gpt-6-astra 对比 Claude Fable 5.1：输出少了 60%，但有一部分是答少了

gpt-6-astra 对比 Claude Fable 5.1：输出少了 60%，但有一部分是答少了#

测试时间：2026-09-05（Asia/Shanghai） Base URL：https://cn.crazyrouter.com Endpoint：POST /v1/chat/completions 模型：gpt-6-astra、claude-fable-5-1

结论先行#

astra 的输出字符数只有 fable-5-1 的 0.38–0.77 倍，看上去像是效率优势。但这个数字必须拆开看：

• A 组（两边都全对）字符比 0.377 —— 这是干净的简洁性优势
• B-q1 字符比 0.140 —— 这不是简洁，是 97 个字符只回答了三分之一的问题，对面 866 个字符回答了全部
• B-q2 字符比 0.245 —— 这也不是简洁，是顺着一个不成立的前提编了个短答案

把 B 组的字符比记成效率优势是错的。

一、先说清楚：跨模型族的对比，有三件事必须先处理#

这一点比测试结果本身更重要，因为大部分跨族对比是在没处理这三件事的情况下做出来的。

1.1 两个模型不在同一条上游路径上#

上一轮做同族对比（fable-5.1 vs fable-5）时，可以把两个模型钉死在同一条上游路径上，路径差异整体消掉。这一轮做不到：这两个模型在本站没有任何一条共同的承载路径。

能做的只是各自钉死一条确定路径，消除路由随机性。但"两条路径本身不同"这个事实消不掉，只能在读数时把它的影响单独量化出来。

1.2 分词器密度差 1.91 倍，输出 token 数不能跨族相除#

用同一段递增长度的填充文本，对 input_tokens 做最小二乘拟合：

残差 0.00，两条线是精确线性的。斜率相差 1.91 倍——同样一段英文，Claude 系记 21 个 token，OpenAI 系记 11 个。

任何跨这两族的输出 token 比值都不表达效率，只表达分词器差异。 所以本文的主效率口径是输出字符数，token 数只记录不相除。

顺带验证了一件事：claude-fable-5-1 走 /v1/chat/completions 拟合出的 21.000 / 18.00，与上一轮走原生 /v1/messages 拟合出的数值逐位相同。说明 OpenAI 兼容端点的翻译层不扭曲输入计量，本轮用统一端点做对比是成立的。

1.3 每请求固定开销相差一个常数，必须先扣掉#

截距 309 明显不正常——常规范围是 8–25。在另外两条独立路径上对同族模型做同样拟合：

对照路径 1   斜率 11.000   截距 22.00
对照路径 2   斜率 11.000   截距 22.00

斜率完全一致，说明 11.000 是这一族分词器的真实密度、计量本身没问题；正常的每请求固定开销是 22 token。所以本轮 astra 那条路径每请求多了约 290 token 的固定内容，不是用户发的。

这个结论有一个不是设计出来的独立交叉验证。三组负载的输入 token 原始比值毫无规律，但减去同一个常数 290 之后塌缩到一致区间：

一个常数同时解释三个相差 7 倍的比值。这只能是加性固定块——分词器效应是乘性的，乘一个数不可能让 4.871 和 0.697 同时落到 0.7 附近。

二、A 组：短单发改写（各 3 次）#

一句话改写，无系统提示、无工具、无缓存。

claude-fable-5-1   chars 158 / 185 / 142    out_tok 45 / 65 / 47    lat 3.5s
gpt-6-astra        chars  61 /  61 /  61    out_tok 14 / 14 / 14    lat 3.2s

6 次全部正确。astra 明显更简洁，而且确定性极高：3 次里 2 次输出逐字节相同，输出 token 每次恒为 14。

astra : "High server traffic caused slower-than-normal response times."

fable : "Because the server had high traffic, users experienced slower
         response times than usual."（外加一个更短的备选）

