GPT-6 Astra、ロボットの一方の課題で95%、もう一方で10%

RobocurveがOpenAIのGPT-6 AstraとAnthropicのClaude Fable 5.1を実機のロボットアームで動かし、結果は課題によってはっきり割れました。Astraは易しい課題を20回中19回成功しました。難しい課題では20回中2回で、Fable 5.1とまったく同じでした。RobocurveはAstraの結果を2026年9月4日に、Fable 5.1の結果をその前日に公開しています。

Robocurveはどちらの研究所でもない独立した評価者です。自らをPublic Benefit Corporationと説明し、Y Combinatorの支援を受けているとしています。

2つの課題と数値

両モデルは同じ装置を操作しました。両腕のI2RT YAMアーム、片腕あたり6自由度、平行グリッパ、カメラ3視点です。各モデルは課題ごとに20試行を行い、人間の採点者が5段階で評価しました。

1つ目の課題は、赤いブロックをボウルに入れることです。2つ目は、青いパズルピースを対応する溝にはめることです。

モデル	ブロック課題	パズル課題	ブロック課題の1回あたり費用
GPT-6 Astra	19/20	2/20	0.94ドル
Claude Fable 5.1	8/20	2/20	2.12ドル
Claude Fable 5	1/20	0/20	2.69ドル

Astraは速くもありました。ブロック課題では1回あたり平均2.5分で、Fable 5.1の6.8分、Fable 5の8.2分に対する数字です。

差が消えるところ

ブロックの数字は決定的に見えます。興味深いのはパズルの数字のほうです。

パズル課題では、現行の2モデルがどちらも20回中2回に落ち着きました。95%と40%が、同じ10%へ収束したわけです。易しい課題でモデルを分けていたものは、形を溝にはめる作業になった時点で効かなくなります。

これは見覚えのある形です。当サイトでは、Astraがハーネス次第でARC-AGI-3で99.9%にも62.7%にもなることを取り上げましたが、今回は同じ教訓が別の入口から来ています。1つの見出し用のパーセンテージは、モデルと同じくらい課題について語っています。

RobocurveのFable 5.1の記事は、広い主張ではなく狭い主張をしています。Fable 5.1は「reached later stages of both tasks than Fable 5, completed each task more often, and produced fewer output tokens doing it」とあります。

ハーネスはオープンソース

inspect-robotsという評価フレームワークは、MITライセンスでGitHubにあります。これは個々のスコアより重要です。

リポジトリには結果だけでなく、課題の定義と採点コードが入っています。モデルは定められたインターフェースで接続し、フレームワークは実行前に行動空間、観測空間、制御レートを検査します。各実行は、解決済みの設定、gitのリビジョン、パッケージのバージョンとともに記録されます。

つまり数値は再実行でき、異議も唱えられます。ほとんどのモデル比較では、これは成り立ちません。

これが開発者にとって意味すること

平均ではなく、課題ごとの数値を読んでください。もしRobocurveが両課題をまとめた1つの数字を出していたら、AstraはFable 5.1のおよそ2倍優秀に見えたはずです。実際に難しい課題では、両者は同じです。

物理世界に触れるエージェントの費用を見積もるなら、費用の列は成功率の列と同じだけ注目に値します。Astraはブロック課題を0.94ドルで回し、2.12ドルに対して安く、かつ優秀でした。Fable 5.1は今月キャッシュ読み取りの価格を大幅に下げており、こうした変更は評価のたびにこれらの数字を動かします。

自分で評価を作るつもりなら、書き始める前にこのハーネスをクローンしてください。多くの人が間違える部分、つまりポリシーと機体が行動空間について一致しているかの検証と、結果が出た正確なリビジョンの固定を、すでに扱っています。

そして20試行は、そのままの意味で受け取ってください。19と8を分けるには十分です。2と2を分けるには足りません。

続報：GPT-6 Astra、Amazon BedrockとGitHub Copilotで一般提供に