GPT-6 Astra vs Fable 5.1 實測比較：15 個真實工作任務，兩大模型誰更好用？
你正開著兩個分頁。一個是還沒讀完的簡報草稿，一個是還沒對完的報稅明細。你知道手上這兩個 AI 模型都能處理，但你只想丟一次——丟給那個「這次真的靠得住」的那個。問題是，你不知道是哪一個，而猜錯的代價，可能不只是重跑一次那麼簡單。
這正是頻道《Nate Herk | AI Automation》的作者每天在面對的處境。他把 OpenAI 陣營、透過 Codex 使用的新一代模型 GPT-6 Astra，和 Anthropic Claude 陣營的新版本 Fable 5.1，拿來對打了整整 15 個他自己日常真的會用到的任務——不是刷榜用的合成題目，是網頁設計、個人事務管理、報稅、瀏覽器操作、視覺辨識，以及實際搭建自動化與軟體這種會直接影響工作與收入的事。他自己說，光是為了搞清楚這件事，他已經燒掉三次 Codex 訂閱、四次 Claude 訂閱，加上數千美元的用量額度。這篇文章要整理的，就是這場 15 局實測裡，每一局到底發生了什麼。
做簡報和寫文案，兩個模型的「動作」完全不同
第一局，他請兩個模型做一份麥肯錫等級、要能對外提報的中小企業市場報告簡報，套用一個虛構的顧問品牌識別。他馬上注意到一個習慣差異：GPT-6 Astra 會先反問一堆釐清問題才開始做，Fable 5.1 則是拿到指令就直接跑。最後兩份簡報事實查核都沒問題，差別在呈現方式——Fable 的版本更有結構、更符合品牌識別、頁尾與配色一致，但文字量偏多，比較適合當「交出去的文件」而非「站上台講的簡報」；Astra 的版本文字精簡、比較適合現場口頭報告，但整體品牌感和結構感較弱。這一局他把票投給了 Fable。代價是：Fable 花了 37 分鐘、約 26 美元，Astra 只花 23 分鐘、約 12 美元——快了 14 分鐘，貴的部分卻只花了不到一半的錢。
第二局是幫一個認證課程寫銷售頁文案，兩邊都被要求自己去查作者的第二大腦、既有研究資料，不能只憑空編。Fable 寫出約 2,800 字的長文案，裡面塞了「這樣做真的能幫我找到工作嗎」「錯過直播課怎麼辦」這類直接回應潛在學員疑慮的問答段落，還有學費、師資、適合誰不適合誰的完整說明；Astra 的版本只有約 1,300 字，內容比較高層次、沒有把疑慮一一攤開。作者不是專業文案出身，但站在一個「正在考慮要不要付錢報名」的人的角度，他覺得 Fable 的版本更讓人安心，這局也給了 Fable。真正讓人愣住的是費用：Fable 只花了不到 4 美元，Astra 卻花了 143 美元——同一件事，貴了超過 30 倍，但輸出反而更單薄。
碰上報稅和一堆訂閱帳單，誰讓人更放心
第三局是本季報稅整理，牽涉個人真實財務資料，作者把畫面全部打了馬賽克，只講整體觀感。這次換 Astra 先問了大約七個釐清問題，Fable 直接動手；結果 Astra 交出的成品明顯更貼合實際狀況——月度結果、稅務預測、待處理事項、來源引用一應俱全，甚至附上多達 3,739 筆逐筆交易的完整帳本；Fable 給的是「符合哪種情況就這樣處理」的決策邏輯，同樣是水準之上，但沒那麼細。這局 Astra 贏，但代價是更貴也更慢：Astra 花了 40 分鐘、約 22 美元，Fable 花了 22 分鐘、約 13 美元。
第四局，他要求兩個模型翻遍兩個信箱裡多年的郵件，整理出正在付費的訂閱、有沒有漲價、有沒有該取消的重複項目。Fable 做出的 Google 試算表大致好用，但其中一個「所有扣款明細」的分頁竟然完全空白，等於漏做了一部分；Astra 除了正常呈現，還額外標出「折扣即將到期」「合約層級變動」「席次與工具重疊」這類更細緻的提醒。這局 Astra 贏，而且便宜非常多——Astra 約 12 美元、花 30 分鐘，Fable 花了約 50 美元、17 分鐘。
會議紀要與活動剪輯，比的是「感覺對不對」
第五局分析內部管理會議紀錄，找出最大的三個痛點與最值得先做的一個自動化。Fable 讀了 58 場會議，抓出「作者本人是唯一的生產與審核瓶頸」「認證課程無法規模化」等痛點，並提議建立學員自動化追蹤系統；Astra 讀了 79 場、多涵蓋 21 場會議，除了類似痛點，還額外點出「客戶旅程過度仰賴人工介入、團隊內部權責不清」這個 Fable 沒提到的問題。作者最後把這局給了 Astra，理由是那個關於「誰該負責什麼」的洞察打中了他。這一局的費用其實是全片最詭異的一段——Fable 這邊的帳單來到約 46 美元，但作者回頭查用量紀錄，發現實際可見的運算時間只有 6 分鐘，他自己都說搞不懂錢花到哪去了。
