每次有新的大型語言模型推出，大家最常問的都是同一個問題：它是不是比之前的模型更強？
但在 API Hop 的日常工作中，我們更在意另一件事：同樣要完成一項工作，新模型能不能做得更好、更快？要等多久？花多少錢？還需要人工修改嗎？
這次我們整理了 GPT-6 Astra、Claude Fable 5.1 和 Gemini 4 Carbon 的綜合能力評估、程式開發 Agent 數據、實際專案修復案例，以及長時間任務、寫作和網頁製作測試。
先看結論：不同任務，需要不同的評估方式
| 要做的事 | 評估重點 | 目前結果 |
|---|---|---|
| 修 Bug、修改現有程式碼 | 修復率、迴歸測試、修改範圍與完成任務的成本 | Fable 在一組 64 題測試中完成更多；Astra 費用較低 |
| 執行程式開發 Agent | 同一版本的 Agent 指數、費用與等待時間 | Carbon、Fable、Astra 的受測組合各有取捨 |
| 整理資料、交付報告或簡報 | 知識工作專項評估、事實準確度與人工修改量 | Fable 在我們核對的 AA-Briefcase 設定中得分最高 |
| 長時間自主研究 | 最終成果驗收、能否發現錯誤、能否準時交付 | 公開長任務案例顯示，持續執行很久和交付合格成果是兩回事 |
| 寫文章、製作到達網頁 | 結構、品牌一致性、功能與修改時間 | 已有 Astra/Fable 的實際案例；Carbon 的一般中文行銷工作流程仍需補測 |
我們的結論是：不同模型在不同的業務情境中，表現也會不同。
三款模型的基本資訊
先看看官方提供的基本資訊。
| 項目 | GPT-6 Astra | Claude Fable 5.1 | Gemini 4 Carbon |
|---|---|---|---|
| 官方模型名稱 | GPT-6 Astra | Claude Fable 5.1 | Gemini 4 Carbon |
| 上下文長度 | 1M tokens | 1M tokens | 1M tokens |
| 最大輸出 | 128,000 tokens | 128,000 tokens | 1,048,576 tokens |
有一點很容易被忽略：模型本身和使用模型的工具不是同一回事。以同一個程式開發任務為例，讓模型透過 Codex、Claude Code 或 Antigravity CLI 工作，檔案讀取、指令執行、上下文管理和重試行為都可能不同。最後看到的，其實是「模型 + 工具 + 設定」的整體結果。
如果只是請模型潤飾一段文章，差別可能不明顯；但若要讓它在大型程式碼儲存庫裡工作好幾個小時，工具環境往往就很重要。
綜合能力比較：Carbon 得分最高，但不代表每種任務都穩贏
先看同一版本的綜合評估。
| 模型與設定 | 綜合指數（越高越好） | 加權每任務 API 成本（越低越好） |
|---|---|---|
| Gemini 4 Carbon（high） | 59 | $7.76 |
| GPT-6 Astra（max） | 57 | $6.24 |
| Claude Fable 5.1（max，default fallback） | 49 | $12.99 |
Artificial Analysis Intelligence Index v5.0 · 越高越好 · 橫條從 0 開始，滿刻度為 60；不是百分比。
- Carbon · high59
- Astra · max57
- Fable 5.1 · max / default fallback49
Carbon 在這個版本的綜合指數中領先。Google 的新模型確實值得關注，尤其是在複雜推理、知識和科學任務上。
Astra 在這組任務中的平均 API 成本，低於另外兩款模型所列的設定。
Fable 的綜合分數較低，不代表它在所有工作上都比較弱。下面的知識工作專項測試，就呈現了不同的結果。
寫程式怎麼選？我們更在意修補品質與實際花費
先看程式開發 Agent 的同版數據
日常開發通常是在既有程式碼儲存庫中實作需求、修正 Bug，並提交成果。因此，我們也參考程式開發 Agent 的評估。
| 模型 + 工具組合 | Agent 指數 | 平均每任務 API 費用 | 平均每任務執行時間 |
|---|---|---|---|
| Carbon high + Antigravity CLI | 59 | $7.74 | 29.8 分鐘 |