这一组的 0.377 是干净的简洁性证据，因为两边都全对。做分类、抽取、短改写这类流量，astra 的表现是实打实的优势——更短、更快、可复现。

三、B 组：约 18,700 token 规格文档 + 提问#

规格文档是程序生成的 300 条规则，每条规则的状态、阈值、严重度、保留天数都由下标唯一决定，所以标准答案可以独立推导，不依赖任何模型。

q0：列出符合双条件的规则 ID#

标准答案：i%5==3（DISPUTED）且 i%3==0（high）→ i%15==3 → 从 R003 起每隔 15 条，共 20 条。

两个模型都给出精确的 20 条，无遗漏无多余。这一格打平。

q1：最长保留期是多少，由哪条规则决定（各 6 次）#

标准答案：REVERSED 是 i%5==2，保留期 30+i%90，最大值在 i%90==87 时取到 → 117 天，由 R087 / R177 / R267 三条并列。

astra 每次都答对了 117 这个数值，但归属出错。而且问题比"答得不全"更严重——其中 2/6 给出的规则号是事实错误：

#1  "117 days, set by Rule R157"
#3  "117 days, set by Rule R157"

R157 的保留期是 30 + (157 % 90) = 97 天，不是 117。这不是漏了另外两条，是编了一条不成立的归属。

fable-5-1 每次都主动点明这是三路并列：

"Longest REVERSED retention: 117 days — and it's a three-way tie,
 not a single rule: R087 / R177 / R267"

字符数 astra 均值 113.8，fable 均值 813.8，比值 0.140。这个 0.140 是答少了，不是效率。

q2：带假前提的提问（各 6 次）#

题目措辞里刻意埋了一个假前提：「有两条规则会同时触发，是哪两条？」

按规格实际情况，delay=8h 时全部 60 条 SETTLED 规则都会触发。"两条"这个前提根本不成立。

fable-5-1 每次都开篇第一句就否定（在答案里的相对位置 0.0）：

"The premise doesn't hold: it's not two rules, it's sixty."

astra 的 5/6 直接以 "The two rules are:" 开头，顺着假前提作答，而且每次临时挑出不同的一对：

#0  R006 + R026
#1  R006 + R026
#2  R006 + R011
#3  R006 + R026
#4  R006 + R026

被挑中的规则的字段值本身都算对了（R006=36 天、R026=56 天、R011=41 天），错的是顺从了一个不成立的前提，并临时凑出一对来满足"两条"这个措辞。只有 1/6 在结尾补了一句 "These are not the only matches: all SETTLED rules fire at 8 hours"。

6/6 对 1/6，这是本轮差距最大的一项。 在 RAG、文档问答、客服这类用户提问本身可能带错误预设的场景里，这个差距的实际影响比 benchmark 分数大得多。

四、C 组：重推理调度题（各 13 次）#

8 个作业带依赖关系，5 个 worker，要求算出关键路径、最小 makespan，以及"减少哪一个作业的时长能把 makespan 压得最低"。

标准答案：关键路径 A→B→E→G→H = 21；5 worker 下最大并发只有 2，makespan 同为 21；最优单点优化是把 G 从 6 减到 2，makespan 降到 17。

astra 的失败模式一致且可读。它选择把 E 减 1 秒得到 makespan 20，并给出这样的断言：

"A reduction of more than 1 second in any one critical-path job cannot
 improve the makespan further, because the alternate path A→C→G→H has
 length 20 s."