第六局，他把一場活動累積超過 150 GB 的錄影素材丟給兩個模型，只給一句模糊指示：剪一支 60 秒、有能量感的活動精華，用來宣傳下一場。兩邊的表現都讓他意外的好——Astra 更擅長挑選真實活動片段、營造臨場感；Fable 更擅長為下一場活動鋪陳期待感。兩邊都有小瑕疵：Fable 有幾處配音時間點沒對齊，Astra 則把一段畫面配錯了人名字卡。最後他把些微優勢給了 Astra，代價是 Astra 花 30 分鐘、16 美元，Fable 花了 50 分鐘、26 美元。
第七局是仿照一支他很喜歡的動態設計影片，做一支同風格的宣傳短片。Astra 直接進到真實課程平台截了實際畫面當素材、加上有層次的 3D 效果，整體能量感更強，他把這局也給了 Astra；花費上 Fable 較省（16 美元），Astra 較貴（26 美元），時間相近，他仍然選擇多花那點錢。
遊戲、SaaS 工具與看得懂螢幕的能力
第八局有點跳脫日常工作——請兩個模型各做一款小遊戲，玩家扮演一顆開心果、要在廚房裡闖關逃脫。兩款遊戲流程設計得出奇相似（爬抽屜、跳上書本、經過爐台、抵達水槽），物理效果都做得不錯。Fable 版本 43 秒過關，途中漏收了一顆穀片；Astra 版本 46 秒過關、收集齊全部道具，整體手感他覺得更細膩、更「高級」。這局主觀成分很高，他把票投給 Astra，同時 Astra 的花費也略低一些。
第九局是一個評估自動化表現的迷你 SaaS 工具——把自己的自動化跑一組標準測資，看分數、看哪裡壞掉、能重跑並產生報告。兩個模型都做出可用的成品，Fable 的介面資訊量偏大、稍嫌壓迫；Astra 的介面更簡潔、報表更像品牌化產品。最後 Astra 只花了 Fable 一半左右的成本，代價是跑得比較久（2 小時 25 分 vs 1 小時 20 分）。這局 Astra 贏。
第十局做的是把作者自己的知識庫（他稱之為「第二大腦」）視覺化成一張可互動的關係圖，裡面有六百多則筆記、兩千五百多條連結。Fable 做出的版本節點較大、瀏覽起來更直覺；Astra 的版本節點偏小、整體介面他覺得更讓人眼花。這局意外地由 Fable 拿下——他原本以為 Astra 會贏。花費上兩者相近，Fable 略便宜；時間上 Astra 花 40 分鐘，Fable 只花 24 分鐘。
第十一局，他把一支自己拍的教學影片丟給兩個模型，要求做成一份「讀完就像看完整支影片」的圖文教學文件，並要求擷取畫面。Astra 做出的頁面設計比較好看，但截圖數量少、標註較粗略；Fable 截了更多畫面、標註更細，對一個完全的新手來說更容易照著學。他把這局判給 Fable，即使 Astra 的花費明顯低上不少。
第十二局測的是視覺理解與瀏覽器操作能力——給一張參考畫作，要求模型自己打開 Canva、摸索工具、畫出類似的作品。Astra 順利完成，成品雖然稱不上完美，但看得出理解了畫面內容並實際操作了工具；Fable 的成品他形容為「慘不忍睹」，完全沒抓到重點。這局 Astra 幾乎沒有懸念地獲勝，花費也更低。
第十三局要求兩個模型自己操作瀏覽器，把新課程上架到線上社群平台的草稿區，包含說明文字、重點整理、影片檔案。Astra 完整完成前五筆課程，影片也順利上傳；Fable 版本排版稍微好看一點，卻卡在影片始終上傳失敗。他也提到，根據自己多次使用的經驗，GPT 陣營的模型（包含日常常用的 GPT-5.6 Sol）在瀏覽器操作這類任務上普遍比較穩定。這局 Astra 贏，花費與時間差距不大，Astra 略低。
15 局打完，比分背後藏著一個更重要的問題
第十四局，他請兩個模型分析一個他很喜歡的滾動式視覺網站，並依同樣的風格與手感，重新做一個給虛構的「Pork Farm」罐裝飲料品牌。Fable 的版本更貼近原網站的細節與流程，儘管出現滾動卡頓的小問題；Astra 的版本動畫更流暢、層次感更強，但整體偏離了原網站的具體感覺，也卡在頁面底部出不來。因為這次的指令本來就是「照著這個網站的感覺做」，他把這局判給 Fable——即便他坦言自己一般更偏好 Astra 的設計風格。
最後一局，他請兩個模型回顧自己 YouTube 頻道過去 12 個月的表現並提出策略建議。Fable 交出一份 25 頁、文字量較大的報告；Astra 交出 15 頁，圖表化程度更高，包含新舊觀眾比例、內容包裝建議、觀眾輪廓分析、未來 90 天行動計畫，讀起來更輕鬆。他把這局給了 Astra，代價是 Astra 花了大約 42 分鐘、花費落在 27 美元上下，比只花 17 分鐘的 Fable 慢也貴。