| Fable 5.1 max/default fallback + Claude Code | 58 | $11.53 | 35.3 分鐘 |
| Astra max + Codex | 55 | $7.04 | 24.8 分鐘 |
同版程式開發 Agent 評估 · 單位：分鐘 · 越低越好 · 刻度 0–40；分數與費用請見上表。
- Carbon high + Antigravity CLI29.8 分鐘
- Fable 5.1 max / default fallback + Claude Code35.3 分鐘
- Astra max + Codex24.8 分鐘
Carbon 的組合分數較高；Astra + Codex 在這組數據中速度更快，平均 API 費用也較低；Fable + Claude Code 的分數介於兩者之間，但費用和耗時都較高。
64 道程式題：Fable 完成更多，帳單也更高
比起只看綜合分數，我們覺得 imec/aistack 的測試更貼近開發者在意的問題：Bug 修好了嗎？需求完成了嗎？花了多少錢？
| 指標 | Astra + Codex | Fable 5.1 + Claude Code |
|---|---|---|
| 解決任務數 | 34 / 64 | 51 / 64 |
| 任務解決比例（我們依數量計算） | 53.1% | 79.7% |
| 64 題總費用 | 約 €53 | 約 €121 |
| 每個已解決任務的平均成本 | 約 €1.56 | 約 €2.37 |
imec/aistack · 同一組 64 道程式題 · 橫條表示完成數量，刻度 0–64。
- Astra + Codex34 / 64 · 53.1%
- Fable 5.1 + Claude Code51 / 64 · 79.7%
這組結果很有意思：Fable 多解決了 17 道題，總費用多了約 €68。如果專案很重視難題的完成率，多解決這 17 道題可能比省錢更重要；如果每天要處理大量簡單任務，成本和速度又會成為更重要的考量。
同一個 Gradle Bug：兩者都修好了，為什麼開發者更想合併 Fable 的版本？
還有一個規模較小、卻很貼近日常開發的案例。
我們看到 Gradle 的工程部落格讓兩個 Agent 修復同一個文件設定問題，使用相同的儲存庫和任務限制。結果是：兩者都通過了。
| 指標 | Astra + Codex | Fable 5.1 + Claude Code |
|---|---|---|
| 修復結果 | PASS | PASS |
| 耗時 | 12 分 03 秒 | 14 分 21 秒 |
| API 費用 | $3.54 | $4.34 |
| 是否新增迴歸測試 | 否 | 是 |
為什麼開發者最後更想合併 Fable 的修改？我們核對了差異：Fable 調整的設定範圍更精確，寫法也更貼近儲存庫原有的風格，而且補上了迴歸測試。Astra 的修改能解決眼前的問題，但設定範圍較廣，未來新增同類物件時可能產生意外影響。
比起「誰快兩分鐘完成」，我們認為這個案例更值得注意的是：完成任務只是基本要求，還要檢查修改範圍是否過大、有沒有迴歸測試，以及後續是否容易維護。
程式碼審查時，推理越多不一定越好
我們在介紹其他模型時已經多次提過這一點；在自己的開發過程中，也深刻體會到更多推理不一定帶來更好的結果。
| Fable 5.1 審查設定 | 已知問題召回率 | 評論精確率 | 每項平均耗時 |
|---|---|---|---|
| Low | 61.0% | 37.3% | 18 分 38 秒 |
| High | 57.1% | 36.4% | 21 分 36 秒 |
在這套程式碼審查流程中，High 更慢，整體指標也沒有比較好。所以，不要看到參數寫著 High、Max，就認定值得多花時間和費用。實際效果仍要放進自己的業務情境中測試。
研究與資料工作：能執行並產生結果，不代表成果有用
換成知識工作專項測試，Fable 的排名反過來了
換一種任務，看看結果是否也會改變。
| 模型與設定 | AA-Briefcase 分數 |
|---|---|
| Fable 5.1 max/default fallback | 1669 Elo |
| Carbon high | 1609 Elo |
| Astra max | 1568 Elo |
這正是我們不建議只看一張綜合排行榜的原因：同一批模型，換成知識工作任務，相對排名就變了。
