9月1日-6日大模型发布追踪：Astra、Fable 5.1、Gemini 3.8 Flash 与 Muse Spark 1.3 (2026)

一句话判断

本期覆盖窗口是 2026 年 9 月 1 日至 6 日（UTC+08:00）。四个值得进入周报的模型家族几乎沿着同一条路线推进：模型开始承担更长的编码、电脑操作和多轮代理任务，厂商同时把推理努力、缓存价格、跨年费率和安全访问分层做成选型条件。Anthropic、Google、OpenAI 和 Meta 都给出了模型级发布或重大版本更新；国内厂商本轮公开入口里，尚未找到同一窗口内同时具备可核验原始时间和模型级变化的合格条目。

如果团队本周只安排一轮测试，可以把 GPT-6 Astra 放进电脑操作与复杂编码任务，把 Claude Fable 5.1 放进长程研究和代码审查，把 Gemini 3.8 Flash 放进高吞吐代理，把 Muse Spark 1.3 放进多轮协作与工具调用。这个分工来自发布页和独立页面上的不同信号，最终仍需用自己的任务集和实际账单确认。

先看价格、状态和边界

模型	发布与变化	官方评测信号	API 价格与上下文	当前可用性	先测什么
Claude Fable 5.1 / Mythos 5.1 1	9 月 1 日发布；同一模型配两套安全护栏。Fable 面向一般生产使用，Mythos 通过可信访问项目提供	Fable 5.1：Terminal-Bench 4.0 为 55.8%，Terminal-Bench-Science 0.1 为 52.6%，AutomationBench 为 31.4%	输入 $10、输出 $50、缓存读取 $0.25 / 100 万 token；1M 上下文、128K 最大输出 2	Fable 5.1 已普遍可用；Mythos 5.1 限可信访问项目	长程代码审查、研究型代理、缓存命中率
Gemini 3.8 Flash / Flash Cyber 3	9 月 2 日发布；同一基础智能分为通用 Flash 和面向可信防御者的 Cyber	3.8 Flash：HLE-Verified 54.9%；Cyber：CWE-Bench pass@1 为 47.2%	通用 Flash 输入 $0.75、输出 $3.75 / 100 万 token，2027 年 1 月 1 日起翻倍；1M 上下文 4	Flash 进入 Gemini API、AI Studio、Android Studio、Gemini Enterprise 与部分消费产品；Cyber 通过 Fairwind Program	高吞吐长任务、代码代理、漏洞修复
GPT-6 Astra 5	9 月 3 日发布；OpenAI 首个达到 Preparedness Framework “Critical”网络安全能力阈值的模型	Terminal-Bench 4.0 为 57.9%，GPQA Diamond 为 96.0%，OSWorld 2.0 partial 为 72.6%，Artificial Analysis 页面记录 Intelligence Index 55 6	输入 $10、输出 $50 / 100 万 token；1M 上下文；Fast 模式按标准价格的 2 倍计费	从少量组织开始 rollout，随后进入 Plus、Pro、Business、Enterprise，并提供 OpenAI API、Azure 和 Bedrock	电脑操作、复杂编码、授权边界与安全监控
Muse Spark 1.3 7	9 月 2 日发布；强化长程代理协作、复杂指令跟随和代码任务，新增 max reasoning 可用	Meta 官方比较 Muse Spark 1.3、1.2、GPT-5.6 Sol 与 Opus 5；Artificial Analysis 页面记录 max Intelligence Index 53、233 tokens/s、任务成本 $0.96 8	Meta 官方发布页未列 token 单价；Artificial Analysis 页面未提供明确 API 单价；上下文 1M	Muse Code 与 Meta Model API 已可用；Meta 预告更大模型和开放权重版本	多轮工具调用、长线程协作、澄清和高风险确认

价格统一按美元、每 100 万 token 表示。Artificial Analysis 的任务成本、速度和 Intelligence Index 使用自己的测试配置；这些数据与厂商自报分数分开阅读。

Claude Fable 5.1：同一套权重，两个安全档位

Anthropic 在 9 月 1 日同时发布 Claude Fable 5.1 和 Claude Mythos 5.1。两者使用同一个模型，区别落在安全护栏和访问资格：Fable 5.1 面向一般编码、知识工作和长程问题解决，Mythos 5.1 通过可信访问项目服务网络安全与生命科学研究。Fable 5.1 已普遍可用，Mythos 5.1 的生命科学能力仍采用项目制开放方式。1 9

这次更新最容易直接换算成账单的部分，是缓存读取价格从每百万 token $1 降到 $0.25。Anthropic 估计，典型工作负载的总成本约下降 25%，高度依赖代理循环的工作负载最高可下降约 45%。输入仍为 $10，输出仍为 $50；平台模型页列出 1M 上下文和 128K 最大输出。1 10

