 在这一项有明显优势。
• 时效是硬约束：看执行时间和 Agent 轮数，Astra 最快。同时要接受它在专业交付质量上显著落后的结论。

💡 选择建议：可以参考 Google /swarm 的做法，把强模型放在规划和审查环节，把快速模型放在批量执行环节。通过 API易 apiyi.com 的统一接口，可以在同一个项目中按 Agent 角色分配不同模型，不需要维护多套 SDK。

常见问题 FAQ

三大模型对比核心要点 Key Takeaways

• 综合能力：AA v5.0.1 中 Fable 5.2 Max 为 65 分，领先 Carbon High 的 60 分和 Astra Max 的 57 分。
• 专业交付：MKA 中 Fable 与 Carbon 的差距不显著，两者都显著领先 Astra。
• 任务成本：按论文表 4 口径，Carbon 每任务 $5.63，约为 Fable 的六分之一。
• 速度效率：Astra 每任务 18.5 分钟、2.43M Token，速度和 Token 效率最好。
• 多模态价值：去掉图像查看工具后，Carbon 质量下降，输入 Token 增加 85%。
• 口径边界：Token 单价、Token 消耗和任务账单是三个不同的概念。
• 上手方式：可以通过 API易 apiyi.com 用一个 Key 对三款模型做小样本对照测试。

总结：没有单一指标能决定谁是最强模型

回到开头的问题，这三款顶级模型之间的差异，主要是质量、速度和成本之间的取舍不同：

1. Claude Fable 5.2：综合指数和专业交付得分都领先，代价是最长的执行时间和最高的任务成本。
2. Gemini 4 Carbon：专业交付质量与 Fable 统计上相近，任务成本最低，视觉理解是它的差异化优势。
3. GPT-6 Astra：执行最快、Token 最省，但专业交付质量显著落后于前两者。

综合能力、任务质量、响应速度和任务成本需要分别评估。比起只看排行榜上的名次，更可靠的做法是用自己的任务做一次对照测试。推荐通过 API易 apiyi.com 快速验证三款模型在你业务中的表现，平台提供免费测试额度和统一的多模型接口。

📚 参考资料

1. MKA 技术论文：MKA: Evaluating Multimodal Knowledge Agents on end-to-end professional tasks
2. 链接： storage.googleapis.com/deepmind-media/papers/mka_tech_paper.pdf

3. 说明：三模型 WSR、置信区间、表 4 成本和视觉消融实验的原始数据

4. Artificial Analysis 模型排行榜：Intelligence Index v5.0.1

5. 链接： artificialanalysis.ai/leaderboards/models

6. 说明：综合分数、每任务成本和耗时的动态快照

7. MKA 评测榜单：多模态知识 Agent 排行

8. 链接： artificialanalysis.ai/zh/evaluations/mka

9. 说明：行业领先模型和交付文件类型的分项结果

10. Gemini 4 Carbon 模型卡：Google DeepMind 官方资料

11. 链接： deepmind.google/models/model-cards/gemini-4-carbon

12. 说明：模态、上下文、推理档位和已知限制

13. Gemini API 定价页：Carbon 标准价、缓存价和 Batch 价

14. 链接： ai.google.dev/gemini-api/docs/pricing

15. 说明：首发价与 12 月 1 日起的价格调整

16. Claude Fable 5.2 API 文档：Anthropic 官方模型说明

17. 链接： platform.claude.com/docs/en/models/fable-5-2/overview
18. 说明：上下文、最大输出、Token 单价和 Fast Mode

作者：APIYI 技术团队
技术交流：欢迎在 API易 网站首页联系我们，更多接入资料可访问 docs.apiyi.com 文档中心

延伸阅读

• Fable 5.5 vs GPT-6.2 Astra：谁更强，怎么选？6 个 demo 与 3 个不公平点:Fable 5.5 与 GPT-6.2 Astra 都有公开 demo，但没有同题对比。本文梳理 6 个 demo 的证据等级、现役旗舰 Fable 5.1 与 GPT-6 Astra 的官方规格价格，并给出一套可重跑的选型评测方法。
• Claude Fable 5.2 对比 Claude Opus 5.5：怎么选:Claude Fable 5.2 对比 Claude Opus 5.5：标准价贵一倍，不是每一项都赢。本文从规格、价格、默认努力档和发布文成绩表四个角度，给出一张按任务选模型的表。
• 拆解 2.3 亿法律 URL：Astra for Law 的专业能力来自模型，还是法律搜索索引？:基于官方披露信息解读 Astra for Law 的 2.3 亿 URL 法律搜索索引、54.0% 测试成绩与 API 定价，厘清其专业能力的来源和尚未证实的部分。
• Claude Fable 5.2 有多强？编码、长任务的 4 条边界:用 Anthropic 发布文里的官方成绩和官方限制，讲清 Claude Fable 5.2 强在哪、强到哪里该停，以及何时不该从 Opus 5.5 换过去
• Claude Fable 5.2 发布，high or max？ 上数据，看看质量和成本:公开评测显示，Claude Fable 5.2 把推理档位从 high 提到 max 可能提高得分，也会抬高每任务成本。档位应按任务的质量门槛和预算一起决定。
• 从 Astra 修改 Qwen 权重之争学会拆解模型能力宣传：6 步核查清单:以 GPT-6 Astra 改写 Qwen3.5-0.8B 权重引发的争议为案例，用 6 个步骤拆解模型能力宣传，看懂基线、工具权限、评测设置与复现证据。
• Claude 第一，Gemini 成本不到三分之一：GDPx 13 款模型性价比差距解读:解读 SemiAnalysis 发布的 GDPx 首期榜单，对比 Claude Opus 5.5、Gemini 4 Carbon、GPT-6 Astra、Sol、Luna、DeepSeek 的得分与“平均任务成本”，并区分评测成本和官方 Token 价格。
• Claude Fable5.2你调了1000 个 Agent 做系统真厉害，可是API 成本怎么算？:用一个假设工作流，拆解 Claude Fable 5.2 多 Agent 系统中的模型价格、缓存、Session Runtime、工具费用与 30 天数据保留要求。
• Gemini 4 Carbon 发布解读：59 分反超 Opus 5.5，17 项赢 15 项却调不到:Gemini 4 Carbon 在 Artificial Analysis 综合智能指数拿到 59 分登顶，官方 17 项对比赢 15 项。但它没有 API 型号 ID，也没有开放时间表。本文按口径拆清分数，说明现阶段为什么调不到，以及国内开发者现在可以先用 gemini-4-argon。