Gemini 4 Carbon、Claude Fable 5.2 和 GPT-6.2 Astra 怎么选?高难任务值得为谁多付钱

对比 Gemini 4 Carbon、Claude Fable 5.2 和 GPT-6.2 Astra 的官方价格、上下文与输出上限、推理强度设置、Google MKA 论文结果和 Artificial Analysis 单任务成本,再按任务类型做选择。

三艘木制划艇驶向同一个码头。两艘身后留下长长的划桨痕迹,中间那艘的桨叶是橙色,身后的痕迹很短。

在文件多、篇幅长的知识型工作上,想以最低成本接近 Claude Fable 5.2 的水平,Gemini 4 Carbon 是最便宜的选择。在 Google DeepMind 的 MKA 基准上,Fable 5.2 比 Carbon 高 2.22 分,但 Google 自己做的 bootstrap 检验无法把这个差距和随机噪声区分开;而 Fable 5.2 的单任务成本是 Carbon 的 6.26 倍(Carbon 按 12 月费率计)。面对 GPT-6.2 Astra,Carbon 的成本优势就不成立了。 在 Artificial Analysis 覆盖面更广的 Intelligence Index 上,High 档的 Astra 与 High 档的 Carbon 得分持平,成本约为 Carbon 现行费率下的一半,耗时也只有 Carbon 的一小部分。如果最后那几分质量比成本更重要,愿意承担约为 Carbon 5–6 倍的 MKA 单任务成本(Carbon 按 12 月费率计),就选 Fable 5.2。需要速度、看重每美元换来的分数,选 Astra。处理视觉信息密集的文档、超长上下文和长达数小时的 Agent 任务,选 Carbon。Carbon 的 token 费率将在 2026 年 12 月 1 日翻倍,做预算时请按新费率算。

本文对比截至 2026 年 11 月 19 日。文章由 Ofox 发布。三个模型里,Claude Fable 5.2 和 GPT-6.2 Astra 可以通过 Ofox 调用,Gemini 4 Carbon 不行。我们在 11 月 19 日检查了 Ofox 的 /v1/models 列表:共返回 137 个模型,其中有 anthropic/claude-fable-5.2 和 openai/gpt-6.2-astra,没有 gemini-4-carbon。因此下文的 Carbon 示例使用 Google 自己的 Gemini API。

每类证据都在出现的位置标明来源。文档事实来自各厂商当前的官方页面。基准结果来自 Google DeepMind 的 MKA 论文和 Artificial Analysis(AA),均于 11 月 19 日获取。我们的计算是对这些数字做的算术。我们的实测是通过 Ofox 发出的四次示例请求,不是基准测试。

比较之前先避开一个坑:表格里到底是哪几个版本?

目前流传的大多数发布图表,比较的模型版本和你今天能买到的并不是同一组:

来源与 Carbon 比较的模型未包含
Google 的 Carbon 模型卡(11 月 10 日)GPT-6 Astra、Claude Opus 5.5、Claude Fable 5.1Fable 5.2、GPT-6.2 Astra
Google DeepMind 的 MKA 技术论文(11 月 10 日)Claude Fable 5.2、Opus 5.5、GPT-6 AstraGPT-6.2 Astra
Anthropic 的 Fable 5.2 发布文(11 月 9 日)Fable 5.1、Opus 5.5、GPT-6 Astra、Gemini 4 CarbonGPT-6.2 Astra
Artificial Analysis MKA 排行榜(实时)三个当前版本都有—

GPT-6.2 Astra 于 11 月 17 日发布(OpenAI API 更新日志),比上面所有厂商表格都晚。标着“GPT-6 Astra”的分数不是 GPT-6.2 Astra 的分数。Carbon 模型卡上的“Fable 5.1”一栏,也说明不了 Fable 5.2 的情况。本文严格沿用每个来源印出的版本标签。三个当前模型在同一套评测框架下同时出现的,只有 Artificial Analysis。

上一代的对比见 Gemini 4 Argon、GPT-6 Astra 与 Claude Opus 基准指南 和 GPT-6 Astra 评测。如果你在 Fable 5.2 和 Anthropic 自家其他模型之间犹豫,可以读 Fable 5.2、5.1 与 Opus 5.5 对比。

统一口径下的官方价格

文档事实,Standard 档,单位为美元/百万 token,核验于 2026 年 11 月 19 日:

