羣雄逐鹿：從綜合能力、專業交付與任務成本對比 Gemini 4 Carbon、Claude Fable 5.2 和 GPT-6 Astra

作者注：本文用 AA 綜合指數和 MKA 專業任務評測兩套體系，比較 Gemini 4 Carbon、Claude Fable 5.2 與 GPT-6 Astra 的表現、耗時和成本，並說明評測配置和統計結論的適用範圍。

閱讀前須知：三大模型對比涉及的 7 個術語

• MKA（Multimodal Knowledge Agent）：評估多模態專業工作任務的基準。它考察模型能否讀懂圖紙、掃描件、影像等複雜文件，並交付完整的專業成果。
• Climb WSR：只針對區分度更高的評分條目計算的加權滿足率，用來拉開頂級模型之間的差距。
• Regression WSR：衡量基礎要求是否滿足的加權指標，相當於專業交付的及格線。
• 推理檔位：模型可使用的推理強度設置，例如 Carbon 的 LOW、MEDIUM、HIGH，以及 Fable、Astra 在榜單中的 Max、Xhigh 等配置。
• 任務成本：完成一個指定任務時，所有模型調用費用的合計。它不是單次 API 請求的固定價格。
• 緩存讀取：重複使用已緩存的輸入內容，並按更低單價計費的方式。
• 統計顯著性：判斷兩個模型之間的分數差異是否有足夠統計證據的指標。差距沒有達到顯著水平時，不能當作確定的勝負。

頂級模型的競爭已經很難只靠一張綜合排行榜說清楚。本文從綜合能力、專業交付和任務成本三個維度，對比 Gemini 4 Carbon、Claude Fable 5.2 和 GPT-6 Astra，並按任務類型給出選型建議。

這不是一份把所有分數混在一起排名次的榜單解讀。 綜合指數和 MKA 是兩套不同的評測體系，本文分開解讀，也會說明哪些差距有統計證據，哪些差距證據不足。

核心價值：讀完本文，你能根據任務對質量、速度和成本的要求，判斷應該優先選擇哪一款模型。

一、Gemini 4 Carbon、Claude Fable 5.2 與 GPT-6 Astra 進入同一競爭舞臺

這一輪競爭的時間點非常集中。Google 在 2026 年 10 月 28 日首次公佈 Gemini 4 Carbon，Anthropic 在 11 月 9 日發佈 Claude Fable 5.2，Carbon 在 11 月 10 日正式向開發者、企業和消費者開放。同一天，Google DeepMind 與 Artificial Analysis 推出了 MKA 評測。11 月 11 日，Artificial Analysis Intelligence Index v5.0.1 更新，並納入了 Fable 5.2。

三款模型的公開定位有明顯差別。Carbon 基於 Gemini 4 Argon 構建，主打長週期 Agent、複雜軟件工程和科學研究，支持文本、圖像、音頻和視頻輸入。Fable 5.2 採用 Adaptive Thinking，上下文爲 1M Token，最大輸出 128K Token。GPT-6 Astra 在本文引用的兩套評測中都有成績，常被拿來作爲效率參照。

表中“當前判斷”只針對對應的單項指標。沒有哪一款模型在所有維度上都排第一。

📊 數據說明：上表數據分別來自 AA 榜單快照和 MKA 技術論文，兩套口徑不能互相換算。如果想驗證自己的業務場景，可以通過 API易 apiyi.com 用同一套提示詞做小規模對照，觀察三款模型在真實負載下的差別。

二、AA 綜合排行榜：Claude Fable 5.2 暫時領先，Gemini 4 Carbon 緊隨其後

Artificial Analysis Intelligence Index v5.0.1 由 9 項評測組成：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。覆蓋範圍包括知識工作、自動化、代碼、科學推理和事實可靠性。這個指數回答的問題是“模型整體實力如何”。