15 局打完，Astra 贏了 10 局，Fable 贏了 5 局。但如果只看比分，你會漏掉整支影片真正有意思的地方：把 15 局的時間與花費全部加總，Fable 總共跑了 9 小時 35 分 45 秒，合計花費 513.36 美元；Astra 總共跑了 11 小時 19 分 24 秒，合計花費 326.98 美元。也就是說，贏比較多局、也跑比較久的 Astra，總花費反而便宜了約 186 美元。而在單局裡，同一份文案，一個模型花不到 4 美元，另一個花了 143 美元——差距超過 30 倍，卻沒有人在事前能預料到。
這正是這場實測留下的真正提醒：贏家不是固定的，代價也不是線性的。 同一個模型，換一個任務類型，可能是全場最划算的選擇，也可能是全場最貴的意外。作者自己的結論也很誠實——他現在傾向日常更常用 Astra，一部分原因甚至只是訂閱方案的使用限制比較寬鬆；但他同時強調，像 GPT-5.6 Sol 這種非旗艦等級的模型，對他大部分的日常知識工作來說已經綽綽有餘，不是每件事都值得動用最貴的模型。他打算繼續同時保留多個訂閱、持續測試，因為情勢變化得太快，沒有一個模型能一直穩坐第一。
常見問題
Q1：GPT-6 Astra 和 Fable 5.1 分別是哪家公司的模型？
影片裡，GPT-6 Astra 是作者對 OpenAI 陣營、透過 Codex 使用的新一代模型的稱呼；Fable 5.1 則是 Anthropic Claude 陣營的新版本（作者在第一個案例中直接稱其為 Claude）。這是這位 YouTuber 自己實測時使用的稱呼方式，實際正式產品名稱、發布時程與功能範圍，請以 OpenAI、Anthropic 官方公告為準。
Q2：15 個任務裡，哪個模型整體贏得比較多？
依作者自己的評分，Astra 在 15 個任務中贏了 10 個，Fable 贏了 5 個。但把 15 個任務的時間與花費全部加總，Fable 總共花了 9 小時 35 分 45 秒、合計 513.36 美元；Astra 總共花了 11 小時 19 分 24 秒、合計 326.98 美元——贏比較多局的 Astra，總花費反而便宜了約 186 美元。
Q3：那是不是選比較便宜的那個模型就對了？
不一定。這次實測裡最違反直覺的一局，是同一份銷售文案，Fable 只花了不到 4 美元，Astra 卻花了 143 美元，但作者最後選的是比較便宜、內容也更完整的 Fable 版本。便宜不代表划算，划算要看這個任務本身值多少錢、做錯了要付出什麼代價。
Q4：這些花費和時間數字，可以直接套用在我自己的任務上嗎？
不行。這些數字是作者用自己的帳號、自己的提示詞，在同一段時間內跑出來的單次結果，不是官方跑分，換一個人、換一組提示詞、換一個時間點，結果都可能不同。它比較大的參考價值，是提醒你同一個任務丟給不同模型，花費可能差到 30 倍以上，而你不見得會事先發現。
Q5：如果我不想每次都重新猜一次該用哪個模型，有什麼辦法？
影片作者的做法是同時保留多個訂閱、持續實測比較，這需要花時間也花錢。如果你想要更省事的做法，是透過像 AI Token King 這樣能看到不同模型即時用量與花費的平台，把「這個任務該用哪個模型」變成一個看得到數字的決定，而不是憑印象猜。（提醒：文中 GPT-6 Astra、Fable 5.1 是原影片作者自己的稱呼方式，平台實際上架的模型清單、版本與名稱以你使用當下平台公告為準，不代表這兩個名稱已直接對應平台既有收錄，也不代表與 OpenAI、Anthropic 有官方合作關係。）
資料來源聲明
本文內容參考整理自 YouTube 頻道 Nate Herk | AI Automation 於 2026 年 9 月 6 日發布的影片《I Tested GPT-6 Astra vs Fable 5.1 on 15 Real Use Cases》。文中所有任務勝負判定、花費金額與花費時間，均為原影片作者之單次實測記錄，非官方跑分，也非逐字翻譯，為重新組織與論述後之整理；部分案例（如網站仿製案例）原影片未口述具體金額與時間數字，本文亦未自行補上。個別任務之花費與時間會因帳號、提示詞與時間點不同而有差異，實際請以你自己的實測結果或 OpenAI、Anthropic 官方公告為準。
延伸閱讀
立即行動
與其等到帳單出來才驚訝「這個任務怎麼花了 143 美元」，不如一開始就看得到每個模型的即時用量與花費。免費試用 AI Token King，把「這次任務該用哪個模型」從憑印象用猜的，變成一個看得到數字的決定。
留言