Gemini 4 CarbonClaude Fable 5.2GPT-6.2 Astra
模型 IDgemini-4-carbonclaude-fable-5-2gpt-6.2-astra
输入11 月 30 日前 $2.00;12 月 1 日起 $4.00$8.00$8.00
缓存输入(读取)$0.10;12 月 1 日起 $0.20(仅隐式缓存)$0.20(输入价的 2.5%)$0.40
输出(含思考)$10.00;12 月 1 日起 $20.00$40.00$40.00
折扣选项Batch、Flex 和 Priority 档(本文不列价格)Batch 五折;fast 模式更贵($16 / $80)后台窗口 2 小时减 30%、8 小时减 40%;Batch
长上下文加价无,整个 1M 窗口统一价格无,整个 1M 窗口按标准价输入超过 272K token 时,整个请求的输入和缓存价格翻倍,输出 ×1.5
免费档无无未列出

来源:Google 的 Carbon 价格说明和 Carbon 指南,Anthropic 的模型概览和 Fable 5.2 发布文,OpenAI 的 GPT-6.2 Astra 模型页和更新日志(均为英文)。Fable 和 Astra 的缓存写入另行计费,Google 也会按查询次数对 grounding 工具单独收费。Carbon 和 Argon 的调价细节见我们的 12 月调价指南。

输入在 272K token 以内时,Fable 5.2 和 GPT-6.2 Astra 的标价相同,所以两者的差别取决于各自消耗多少 token。超过这个长度后,Astra 的长上下文加价让它成为三者中单价最贵的一个。这一点对 256K–1M 的工作负载很重要,而这正是 Carbon 最擅长的区间。11 月 30 日前,Carbon 的标价是另外两家的四分之一;12 月 1 日起是二分之一。

我们的计算:同一个请求。 假设输入 50,000 token,其中 40,000 命中缓存,输出 6,000 token。不计缓存写入费用。Carbon 只提供隐式缓存,命中率没有保证。

未缓存输入缓存输入输出合计
Carbon(11 月费率)$0.020$0.004$0.060$0.084
Carbon(12 月费率)$0.040$0.008$0.120$0.168
Fable 5.2$0.080$0.008$0.240$0.328
GPT-6.2 Astra$0.080$0.016$0.240$0.336

这张表是全文参考价值最低的一张。实际使用中,三个模型做同一个任务时不会都只输出 6,000 token。在 Google 的 MKA 论文里,Fable 5.2 平均每个任务输出 378.9k token,Carbon 为 129.5k,GPT-6 Astra 为 42.0k。分词器也不同:在我们的实测里,同一段提示词在 Fable 5.2 上计为 301 个输入 token,在 GPT-6.2 Astra 上计为 212 个。单价决定费率,账单则取决于完成一个任务的总成本。如果要算包含重试和缓存规则的完整 Carbon 任务账本,请用我们的 Carbon 任务成本计算器。

限制、推理强度设置和接入渠道

文档事实:

Gemini 4 CarbonClaude Fable 5.2GPT-6.2 Astra
上下文窗口1,048,576 token,输入、思考和输出共用1M token1,050,000 token(输入上限 922,000)
单次响应输出上限同步调用 65,536;使用后台长解码时最多为 1M 减去输入长度128K128,000
推理强度设置thinking_level:low、medium(默认)、highoutput_config.effort:low 到 max,默认 high;自适应思考始终开启reasoning.effort(Chat Completions 中为 reasoning_effort);none 会被拒绝;模型页没有列出其他档位和默认值
输入模态文本、图像、音频、视频文本、图像(API 还支持 PDF)文本、图像
知识截止2026 年 3 月2026 年 6 月(可靠截止)2026 年 5 月 18 日
调用渠道Gemini API 付费档、Google AI Studio、Gemini for businessClaude API、Bedrock、Google Cloud、FoundryChat Completions、Responses(调用工具时必需)、Batch
Ofox 上可用(11 月 19 日核查)否是是

迁移前有几处细节要注意:

  • Carbon 的输出上限包含思考部分。 max_output_tokens 同时覆盖思考和回答。Google 建议至少设为 32,768 token,因为 Carbon 在思考上占用的额度比 Argon 更多。更长的输出需要 background: true。两种用法在我们的 Carbon API 接入教程里都有讲解。
  • Fable 5.2 无法关闭思考。 Anthropic 建议从 high 开始,最难的长时任务用 xhigh,max 留给测模型上限时使用。请求结构和历史消息处理见我们的 Fable 5.2 API 指南。
  • GPT-6.2 Astra 调用工具必须走 Responses API。 更新日志还提示了两处迁移变化:Responses 在历史消息被编辑后如何保留推理内容,以及如何处理顶层的 instructions 字段。