這張表需要注意配置差異。三款模型分別採用 Max、High、Max 檔位，推理預算並不相同，所以結果不能當作同等條件下的純能力比較。同一模型換檔位後分數也會變化：Fable 5.2 的 Xhigh 和 High 都是 62 分，Carbon 的 Medium 爲 58 分、Low 爲 54 分。

Carbon 內部的檔位數據值得單獨看。在 AA 的測算中，Medium 每任務成本爲 $6.59，反而低於 Low 的 $7.19。High 雖然分數最高，但首個回答 Token 的延遲達到 67.54 秒。這說明提高推理檔位不一定能換來同比例的收益。表中的 $7.76 是按 Carbon 的 $4/$20 標準價計算的 AA 任務平均成本，不是一次普通請求的價格。

三、MKA 專業交付：三大模型真正完成工作的能力

AA 指數衡量綜合實力，MKA 衡量的則是模型能否完成真實的專業工作。MKA 技術論文中的設定如下：

• 共 200 項私有真實任務，覆蓋 10 個行業、83 種職業。每項任務對應專業人員約 3—8 小時的工作量。
• 每項任務約有 70 條加權評審標準。其中 88% 的任務要求生成獨立文件，例如 Word、Excel、PPT、PDF、HTML 或圖像。
• 所有模型在同一個 Stirrup Agent Harness 中運行，工具環境相同，輪數預算統一爲 250 輪，每項任務運行一次。

三項指標各有含義。Regression-WSR 反映基礎要求的滿足情況，三者都在 95% 以上，Carbon 略高。Climb-WSR 只統計高難度條目，是區分頂級模型的主要依據。Overall WSR 是全部條目的整體加權滿足率。這些數字都不是普通問答的正確率，也不能和 AA 指數的 65、60、57 放在一起比較。

Claude Fable 5.2 與 Gemini 4 Carbon 的統計顯著性

統計顯著性是解讀 MKA 時最需要注意的地方。論文給出的數據如下：

• Fable 對 Carbon：領先 2.22 個百分點，95% 置信區間爲 -0.94 至 +5.49。區間跨過 0，差異沒有達到統計顯著性。
• Carbon 對 Astra：領先 4.10 個百分點，95% 置信區間爲 +1.00 至 +7.11。區間完全在 0 以上，差異達到統計顯著性。

因此，準確的說法是：在 MKA 中，Fable 5.2 與 Carbon 處於相近水平，現有證據還不足以判定 Fable 明確勝過 Carbon。論文的結論是這兩款模型都顯著領先 Astra。

四、任務成本對比：三大模型完成同一任務的實際代價

MKA 論文的表 4 給出了每項任務的平均資源消耗。API 成本按各廠商標價，並結合提示詞緩存計費估算。

從這張表可以得出三點：

1. Fable 投入的資源最多：總 Token 是 Carbon 的 5.74 倍，執行時間約爲 Carbon 的 2.85 倍。它的高質量成果建立在多輪探索和大量調用之上。
2. Carbon 的性價比最突出：單任務成本約爲 Fable 的六分之一，Climb-WSR 只低 2.22 個百分點，而且這個差距不顯著。
3. Astra 最快、最省 Token：執行時間和 Token 消耗都最少，但單任務成本仍比 Carbon 略高，Climb-WSR 也顯著落後 Carbon。

Token 單價、Token 消耗與任務賬單的區別

這三個概念經常被混用。Token 單價方面，Fable 5.2 爲每百萬輸入 $8、輸出 $40。Carbon 在 11 月 30 日前的首發價爲 $2/$10，12 月 1 日起爲 $4/$20。但單價低不等於賬單低。Astra 的 Token 消耗只有 Carbon 的約三分之一，單任務成本卻略高，說明不同模型的單價結構和緩存命中情況都會影響最終費用。

緩存讀取是 Agent 場景中經常被忽略的變量。Agent 每一輪都會重複發送大量上下文，以 Carbon 爲例，緩存輸入價約爲普通輸入價的 5%。Fable 的總 Token 高達 40.48M，其中很大一部分是重複讀取的上下文，所以計費方式會直接影響賬單。另外，Carbon 的思考 Token 計入輸出費用，使用 Grounding 時搜索請求還會單獨收費。