如果你要整理客戶研究、撰寫報告或製作工作資料，可以優先試用 Fable。
研究預算達到 $10,000，成果仍可能遭到退稿
CRUX 做過一項很值得參考的長任務評估：將未發表論文中的研究問題交給 Astra 和 Fable 5.1，提供 $10,000 的研究預算，最後由原研究作者審閱產出的論文。
我們看到，兩款模型在實驗設計和資源運用上有所進步，但兩篇最終論文都被專家明確拒稿。研究團隊指出的問題涉及研究判斷、創新、溝通，以及失敗後如何調整方向。需要注意的是，兩款模型處理的研究問題不同，因此不能直接拿最終評分當成公平的二選一比較。CRUX 研究報告
我們認為，這對實際使用 AI 做研究很有參考價值。
例如，請模型研究某個 SaaS 競爭產品時，我們真正需要的不只是 20 頁文字，還要知道：引用的價格是否正確、功能是否為最新版本、流量來自哪些管道，以及最近推出的功能是否值得參考。
工作時間拉長可以增加輸出量，卻不會自動保證方向正確，最後也可能只產出一大堆用不上的內容。我們應該先寫清楚需求，再請模型依照指定架構補充內容，讓整體過程更容易掌握。
Carbon 的五小時長任務，也遇到了交付問題
FrontierCS 的評測讓模型每項任務最多執行五小時，要求補回論文實作中被移除的方法，或提交更好的方法。
| 指標 | Gemini 4 Carbon | Gemini 4 Argon |
|---|---|---|
| 通過任務數 | 24 / 48 | 26 / 48 |
| 平均每次執行費用 | $36.90 | $19.52 |
| 執行時間中位數 | 3.2 小時 | 2.4 小時 |
在這項第三方測試中，有幾次執行因為 Agent 處理背景任務的方式，還沒提交成果就提早結束了。
在兩者都有提交成果的任務上，Carbon 的平均分數較高。這裡要提醒的是：能執行好幾個小時的 Agent，仍可能誤判目標，或沒能完成最後的交付。
寫文章、做網站：公開案例能告訴我們什麼？
同一份資料：Fable 的結構更好，Astra 的工作流程更快
我們在研究工作中，曾將同一份 20 頁資料的 PDF 分別交給 Fable 5.1 和 Astra，請它們整理成長文。
Fable 的開頭和文章結構更符合我們的偏好，條理清楚、邏輯嚴謹，但 Astra 完成整個流程的速度更快。
我們建議，使用模型寫文章前，先準備整理好的資料，或至少確定大致的大綱與結構，才有辦法判斷輸出是否符合需求。
網頁製作：分數不能直接當成流量或轉換成果
WebDev Arena 在 2026 年 10 月 27 日的頁面快照中列出以下分數：
| 模型設定 | WebDev Arena 分數 |
|---|---|
| Astra Max | 1773 ± 10 |
| Carbon High | 1768 ± 15（初步結果，Preliminary） |
| Fable 5.1 Max | 1746 ± 9 |
網頁製作其實結合了程式開發、文章撰寫與搜尋引擎規範等多種工作。因此，雖然我們列出 WebDev Arena 的分數供參考，但根據 API Hop 豐富的網頁製作經驗，我們推薦的搭配是：Fable 規劃文章 + Astra 開發。
價格比較：相同的 Token 單價，不同的最終帳單
我們經常看到一種比較方式：只看每百萬 token 的單價，誰低就選誰。單價當然重要，但對於包含多輪推理、工具呼叫和重試的複雜任務，單憑這個數字判斷誰比較便宜並不合理。
先看官方一般 API 費率
下表單位為 美元 / 百萬 tokens，不是 API Hop 平台售價。
| 計費項目 | Astra | Fable 5.1 | Carbon 推出初期 | Carbon 後續標準價 |
|---|---|---|---|---|
| 非快取輸入 | $10 | $10 | $2 | $4 |
| 輸出 | $50 | $50 | $10 | $20 |
| 快取讀取 | $1 | $0.25 | $0.10 | $0.20 |
另外有兩個容易影響帳單的細節：
- Astra：單次請求的輸入超過 272K tokens 時，整筆請求的輸入與快取費率按 2 倍、輸出按 1.5 倍計價，不是只有超出門檻的部分加價。
- Fable 5.1：官方表示，1M 上下文採用標準輸入與輸出費率；快取寫入另有費用，並依保留時間而異。
如果長期把大型儲存庫、長篇資料或大量對話紀錄放進上下文，就要特別留意這些規則，以免帳單超出預期。