在 Ofox 上,Fable 5.2 模型页列出了 OpenAI 兼容协议和 Anthropic 协议。两个模型在 Ofox 上的当前价格以各自模型页和计费与价格文档为准,本文不再转述。

基准 1:Google DeepMind 的 MKA 论文(所谓“统计上打平”)

“Carbon 以六分之一的成本与 Fable 5.2 打平”(ties Fable 5.2 at a sixth of the cost)这个说法主要靠二手报道传播,一手来源是 MKA 技术论文。Google 的 MKA 博客文章只说 Carbon 排名 “#2 in quality”(质量第二),并且完成任务的成本 “at 6x lower cost on average”(平均成本只有第一名的六分之一)。

MKA 包含 10 个行业的 200 个非公开任务。每个任务都是多步骤项目,依托的是视觉信息密集的文件:图纸、原理图、扫描件和图表。所有模型都在同一个开源 Stirrup 框架里运行,上限 250 轮。论文的主要表格如下:

模型(按论文中的名称)Climb-WSR(± 95% CI)总体 WSR每任务输出 token轮数每任务耗时每任务 API 成本
Claude Fable 5.256.56 ± 3.6373.26378.9k128.883.2 分钟$35.28
Gemini 4 Carbon54.34 ± 3.2471.89129.5k46.629.2 分钟$5.63
Claude Opus 5.553.01 ± 3.5470.98208.8k91.433.8 分钟$10.29
GPT-6 Astra50.24 ± 3.2569.3442.0k29.018.5 分钟$6.03

论文对核心结论的表述是:在按任务配对的 bootstrap 检验下,Fable 5.2、Carbon 和 Opus 5.5 “are statistically indistinguishable on Climb-WSR”(在 Climb-WSR 上统计上无法区分)。Fable 5.2 比 Carbon 高 2.22 分,95% 区间为 −0.94 到 +5.49。Carbon 比 GPT-6 Astra 高 4.10 分,区间为 +1.00 到 +7.11,这个差距是显著的。6.26 倍的成本差来自 $35.28 ÷ $5.63,按论文的说法使用的是 “provider list prices at the time of writing”(撰写时的厂商标价)。论文没有说明 Carbon 用的是哪一档费率,但我们的算术指向 12 月费率:按 $4 / $20 计算,当 93.7% 的输入由缓存提供时(也就是论文所述 93.7%–97.7% 区间的下限),表 4 中 Carbon 的 token 数正好得出 $5.63。按 $2 / $10 计算,同样的 token 数在这个区间内无论缓存占比多少,都到不了 $5.63。按今天的 11 月费率,Carbon 的单任务成本大约减半,Fable 相对它的倍数则大约翻倍。

读这组数据时要记住四个局限:

  1. 每个模型每个任务只跑了一次,评分也只评一遍。论文说明,它的置信区间反映的是任务抽样带来的波动,不包括多次运行之间或评分器本身的波动。
  2. 基准由 Google 参与设计,而它自家模型排第二。 评分器不是 Google 的模型,人工抽查高权重评分项时,人工与评分器的一致率为 96.2%。这是有力的校验,但不等于独立复现。
  3. 论文测试的 OpenAI 模型是 GPT-6 Astra,不是 GPT-6.2 Astra。 论文没有提到 6.2。
  4. 统计上打平不保证结果相同。 它的意思是,这 200 个任务的样本无法排除真实差距为零的可能;同样也无法排除 Fable 领先 5 分的可能。

基准 2:Artificial Analysis 的 MKA 排行榜,现已加入 GPT-6.2 Astra

MKA 是 Google 和 Artificial Analysis 共同搭建的,公开排行榜由 AA 托管。对论文里的四个模型,AA 的 Climb WSR 分数与论文一致,精确到小数点后两位。所以应该把这个排行榜看作同一套评测扩展到了更新的模型上,而不是独立复现。AA 自己用的评分器是 medium 强度的 GPT-6 Luna,推理强度档位也写在每个模型的名称里。AA 按自己的口径估算成本和耗时,所以这两列和论文不同。获取于 2026 年 11 月 19 日:

模型与推理强度(AA 标签)MKA Climb WSR每任务成本每任务耗时
Claude Fable 5.2 (Max)56.6%$31.9857.1 分钟
Gemini 4 Carbon (High)54.3%$6.2929.0 分钟
Claude Opus 5.5 (Max)53.0%$10.2326.1 分钟
GPT-6.2 Astra (Max)52.7%$3.6721.8 分钟
GPT-6 Astra (Max)50.2%$6.2117.0 分钟

GPT-6.2 Astra 上榜后,有两点变化:

  • 按 AA 的数据,Fable 5.2 的成本约为 Carbon 的 5.1 倍($31.98 ÷ $6.29,我们的计算),而论文是 6.26 倍;两者的 Carbon 成本都是按 12 月费率算的。方向不变,倍数大小取决于各方怎样给同样的 token 用量定价。
  • GPT-6.2 Astra 现在是三者中 MKA 成本最低的,分数比 Carbon 低 1.7 分(52.67% 对 54.34%),成本约为 Carbon 在 AA 上成本的 58%。AA 不公布置信区间,论文又没有测试 6.2,所以这 1.7 分的差距是否真实存在,目前没有人给出结论。

复用 AA 的 Carbon 数据之前,先确认价格口径。AA 给 Carbon 定的价格是 $4 / $20,也就是 12 月费率。12 月 1 日 Carbon 的每一项 token 费率都正好翻倍,所以按今天的 $2 / $10,同样的 token 用量约为 每个 MKA 任务 $3.15(我们的计算:$6.29 ÷ 2)。也就是说,11 月 30 日之前,Carbon 略低于 GPT-6.2 Astra 的 $3.67;之后回到 $6.29。

11 月 18 日发布的 Gemini 4 Neon 在 Xhigh 强度下,在同一榜单上得分 56.5%,成本 $5.36。Neon 属于另一组对比,见 Gemini 4 Neon 与 Carbon 对比。

基准 3:覆盖面更广的 Artificial Analysis Intelligence Index

MKA 只衡量一类工作。AA 的 Intelligence Index v5.0.1 汇总了九项评测,涵盖知识型工作、编程、科学和常识。以下数值来自 AA 的模型页面,获取于 2026 年 11 月 19 日,成本按 AA 为每个模型列出的价格计算:

模型与推理强度Index 分数每个 Index 任务的成本每个 Index 任务的耗时
Claude Fable 5.2 (Max)64.6$26.5441.6 分钟
Claude Fable 5.2 (High,API 默认)61.8$9.0815.0 分钟
GPT-6.2 Astra (Max)62.1$4.0013.7 分钟
GPT-6.2 Astra (High)60.1$2.075.9 分钟
Gemini 4 Carbon (High)60.0$7.76(按 11 月费率约 $3.88)37.2 分钟
Gemini 4 Carbon (Medium,API 默认)58.3$6.59(按 11 月费率约 $3.29)29.6 分钟

减半后的 Carbon 数字是我们的计算,耗时一列由 AA 的秒数换算成分钟。在这组更广的评测里,Carbon 的成本优势反过来了。High 档的 GPT-6.2 Astra 与 High 档的 Carbon 得分持平(60.1 对 60.0),成本约为 Carbon 现行费率下的一半、AA 所用 12 月费率下的四分之一,耗时约为 Carbon 的六分之一(5.9 分钟对 37.2 分钟)。 AA 的 Carbon 页面还列出:首个回答 token 的等待时间为 73 秒,输出速度为每秒 55 个 token,并评价该模型 “notably slow per task and very verbose”(单任务明显偏慢,而且非常啰嗦)。按各厂商的默认档位比较,Fable 5.2 High(61.8)高于 Carbon Medium(58.3),每个任务成本为 $9.08,Carbon 按 12 月费率为 $6.59。OpenAI 没有公布 Astra 的默认推理强度,所以我们用 High 档比较。

厂商表格能补充什么,又在哪里不适用

三家第一方表格中,只有 Anthropic 的 Fable 5.2 发布文把 Fable 5.2 和 Carbon 放在同一张表里。表中 OpenAI 一栏是 GPT-6 Astra。除非另有说明,Anthropic 使用的是各模型的最高推理强度,并注明 Carbon 的 FrontierCode 分数是 Medium 强度下的结果。