成本數據有三種口徑，需要分開引用：MKA 論文表 4（Carbon $5.63、Fable $35.28）、MKA 動態榜單（Carbon $6.29、Fable $31.97）和 AA 指數任務成本（$7.76、$26.54）。三者統計範圍不同，不能混用。

五、Gemini 4 Carbon 的多模態優勢體現在哪裏

MKA 論文做了一項消融實驗：移除 Carbon 的 view_image 圖像查看工具，只讓它依靠 OCR、代碼執行和傳統計算機視覺方法完成任務。結果如下：

• Climb-WSR 下降 5.94 個百分點，Overall WSR 下降 4.58 個百分點。
• Agent 輪數增加 28%，輸出 Token 增加 40%，輸入 Token 增加 85%。
• 模型嘗試用 ASCII 圖像、Unicode Braille 和 OpenCV 等方式彌補，但在真實照片和醫療影像上仍然容易失敗。

這組數據說明，專業工作中的視覺理解很難用文本提取替代。建築圖紙的空間關係、影像中的病竈位置、圖表中的視覺編碼，經過 OCR 後大多會丟失。模型只能反覆編寫代碼去猜測圖像內容，結果是質量下降，成本上升。

MKA 榜單的行業結果也與此相符。Carbon 在醫療健康領域領先，在圖像類交付上和 Argon 表現突出。Fable 5.2 在軟件與數據、工程、物流與地圖、商業、金融等領域領先，並在 PDF、Word、Spreadsheet 等交付類型上佔優。沒有任何模型在全部 10 個行業中領先，而 Word 和純文本文件仍是最難的交付類型，所有模型在這兩類上都沒有超過 52%。

六、場景推薦：Gemini 4 Carbon、Claude Fable 5.2 與 GPT-6 Astra 的適用任務

選擇 Claude Fable 5.2 的場景

• 對成果質量要求最高的複雜專業交付：例如金融分析報告、工程方案和軟件數據項目。這類任務出錯代價高，能接受更長的執行時間和更高賬單。
• 以 Office 文檔爲主的交付：PDF、Word、表格類輸出是 Fable 在 MKA 中的優勢項。

選擇 Gemini 4 Carbon 的場景

• 需要兼顧質量與成本的複雜 Agent 工作：在 MKA 中，Carbon 用約六分之一的成本達到了與 Fable 統計上相近的水平。
• 依賴視覺理解的任務：例如圖紙解析、醫療影像輔助分析和圖像類交付。推理檔位建議先從 MEDIUM 開始，它在 AA 的事實可靠性測試中編造答案的比例更低。

選擇 GPT-6 Astra 的場景

• 看重執行速度的流水線：在 MKA 中耗時最短、Agent 輪數最少，適合需要較快反饋的任務。
• 對 Token 預算或上下文壓力敏感的場景：Astra 的總 Token 消耗最低，但需要接受專業交付質量上的差距。

七、如何用統一接口實測三大模型

公開榜單隻能作爲起點，最終還要看模型在你自己任務上的表現。下面的示例使用 OpenAI 兼容接口，只需切換 model 參數，就能在同一套代碼中調用不同模型：

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": "用三點概括這份季度財報摘要的主要風險。"}]
)
print(resp.choices[0].message.content)
print(resp.usage)  # 記錄 Token 用量，後續用於估算成本

import time
from openai import OpenAI

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

# 模型名稱以平臺模型列表爲準，GPT-6 Astra 此處爲示例名稱
MODELS = ["claude-fable-5-2", "gemini-4-carbon", "gpt-6-astra"]

# 單價（美元/百萬 Token）請按實際渠道填寫
# 示例：Fable 5.2 官方標價；Carbon 爲 11 月 30 日前首發價
PRICES = {
    "claude-fable-5-2": {"input": 8.0, "output": 40.0},
    "gemini-4-carbon": {"input": 2.0, "output": 10.0},
    "gpt-6-astra": None,  # 請自行補充
}