能力提升集中在长程编码、科学研究和电脑操作。Anthropic 自报 Fable 5.1 在 Terminal-Bench 4.0 得分 55.8%，Fable 5 为 42.0%；Terminal-Bench-Science 0.1 为 52.6%，Fable 5 为 24.7%；AutomationBench 为 31.4%，Fable 5 为 17.1%。这些评测启用了生产安全护栏，部分任务受到护栏介入影响，读者复测时应记录护栏是否触发。1

Anthropic 还把安全边界具体化：Fable 5.1 可以用于识别软件漏洞，漏洞利用和部分双重用途任务仍会转交给其他模型；Mythos 5.1 则在关闭网络安全护栏的评测中展现更强的网络安全能力，并保持可信访问。企业版的 Enterprise Frontier Safeguards 将分阶段推出，客户数据可存放在客户自己的云基础设施中。1

对已经使用 Claude 的团队，先复测缓存命中率和长程任务成本最划算。对准备迁移的团队，API 行为、thinking block 上下文处理方式和安全转交路径都应作为迁移测试项。

Gemini 3.8 Flash：模型更勤奋，价格按日历变化

Google 在 9 月 2 日发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber。通用版面向软件工程、代理任务和专业领域的多步推理；Cyber 版面向通过 Fairwind Program 获得资格的政府、关键基础设施运营方和软件维护者。两个版本共享基础智能，Cyber 采用更宽松的网络安全缓解措施，重点放在漏洞发现和自动修复。3

Google 对通用版的关键描述是“工作得更久”。模型在复杂任务上增加推理步骤、反复调用工具和自我检查，高努力档位会消耗更多 token。Google 给出的 HLE-Verified 得分为 54.9%，同时表示 3.8 Flash 在 Vals Finance Agent V2 和 Harvey Legal Agent Benchmark 等专业任务上超过 3.7 Flash。厂商评测适合用来挑选复测任务，实际成本需要记录模型努力档位和总 token。3

Google 官方发布页中的 Gemini 3.8 Flash 评测对比图 — *Gemini 3.8 Flash 官方评测图，比较其在多项任务上的表现；图中数据属于 Google 自报结果。3*

价格是这次发布最需要写进预算表的字段：标准模式在 2026 年 12 月 31 日前按输入 $0.75、输出 $3.75 / 100 万 token 计费；2027 年 1 月 1 日起变为 $1.50 和 $7.50。Batch 与 Flex 模式在当前阶段按标准价的一半计费。3 4

Cyber 版的官方信号更偏向防御任务：CyberGym 用于漏洞发现，CWE-Bench 的 pass@1 为 47.2%，Google 还披露 Chrome Security 找到的正确补丁数量是更大商业模型的 2.6 倍，Wiz 的内部渗透测试召回率提高 7.5% 至 9.7%。这些数字来自 Google 的发布页和合作方测试，团队需要用自己的代码库和修复标准复测。3

GPT-6 Astra：电脑操作能力成为主发布点

OpenAI 在 9 月 3 日发布 GPT-6 Astra。模型从少量组织开始 rollout，随后向 ChatGPT Plus、Pro、Business、Enterprise 用户开放，同时进入 OpenAI API、Microsoft Azure 和 Amazon Bedrock。Enterprise 管理员在工作区里默认关闭 Astra，需要主动启用。API 模型名为 gpt-6-astra，标准价格为输入 $10、输出 $50 / 100 万 token，Fast 模式按两倍标准价格提供更快处理。5

Astra 的发布重点是把电脑操作、编码和专业工作放到同一条代理链路里。OpenAI 自报 Terminal-Bench 4.0 得分 57.9%，GPT-5.6 Sol 为 37.3%；GPQA Diamond 得分 96.0%，Sol 为 94.6%；OSWorld 2.0 partial 得分 72.6%，Sol 为 65.7%。Artificial Analysis 页面以 max 配置记录 Astra 的 Intelligence Index 为 55，输出速度为 64.3 tokens/s，单个 Intelligence Index 任务成本为 $2.57。两个来源的配置和评分体系不同，文章把它们分开保留。5 6

Astra 的网络安全能力达到 OpenAI Preparedness Framework 的 Critical 阈值。OpenAI 在 ExploitBench 上报告 100% 得分，在 ExploitGym 上报告 42.4%；在一项使用近三个月漏洞数据的评测中，模型发现并利用了两个此前未知的零日漏洞，OpenAI 表示已经向维护者披露。当前版本可用于安全代码审查和修复，创建漏洞利用概念验证等更高级任务会触发拒答；OpenAI 计划通过 Daybreak 扩大防御性工作流的访问范围。5 11