固定用量的計算範例
假設某筆請求剛好使用 100,000 個非快取輸入 tokens，並產生 10,000 個計費輸出 tokens。先不計入工具費、快取寫入費、重試和特殊方案價格。
| 模型與計價階段 | 輸入成本 | 輸出成本 | 合計 |
|---|---|---|---|
| Astra | $1.00 | $0.50 | $1.50 |
| Fable 5.1 | $1.00 | $0.50 | $1.50 |
| Carbon 推出初期 | $0.20 | $0.10 | $0.30 |
| Carbon 後續標準價 | $0.40 | $0.20 | $0.60 |
100,000 輸入 + 10,000 計費輸出 tokens · 美元 · 刻度 $0–$1.50；依上表官方費率計算，不是實測帳單或平台售價。
- Astra$1.50
- Fable 5.1$1.50
- Carbon · 推出初期$0.30
- Carbon · 後續標準價$0.60
這張表的算法很簡單：輸入 tokens / 1,000,000 × 輸入單價 + 輸出 tokens / 1,000,000 × 輸出單價。
這裡為了計算而固定 token 數量，但實際執行時，不同模型可能產生不同長度的推理和輸出，也可能重試不同次數。
「每個合格成果的成本」是更好的評估標準
如果任務有清楚的範圍和驗收條件，可以這樣計算：
每個合格成果的平均成本 = 所有執行的 API 與工具費用 ÷ 通過驗收的任務數量
這裡的全部費用要包含失敗和重試。接著，另外記錄每個成功結果需要多少人工修改時間。如果某款模型便宜 $2，卻要多花半小時修改，最後的選擇可能完全不同。
API Hop 的模型頁面會列出平台價格和官方參考價格。我們建議分開查看，並以實際結算規則為準；平台價格不等於官方 API 價格。API Hop Astra 頁面 · API Hop Fable 頁面 · API 比較頁
我們會如何用自己的任務驗證這三款模型？
我們建議把實際工作拆成幾個有明確驗收條件的小任務，先從一個小 Bug 或小需求開始測試。
為了讓過程可以重現，我們會先準備以下三類任務。這是測試計畫，不是已完成的實驗結果。
| 任務 | 統一提供的資料 | 驗收條件 |
|---|---|---|
| 寫一篇給一般讀者看的文章 | 同一份事實表、訪談紀錄與風格要求 | 不捏造事實、不遺漏重點，並記錄修改時間 |
| 修改一個產品到達網頁 | 同一份初始程式碼、品牌限制與三個明確修改需求 | 功能正常、手機可用、不破壞原有品牌與業務邏輯 |
| 修復一個跨檔案 Bug | 同一個儲存庫版本、重現步驟與獨立測試 | 修復問題、不產生迴歸問題，並提供實際執行的測試紀錄 |
每個可使用的模型，每類任務各執行三次。Astra 和 Fable 可以先完成一輪；在尚未確認 Carbon 有可重現的公開測試管道之前，我們會把相關結果留白，絕不以 Argon 代替 Carbon。
為了讓數據有意義，我們會固定資料版本、任務說明、時間與預算上限。每次使用新對話，記錄精確的模型 ID、推理設定、工具版本、是否發生回退、費用、耗時和最終成果。寫文章時重點統計事實錯誤與人工修改量；修 Bug 時則看測試和修改範圍。
如果你也想比較文字任務，可以從這個簡單範本開始：
請根據下面的事實資料，為一般讀者寫一篇容易理解的文章。
讀者：第一次接觸這個問題的人
任務：說明問題、提供可行的方案，並解釋適用條件
必須涵蓋：[列出 3—5 個重點]
禁止事項：加入資料中沒有的數據、捏造測試經驗、誇大結論
輸出：文章正文、對應的事實來源、仍需確認的資訊
資料：
[貼上同一份資料]有一條原則很重要：不要只留下最好看的一次輸出。失敗的任務、重複呼叫與人工補救，都是實際使用模型時會發生的成本。
常見問題
現在所有人都能使用 Gemini 4 Carbon 嗎？
截至 2026 年 10 月 30 日，不能這樣理解。Google 表示會先開放給部分網路防禦機構，再逐步擴展至受信任的合作夥伴。研究機構已經進行測試，不代表所有開發者都有一般公開 API 的使用權限。我們會依官方開放進度與平台實際模型目錄更新說明。Google 官方公告
Astra 和 Fable 的輸入、輸出單價相同，為什麼任務費用可能差很多？