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：未區分緩存讀取；思考 Token 通常計入輸出
        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 = "根據這張戶型圖，列出各房間面積估算和三條改造建議。"
    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, "調用失敗：", e)

這段代碼統計的是單次調用。真實 Agent 任務的成本要把所有輪次累加，也就是本文所說的任務成本。另外，Carbon 不支持 thinking_budget，傳入會返回 HTTP 400，temperature 等採樣參數也會被忽略，推理檔位應通過平臺文檔說明的方式設置。

🚀 快速上手建議：建議先在 API易 apiyi.com 領取新用戶免費測試額度，用 5—10 個真實業務樣本運行上面的對照腳本，記錄耗時、Token 和質量評分，再決定主力模型。平臺用同一個 API Key 接入 OpenAI、Claude、Gemini 等主流模型，按量計費，切換模型只需改一個參數。

決策建議：如何在三大模型之間取捨

做選型時，可以先確定任務中最重要的約束，再選擇對應的指標：

• 質量是硬約束：以 MKA 的 Climb-WSR 爲主要參考，在 Fable 5.2 和 Carbon 中二選一。因爲兩者差距不顯著，最好用自己的樣本做驗證。
• 預算是硬約束：看 MKA 表 4 的單任務成本，而不是 Token 單價。Carbon 在這一項有明顯優勢。
• 時效是硬約束：看執行時間和 Agent 輪數，Astra 最快。同時要接受它在專業交付質量上顯著落後的結論。

💡 選擇建議：可以參考 Google /swarm 的做法，把強模型放在規劃和審查環節，把快速模型放在批量執行環節。通過 API易 apiyi.com 的統一接口，可以在同一個項目中按 Agent 角色分配不同模型，不需要維護多套 SDK。

常見問題 FAQ

三大模型對比核心要點 Key Takeaways

• 綜合能力：AA v5.0.1 中 Fable 5.2 Max 爲 65 分，領先 Carbon High 的 60 分和 Astra Max 的 57 分。
• 專業交付：MKA 中 Fable 與 Carbon 的差距不顯著，兩者都顯著領先 Astra。
• 任務成本：按論文表 4 口徑，Carbon 每任務 $5.63，約爲 Fable 的六分之一。
• 速度效率：Astra 每任務 18.5 分鐘、2.43M Token，速度和 Token 效率最好。
• 多模態價值：去掉圖像查看工具後，Carbon 質量下降，輸入 Token 增加 85%。
• 口徑邊界：Token 單價、Token 消耗和任務賬單是三個不同的概念。
• 上手方式：可以通過 API易 apiyi.com 用一個 Key 對三款模型做小樣本對照測試。

總結：沒有單一指標能決定誰是最強模型

回到開頭的問題，這三款頂級模型之間的差異，主要是質量、速度和成本之間的取捨不同：

1. Claude Fable 5.2：綜合指數和專業交付得分都領先，代價是最長的執行時間和最高的任務成本。
2. Gemini 4 Carbon：專業交付質量與 Fable 統計上相近，任務成本最低，視覺理解是它的差異化優勢。
3. GPT-6 Astra：執行最快、Token 最省，但專業交付質量顯著落後於前兩者。

綜合能力、任務質量、響應速度和任務成本需要分別評估。比起只看排行榜上的名次，更可靠的做法是用自己的任務做一次對照測試。推薦通過 API易 apiyi.com 快速驗證三款模型在你業務中的表現，平臺提供免費測試額度和統一的多模型接口。

📚 參考資料

1. MKA 技術論文：MKA: Evaluating Multimodal Knowledge Agents on end-to-end professional tasks
2. 鏈接： storage.googleapis.com/deepmind-media/papers/mka_tech_paper.pdf

