研究级数学题，两个模型的得分只差0.9个百分点，但每道题的花费差了三倍多。这个对比来自一个刚更新的基准测试。

测试的名字叫BrokenArXiv和ArXivMath，发布方公布了最新版本。和常见的数学基准不同，这批题目专门挑的是近一个月内被推翻的arXiv猜想——也就是说，模型面对的不是有标准答案的老题，而是刚被证伪的前沿问题。

打开网易新闻 查看精彩图片

分数很接近，账单差很远

根据公布的数据，GPT-6 Astra在这项基准上拿到88.6%，Fable 5.1拿到87.7%。前者领先，但幅度只有0.9个百分点。

真正的差距在成本一侧：GPT-6 Astra每道题花费3.63美元，Fable 5.1每道题花费12.77美元。换算下来，前者用不到后者三分之一的成本，跑出了略高的分数。

发布方的原话是"similar performance at less than one-third the cost"——相近的表现，不到三分之一的成本。

为什么这批题不一样

BrokenArXiv和ArXivMath这次做了两处调整。

第一处是题目来源。基准聚焦的是上个月在arXiv上被推翻的猜想。这类题目有个特点：它们在被证伪之前，是开放问题，没有现成解法可以检索。模型没法靠记忆训练数据里的答案过关。

第二处是执行方式。模型不再直接通过API调用，而是放在一个harness（测试框架）里运行。这个改动意味着评测环境更接近真实使用场景，而不是单次接口请求。

发布方对整体表现的评价是"performance remains impressive"，并确认GPT-6 Astra排在最前。

0.9个百分点能说明什么

单看分数，两个模型几乎打平。但把成本和分数放在一起看，结论会变。

如果一道题的成本是12.77美元，跑一千道题就是一万两千多美元；换成3.63美元，同样一千道题只要三千六百多美元。对于需要大规模跑基准、反复做消融实验的团队来说，这个差额不是小数。

反过来说，Fable 5.1在分数上并没有被拉开明显差距。它输的是性价比，不是能力上限。

这批数据也留下一个开放问题：当基准开始用"刚被推翻的猜想"出题，模型比拼的就不再是记住了多少，而是能不能在陌生问题上推理。在这个维度上，两个模型的差距被压缩到了1个百分点以内。

发布方没有解释成本差异的来源，也没有说明两个模型在解题路径上有什么不同。目前能确认的只有两组数字：88.6%对87.7%，3.63美元对12.77美元。