基准(Anthropic 报告)Fable 5.2GPT-6 AstraGemini 4 Carbon
FrontierSWE v269.9%65.5%61.2%
AutomationBench51.4%41.4%53.9%
Terminal-Bench-Science 0.174.6%68.1%64.8%
AA-Briefcase v1.1(Elo)178515691611
Chartography(不使用工具)73.4%71.0%72.5%

Carbon 自己的模型卡补充了其他表格都没有的长上下文证据:在 256k 到 1M token 的 GraphWalks BFS 上,Google 报告 Carbon 为 96.2%,GPT-6 Astra 为 71.8%,Fable 5.1 为 65.0%。那里没有测 Fable 5.2,所以我们认为 Carbon 在长上下文上领先 Fable 5.2 是合理推测,但尚未验证。同一张模型卡还给出:Terminal-Bench 4.0(AA)上 Carbon 为 65.2%,GPT-6 Astra 为 59.1%,Fable 5.1 为 52.0%;SWE-sweep 上 Carbon 为 9.6%,另两者为 9.5% 和 2.9%。综合这些来源,Fable 5.2 在 Agent 编程和开放式研究上领先,Carbon 在业务流程和长篇视觉文档上最强。在 Anthropic 的表里,GPT-6 Astra 在 FrontierSWE v2 和 Terminal-Bench-Science 上胜过 Carbon,但在 AutomationBench、Chartography 和 Google 的长上下文测试上落后于 Carbon。

我们的示例实测:Fable 5.2 与 GPT-6.2 Astra(通过 Ofox)

我们想用自己的提示词看看 token 消耗的差别,于是在 2026 年 11 月 19 日跑了两个小任务。每个模型每个任务跑一次,提示词完全相同,通过 Ofox 的 OpenAI 兼容端点(https://api.ofox.ai/v1/chat/completions)调用,参数为 reasoning_effort: "high" 和 max_tokens: 32000。Ofox 不提供 Carbon,所以没有跑 Carbon。下表成本是把返回的用量套用各厂商官方标价算出来的,不是 Ofox 的实际扣费。

  • 任务 A,修代码: 一段 9 行的区间合并函数,有四处违反书面规格(修改了输入,保留了无效区间,漏掉首尾相接的区间,返回列表而不是元组)。我们用 505 个测试用例检查每个修正后的函数,包括是否修改输入和返回类型的检查。
  • 任务 B,计数题: 在五个约束条件下,计算七个项目的排列数,不允许写代码。暴力枚举的结果是 129。
任务模型结果输出 token(其中推理)实际耗时按标价计算的成本
AClaude Fable 5.24 处问题全部找到;测试通过1,037 (465)12.1 秒$0.044
AGPT-6.2 Astra4 处问题全部找到;测试通过201 (49)5.1 秒$0.010
BClaude Fable 5.2129,正确5,250 (4,419)44.7 秒$0.211
BGPT-6.2 Astra129,正确2,435 (1,916)29.8 秒$0.098

两个模型都完成了两个任务。Fable 5.2 的输出 token 分别是 Astra 的 5.2 倍和 2.2 倍,解释也更完整,任务 A 里还附了一个演算示例。Astra 的回答很简短。在标价相同的情况下,token 消耗的差别就是全部的成本差别。这与 AA 和 MKA 的 token 数据方向一致,但四次请求说明不了质量或稳定性。我们也没有核实 Ofox 在 OpenAI 兼容路由上如何把 reasoning_effort 映射到 Fable 的 effort 设置。原始请求、响应和校验脚本都和我们的报告文件一起存档。

想用一个 Key 复现这个测试,把 OpenAI 兼容客户端指向 Ofox,只改模型 ID 即可。接入细节见 Ofox 接入文档。

from openai import OpenAI

client = OpenAI(base_url="https://api.ofox.ai/v1", api_key="YOUR_OFOX_KEY")

for model in ["anthropic/claude-fable-5.2", "openai/gpt-6.2-astra"]:
    r = client.chat.completions.create(
        model=model,
        max_tokens=32000,
        reasoning_effort="high",
        messages=[{"role": "user", "content": "<your task>"}],
    )
    print(model, r.usage.completion_tokens, r.choices[0].message.content[:200])

Carbon 需要用 Gemini API Key 在 Google 原生 API 上测试。下面是文档中给出的 Interactions 调用方式:

from google import genai

client = genai.Client()
interaction = client.interactions.create(
    model="gemini-4-carbon",
    input="<your task>",
    generation_config={"thinking_level": "medium"},
)
print(interaction.output_text)