3. 說明：三模型 WSR、置信區間、表 4 成本和視覺消融實驗的原始數據

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

5. 鏈接： artificialanalysis.ai/leaderboards/models

6. 說明：綜合分數、每任務成本和耗時的動態快照

7. MKA 評測榜單：多模態知識 Agent 排行

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

9. 說明：行業領先模型和交付文件類型的分項結果

10. Gemini 4 Carbon 模型卡：Google DeepMind 官方資料

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

12. 說明：模態、上下文、推理檔位和已知限制

13. Gemini API 定價頁：Carbon 標準價、緩存價和 Batch 價

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

15. 說明：首發價與 12 月 1 日起的價格調整

16. Claude Fable 5.2 API 文檔：Anthropic 官方模型說明

17. 鏈接： platform.claude.com/docs/en/models/fable-5-2/overview
18. 說明：上下文、最大輸出、Token 單價和 Fast Mode

作者：APIYI 技術團隊
技術交流：歡迎在 API易 網站首頁聯繫我們，更多接入資料可訪問 docs.apiyi.com 文檔中心

延伸閱讀

• Fable 5.5 vs GPT-6.2 Astra：誰更強，怎麼選？6 個 demo 與 3 個不公平點:Fable 5.5 與 GPT-6.2 Astra 都有公開 demo，但沒有同題對比。本文梳理 6 個 demo 的證據等級、現役旗艦 Fable 5.1 與 GPT-6 Astra 的官方規格價格，並給出一套可重跑的選型評測方法。
• Claude Fable 5.2 對比 Claude Opus 5.5：怎麼選:Claude Fable 5.2 對比 Claude Opus 5.5：標準價貴一倍，不是每一項都贏。本文從規格、價格、默認努力檔和發佈文成績表四個角度，給出一張按任務選模型的表。
• 拆解 2.3 億法律 URL：Astra for Law 的專業能力來自模型，還是法律搜索索引？:基於官方披露信息解讀 Astra for Law 的 2.3 億 URL 法律搜索索引、54.0% 測試成績與 API 定價，釐清其專業能力的來源和尚未證實的部分。
• Claude Fable 5.2 有多強？編碼、長任務的 4 條邊界:用 Anthropic 發佈文裏的官方成績和官方限制，講清 Claude Fable 5.2 強在哪、強到哪裏該停，以及何時不該從 Opus 5.5 換過去
• Claude Fable 5.2 發佈，high or max？ 上數據，看看質量和成本:公開評測顯示，Claude Fable 5.2 把推理檔位從 high 提到 max 可能提高得分，也會抬高每任務成本。檔位應按任務的質量門檻和預算一起決定。
• 從 Astra 修改 Qwen 權重之爭學會拆解模型能力宣傳：6 步覈查清單:以 GPT-6 Astra 改寫 Qwen3.5-0.8B 權重引發的爭議爲案例，用 6 個步驟拆解模型能力宣傳，看懂基線、工具權限、評測設置與復現證據。
• Claude 第一，Gemini 成本不到三分之一：GDPx 13 款模型性價比差距解讀:解讀 SemiAnalysis 發佈的 GDPx 首期榜單，對比 Claude Opus 5.5、Gemini 4 Carbon、GPT-6 Astra、Sol、Luna、DeepSeek 的得分與“平均任務成本”，並區分評測成本和官方 Token 價格。
• Claude Fable5.2你調了1000 個 Agent 做系統真厲害，可是API 成本怎麼算？:用一個假設工作流，拆解 Claude Fable 5.2 多 Agent 系統中的模型價格、緩存、Session Runtime、工具費用與 30 天數據保留要求。
• Gemini 4 Carbon 發佈解讀：59 分反超 Opus 5.5，17 項贏 15 項卻調不到:Gemini 4 Carbon 在 Artificial Analysis 綜合智能指數拿到 59 分登頂，官方 17 項對比贏 15 項。但它沒有 API 型號 ID，也沒有開放時間表。本文按口徑拆清分數，說明現階段爲什麼調不到，以及國內開發者現在可以先用 gemini-4-argon。