这句断言是错的。 G 同时位于 A→B→E→G→H 和 A→C→G→H 两条长路径上，所以减 G 能同时压低这两条：G 减到 2 时，A→B→E→G→H = 17、A→C→G→H = 16、A→C→D→F→H = 17，makespan = 17。

astra 只盯着单条关键路径找瓶颈，漏掉了 G 是两条路径的共享节点。这是一个具体的、可复现的推理盲点，不是随机波动——13 次里失败的 3 次都是同一个模式。

这一组也是唯一 fable-5-1 更快的一组。

五、一个统一端点上的计量陷阱#

走 /v1/chat/completions 时：

claude-fable-5-1   completion_tokens = 2311 / 1990 / 2476
                   reasoning_tokens  = 0 / 0 / 0          ← 全为 0

gpt-6-astra        reasoning_tokens  = 534 / 740 / 776    ← 正常上报

同一个模型、同一道题，改走原生 /v1/messages：

claude-fable-5-1   output_tokens   = 2101
                   thinking_tokens = 1243                 ← 明确拆出

Claude 系模型的思考量在 OpenAI 兼容端点上被折进了 completion_tokens，而 reasoning_tokens 报 0。

这意味着：任何在统一端点上做跨模型输出量核算的系统，都会把 Claude 的思考量归错类——看起来 Claude"不思考"，实际上 1243 个思考 token 被混进了正文计数里。要拿到真实拆分，必须走原生端点。

六、这一轮不能证明什么#

写下来是因为这些边界比结论更容易被忽略：

不能证明 astra 整体能力更弱     —— 只测了 4 类任务，29 个判分项
不能证明 fable-5-1 不犯同类错误 —— 它本轮 29/29，但样本量有限
不能证明延迟差异来自模型本身   —— 两条上游路径不同，延迟不可归因
不能把输出 token 跨族相除       —— 分词器密度差 1.91 倍
不能把 B 组的字符比读成效率     —— 那里的简短主要来自答少了

其他限制：A 组 3 次采样、B-q0 只有 1 次采样，这两格结论强度低于 6 次和 13 次的那几格；四类负载是构造的，不等于真实流量分布；两个模型跑在不同上游路径上，这是本轮无法消除的结构性限制。

七、选型口径#

短任务、分类、抽取、改写 —— 选 astra。两边正确率相同，astra 输出字符 0.377 倍、更快、且确定性极高（输出恒定 14 token、逐字节可复现）。这类流量它是更好的选择。

需要完整枚举、并列项、归属准确 —— 选 fable-5-1。astra 在 q1 上 5/6 给出不完整归属，其中 2 次归属本身就是错的。

用户提问可能带错误预设（RAG / 文档问答 / 客服） —— 选 fable-5-1。6/6 对 1/6，差距最大的一项。

重推理、调度、路径优化 —— 选 fable-5-1。13/13 对 10/13，且 astra 在这一组反而更慢。

跨模型核算 —— 不要在统一端点上比 Claude 与非 Claude 的输出 token，分词器密度和思考量上报口径都不一致。

复现#

两个模型都在 Crazyrouter 上，走标准 OpenAI 兼容端点：

curl https://cn.crazyrouter.com/v1/chat/completions \
  -H "Authorization: Bearer $YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-astra",
    "max_tokens": 8000,
    "messages": [{"role": "user", "content": "..."}]
  }'

把 model 换成 claude-fable-5-1 即为对照组。C 组的调度题原文：

A distributed job queue has 5 workers. Each job has a duration and a dependency list.
Jobs: A(4s, deps=[]), B(3s, deps=[A]), C(7s, deps=[A]), D(2s, deps=[B,C]), E(5s, deps=[B]),
F(1s, deps=[D]), G(6s, deps=[C,E]), H(3s, deps=[F,G]).
Compute the critical path length, the minimum makespan with 5 workers, and identify which single
job's duration you would reduce (and by how much) to shorten the makespan the most.
Show the schedule as a table of (job, start, end, worker). Answer precisely.

判分标准：关键路径 21、makespan 21、最优单点优化到 17，三项数值全对才算通过。

需要注意，跑重复实验时每次请求都要加一个唯一 salt（比如时间戳），否则提示缓存会污染输入 token 的读数——本轮第一次拟合就因为这个拿到过斜率 −0.835 的废数据。

本文全部数据在 https://cn.crazyrouter.com/v1 上实测产出，两个模型均可直接调用。注册获取 API Key