同一个月里发三款旗舰：Anthropic 9月1日、OpenAI 9月3日、DeepSeek 9月10日。 把它们放在同一张表上——智能、分项能力、价格、速度、延迟，一次看完。
综合智能第一梯队，行业知识最稳
终端/电脑操作最强，输出最省
速度与价格的降维打击，开源权重
AA 智能指数 = Artificial Analysis Intelligence Index v4.3（2026年9月口径，各家 max effort 设置）。混合价格 = 缓存命中/输入/输出 = 7:2:1 的加权价。
AA 独立评测里两者只差 0.6 分（53.4 vs 52.8），都在 200 分制中排列前两位。选谁更像选风格：Astra 擅长终端、电脑操作和一次性写对（Terminal-Bench 4.0 59.1% vs 52.0%，GPQA 96.1% vs 93.7%）；Fable 5.1 擅长长链推理、科研与专业文档（HLE 59.1% vs 54.7%，SciCode 63.1% vs 56.5%，六项行业能力指数全部领先）。
V4.1 Flash 的混合成本约 $0.18/M，是前两者的 1/39；输出速度 209.8 t/s（3.5 倍），首字延迟 1.41 秒（快 150～240 倍），而且是 MIT 开源权重、可自部署。代价是智能指数落后约 13 分，知识类指标（AA-Omniscience -5.3）明显弱，答案也啰嗦得多。
Fable 5.1 要等 213 秒、GPT-6 Astra 要等 334 秒才有第一个字——这是 max effort 下长时间思考的结果。它们适合跑长任务、异步代理，不适合聊天式交互。要交互，用低 effort 档或直接用 DeepSeek。
| 项目 | Fable 5.1 | GPT-6 Astra | DeepSeek V4.1 Flash |
|---|---|---|---|
| 厂商 | Anthropic | OpenAI | DeepSeek |
| 发布日期 | 2026-09-01 | 2026-09-03 | 2026-09-10 |
| 模型类型 | 闭源 / 自适应推理（Adaptive，最高 max effort） | 闭源 / 推理模型（recurrent depth，最高 max effort） | 开源权重 MIT / MoE 推理（effort 1–100 连续可调） |
| 参数量 | 未公开 | 未公开（据称首个 10 万卡级预训练） | 552B 总参 / 8B 预填充、16B 解码激活 |
| 上下文窗口 | 1M tokens | 1M tokens | 1M tokens |
| 最大输出 | 128K tokens | 未公开 | 384K tokens |
| 知识截止 | 2026-06 | 2026-04 | 未公开 |
| 输入 / 输出 | 文本 + 图像 → 文本 | 文本 + 图像 → 文本 | 文本 + 图像 → 文本（原生视觉） |
| 缓存读取价 | $0.25 /M（比上代降 75%） | $1.00 /M | $0.006 /M（≈ 输入价 1/50） |
| API 提供商数 | 5 家 | 5 家 | 5 家（另可自部署） |
规格来自各家官方文档（DeepSeek API 定价页 / Anthropic 模型文档 / OpenAI 发布说明）与 Artificial Analysis 模型库，采集于 2026-09-15。
下面全部数字来自 Artificial Analysis 用统一硬件、统一测试集跑出来的结果（Intelligence Index v4.3），三家用的是同一把尺子——这是全网少有的可比数据。
| 能力方向 | Fable 5.1 | GPT-6 Astra | DeepSeek V4.1 Flash | 领先 |
|---|
分数为 Artificial Analysis 的行业能力指数（v1.1），满分 100。DeepSeek 的医疗健康项暂无数据。
按各家标准 API 价格计算，不含缓存命中优惠。DeepSeek 按峰时价（错峰减半）。
213s / 334s 的 TTFT 不是 bug，是 max effort 下模型先长思考再开口。这意味着：
每家都用自家最有利的 harness 和设置。下表的每一行都标了数据来自哪一家—— 这是本站想强调的重点：厂商自测分数不能当同一把尺子用。
| 测试项 | Fable 5.1 | GPT-6 Astra | DeepSeek V4.1 Flash | 数据来源 |
|---|---|---|---|---|
| GPQA Diamond | 93.7% | 96.0% | 90.9% | OpenAI / DeepSeek |
| Humanity's Last Exam（无工具） | 60.9% | — | 36.8% | Anthropic / DeepSeek |
| Humanity's Last Exam（带工具） | 65.0% | 57.2% | 63.9% | Anthropic / OpenAI / DeepSeek |
| FrontierMath Tier 4 | 87.8% | 97.6% | — | OpenAI |
| ARC-AGI-2 | 90.0% | 95.0% | — | OpenAI |
| Terminal-Bench 4.0（终端代理） | 55.8% | 57.9% | 31.2% | 三家各自 |
| Terminal-Bench Science 0.1 | 52.6% | 64.6% | — | OpenAI / Anthropic |
| DeepSWE v1.1（软件工程） | 67.4% | 74.1% | 74.2% | 三家各自 |
| OSWorld 2.0（电脑操作，partial） | 77.9% | 72.6% | — | Anthropic / OpenAI |
| AutomationBench（业务流程） | 31.4% | 41.4% | 54.8% | 三家各自 |
| BenchCAD（CAD 建模） | 84.3% | 95.9% | — | OpenAI |
| ExploitBench（漏洞利用） | — | 100% | — | OpenAI |
| Codeforces 积分 | — | — | 3471 | DeepSeek |
| GDPval-AA v2（知识工作） | 1853 | — | — | Anthropic |
| CursorBench 3.2.0（编程） | 73.4% | — | — | Anthropic |
有意思的对照：AutomationBench 上，DeepSeek 自测自己 54.8%、Opus-5 50.3%、GPT-5.6 Sol 45.8%； 而 OpenAI 测出来 Astra 41.4%、Fable 5.1 31.4%。同一道题，换个脚手架能差 20 分以上——所以"官方跑分"只能当参考。
代价：贵，且 max effort 下首字要等三分半；输出啰嗦。
代价：同样 $10/$50；TTFT 334 秒是三者最高；长文本召回（AA-LCR 80.7%）反而弱于两家。
代价：知识类（Omniscience -5.3）和术语密集型任务明显落后；非常啰嗦（2.53 亿 token）；医疗健康方向无评测数据。
统一硬件、统一测试集，Intelligence Index v4.3（2026年9月）。三家均取 max effort 档位。
本页数据采集于 2026-09-15。模型迭代很快，数字请以官方为准。