请求失败时,先把权限和配额错误与参数错误分开,再决定是否重试。Fable 方面,我们的 Fable 5.2 400 错误指南讲了思考和工具历史相关的错误。Astra 系列的模型 ID、401 和 token 上限错误,见 GPT-6 Astra 报错指南。Gemini 方面见 Gemini 4 API 报错。Ofox 路由上的重试和限流,见 Ofox 的错误处理指南和限流文档。

决策表:什么工作选哪个

你的情况选择理由(证据)需要注意
根据图纸、扫描件和图表写长报告、做幻灯片或审计Gemini 4 Carbon在 MKA 上与 Fable 5.2 统计上打平,单任务成本约为后者的 1/6(论文)到 1/5(AA),两者都按 Carbon 的 12 月费率计慢;12 月 1 日涨一倍;Ofox 上没有
256k–1M token 的输入,需要推理而不只是检索Gemini 4 CarbonGoogle 模型卡上 GraphWalks 256k–1M 为 96.2%那里没有测 Fable 5.2,请自行验证
跨 SaaS 工具的业务自动化Gemini 4 CarbonAutomationBench 53.9%,Fable 5.2 为 51.4%(Anthropic 报告)差距小,只有一个基准
最难的 Agent 编程、迁移、开放式研究,几分之差就很重要Claude Fable 5.2在 FrontierSWE v2、Terminal-Bench-Science 和 Max 档的 AA Index 上领先MKA 单任务成本是 Carbon 的 5–6 倍(Carbon 按 12 月费率计);Max 强度很慢
需要最高单项分数,成本次要Claude Fable 5.2(Xhigh/Max)AA Index 最高(64.6),MKA 得分也最高Max 档每个 Index 任务 $26.54;先试 High
安全研究默认权限下不选 Fable 5.2Anthropic 表示 Fable 5.2 的安全防护会拦下大部分网络安全任务;其 Mythos 5.2 需要通过 Cyber Verification Program 获得权限Google 也通过 Fairwind Program 向经过验证的防御方提供 Carbon;本文没有比较网络安全方面的结果
需要交互式响应或对延迟敏感的高难推理GPT-6.2 AstraAA 上三者中最快(High 档每个 Index 任务 5.9 分钟),同等分数下最便宜刚发布,独立评测还少;不支持音频和视频输入
需要一个 API Key 跨厂商调用,并能故障切换Ofox 上的 Fable 5.2 + GPT-6.2 Astra两者都可通过同一个端点调用Carbon 需要另开 Google 账号

各自的短板

  • Gemini 4 Carbon: 慢,而且输出冗长(每个 AA Index 任务 37.2 分钟,首个回答 token 要等 73 秒)。它在 Intelligence Index 上每美元换来的分数并不比 GPT-6.2 Astra 好。没有免费档,token 价格 12 月 1 日翻倍,知识截止时间(2026 年 3 月)是三者中最早的,而且 Ofox 上没有。
  • Claude Fable 5.2: 无论按论文还是 AA 的成本数据,它在 MKA 上完成每个任务的成本都远高于另外两个,因为它消耗的 token 多得多(每个 MKA 任务总计 40.48M token,Carbon 为 7.05M)。思考无法关闭,网络安全类工作大多被拦截。
  • GPT-6.2 Astra: 11 月 17 日才发布,所以大多数厂商表格只涵盖 GPT-6 Astra。它在 AA 的 MKA 排行榜上是三者中得分最低的,只接受文本和图像输入,调用工具需要 Responses API。

如何按自己的工作负载做决定

基准测试能缩小候选范围,最终要靠你自己的任务来定。挑 20–50 个能打分的真实任务,提示词保持一致,记录每次尝试的分数、总 token、实际耗时和按标价计算的成本,失败的尝试也要记。Carbon 分别跑 medium 和 high;Fable 5.2 先跑 high,再跑 xhigh;GPT-6.2 Astra 先跑 high,再跑 max。如果这个月测试 Carbon,成本要按 $2/$10 和 $4/$20 各算一遍,免得 11 月试用时定下的预算到 12 月就不够用。

如果两个模型的分数只差几分,而其中一个贵五倍,MKA 的数据说明这个差距可能只是噪声。想从更大的视角看三家的模型分层,可以读 Gemini 4、Claude 与 GPT 模型分层,以及低一档的 Gemini 4 Neon、Claude Opus 5.5 与 GPT-6.2 Sol 对比。

相关文档