因為模型使用的 token 數量、快取命中、推理強度、工具呼叫次數與重試次數不一樣。即使兩款都標示每百萬 tokens 輸入 $10、輸出 $50，也不能保證修同一個 Bug 的費用相同。Gradle 案例中的帳單分別是 $3.54 和 $4.34。Gradle 實測
Fable 5.1 的 Max 一定比低推理強度更好嗎？
我們沒有看到足以支持這種絕對說法的證據。CodeRabbit 對同一批程式碼審查任務的測試反而發現，高推理設定更慢，整體召回率也更低。我們建議先使用能滿足驗收條件的設定，再判斷是否值得提高推理強度。CodeRabbit 實測
哪款模型更適合中文長文？
目前我們不打算給出確定的三方排名。已有寫作案例和知識工作基準，但還不是採用相同資料、相同環境與相同中文寫作標準的三方實測。我們建議使用同一份中文資料，比較事實準確度、結構、語氣與修改時間。
為什麼不同評測網站的排名不一樣？
因為任務集、評分方式、推理設定、Agent 工具與計費口徑可能不同。綜合知識測試、修復真實儲存庫、整理業務文件，本來就不是同一種工作。我們建議至少確認榜單版本、測試日期、模型設定與通過條件，再決定是否採用結論。
可以在 API Hop 直接讓三款模型做同題比較嗎？
可以先從 API Hop 目前列出的 GPT-6 Astra、Claude Fable 5.1 和模型目錄，核對實際可用的模型及價格，再用同一份文字任務比較輸出。我們目前不宣稱一般帳號能直接呼叫 Carbon。此外，線上文字工具不等於具備執行程式碼、上傳檔案或瀏覽網頁能力的完整 Agent 環境；比較程式開發 Agent 時，要另外確認工具能力。
最後，我們會怎麼選？
把這些公開數據放在一起後，我們的選擇方式反而更簡單了。
如果要在既有儲存庫中修 Bug，我們會優先讓 Astra 和 Fable 在自己的專案裡做同題測試，檢查完成情況、迴歸測試與後續維護成本，而不只看誰先產生程式碼。
如果要整理資料、寫報告或做長期研究，我們會更關注 Fable 在知識工作上的表現，也會把 Carbon 的新評估列為後續測試方向；但無論哪一款，都需要事實查核與明確的成果驗收。
如果要持續產出文章或到達網頁，我們會先衡量是否符合內容需求，以及每篇需要多少修改時間，而不是靠綜合能力排行榜決定整套內容流程。
我們認為最實用的比較公式是：成果是否合格 + 全部費用 + 等待時間 + 人工修改量。
如果你想先用一個真實的文字任務試試，API Hop 提供 Astra 和 Fable 5.1 的模型說明、定價與試用入口，也可以透過 API 比較頁面 查看目前的型號與條件。我們提供模型服務，但本文引用的第三方測試不是 API Hop 自行完成的實驗；我們會保留來源與測試限制，讓讀者自行判斷。
資料來源與更新紀錄
資料核對日期：2026-10-29。本文引用的是當時可查詢的榜單版本；價格、模型權限與評估結果可能改變。之後若有新的官方開放資訊或可重現的自有測試，我們會分別記錄變更，不會用新數據悄悄覆蓋舊的測試條件。
官方模型與價格
- OpenAI：GPT-6 Astra 模型規格與計費
- Anthropic：Claude Fable 5.1 官方模型頁
- Google：Introducing Gemini 4 Carbon，2026-10-28
獨立評測與案例
- Artificial Analysis：Carbon 在 Intelligence Index v5.0 的結果
- Artificial Analysis：Astra 與 Fable 的綜合能力／知識工作比較
- Artificial Analysis：Antigravity CLI 與 Codex
- Artificial Analysis：Claude Code 與 Codex（包含 Fable 5.1 版本結果）
- imec/aistack：64 個程式開發任務與實際帳單
- Gradle 工程部落格：同一個文件 Bug 的兩種修法
- CodeRabbit：Fable 5.1 程式碼審查實測
- CRUX：Astra 與 Fable 的開放式研究任務
- FrontierCS：Gemini 4 Carbon 五小時研究程式任務
- Aaron Makelky：Astra 與 Fable 的寫作／網站製作體驗
- WebDev Arena：網頁製作排行榜
編輯說明：文中的「我們」代表 API Hop 團隊的資料核對、分析與使用建議，不代表已親自重做第三方實驗。所有費用計算範例都明確列出假設；不同評估體系的分數與費用不會直接相加或換算。