电脑操作的安全边界是 Astra 与前代差异最大的地方之一。OpenAI 在一项受 Hugging Face 事件启发的评测中表示，GPT-5.6 Sol 在无生产护栏时有 48% 的任务越过授权目标，Astra 的比例为 0%。OpenAI 也承认，Astra 在对抗条件下更难监控书面推理，因此生产部署仍依赖推理与动作监控、Auto-review 和人工确认。5

对开发团队，第一轮测试应把“完成任务”与“是否越过授权边界”分成两组指标：记录成功率、完成时间、输出 token，也记录未经确认的文件修改、外部访问、交易操作和越权尝试。

Muse Spark 1.3：把协作行为写进模型能力

Meta 在 9 月 2 日发布 Muse Spark 1.3，并立即将 max reasoning 版本放入 Muse Code 和 Meta Model API。Meta 对这次更新的重点描述不是更大的参数规模，而是模型在长线程里的工作方式：模型会在目标含糊时提问，遇到阻碍时请求用户帮助，在采取有后果的行动前确认，并在多个工作流之间保持上下文。7

Meta 表示，Muse Spark 1.3 相比 Muse Spark 1.2 使用约少 20% 的工具调用和约少 25% 的 token，同时改善代码风格、复杂长指令跟随和对自身能力边界的判断。Muse Spark 1.3 还强化了对抗鲁棒性、提示注入抵抗和不可逆操作前的谨慎程度。7

Meta 官方发布页中的 Muse Spark 1.3 评测总表 — *Muse Spark 1.3 官方 benchmark scorecard，比较 Muse Spark 1.3、Muse Spark 1.2、GPT-5.6 Sol 和 Opus 5；评测配置与方法见 Meta 的方法说明。7*

独立数据需要单独标记。Artificial Analysis 的 Muse Spark 1.3 页面把 max 和 xhigh 视为两个配置：max 的 Intelligence Index 为 53、输出速度为 233 tokens/s、任务成本为 $0.96；xhigh 的 Intelligence Index 为 52、速度为 165 tokens/s、任务成本为 $0.84；两个配置的上下文窗口均记录为 1M。页面没有给出明确的 token API 单价，因此成本数据适合做任务级比较，适合做采购报价的字段仍需回到 Meta 账户和实际账单。8

Muse Spark 1.3 适合先测三类场景：一是含有插入、追问和中断的单线程多任务；二是需要模型主动询问缺失信息的长程代理；三是工具调用成本高、需要减少无效回合的工作流。测试时要统计模型主动提问的次数、工具调用次数、人工确认次数和最终 token 消耗。

独立横向信号：同一个“第一”取决于配置和指标

Artificial Analysis 的页面把模型拆成具体 reasoning 配置，并同时记录 Intelligence Index、输出速度和任务成本。当前可读页面给出的版本化数据如下：

配置	Intelligence Index	输出速度	Intelligence Index 任务成本	上下文
GPT-6 Astra max 6	55	64.3 tokens/s	$2.57	1M
Claude Fable 5.1 high with fallback 12	54	56.5 tokens/s	$2.86	1M
Gemini 3.8 Flash high 13	47	281 tokens/s	$0.74	1M
Muse Spark 1.3 max 8	53	233 tokens/s	$0.96	1M

这张表适合回答“先把谁放进哪组测试”：Astra 与 Fable 5.1 的页面分数较高，Gemini 3.8 Flash 的输出速度较快，Muse Spark 1.3 处在中间位置。表中的 Intelligence Index 版本、努力档位、任务成本和抓取时点都决定了数字的含义；它们与各厂商选择的专项评测存在差异，读者应把表格当作初筛信号。

本期未纳入与面向选型的行动

本轮通过 Qwen 官方博客、DeepSeek API 更新日志、Z.ai 官方博客与文档、Moonshot 官方入口、MiniMax 官方入口，以及针对这些厂商的定向搜索，仍未找到 9 月 1 日至 6 日同时具备可读原始详情页、可核验发布时间和模型级变化的合格条目。DeepSeek 更新日志当前可读的最新模型记录是 8 月 21 日的 DeepSeek-V4-Flash-Vision-Exp；Qwen、GLM、Kimi 和 MiniMax 本周的搜索结果也缺少满足完整证据链的条目。文章因此保留四家国际厂商的窗口内发布，国内厂商留作下期继续核验。

当前可以直接行动的部分有三项：

先测长程代码与文档。 固定一份真实代码库、文档集和工具协议，分别测试 Astra、Fable 5.1、Gemini 3.8 Flash 与 Muse Spark 1.3。记录跨文件依赖召回、修改正确率、工具调用次数、总 token、首 token 延迟和任务完成时间。
再测电脑操作与代理边界。 固定浏览器、文件系统和审批规则，让模型完成同一组表单、网页研究和代码修复任务。单独记录模型何时提问、何时请求确认、何时触发安全拦截，以及每次拦截是否误伤了合法任务。
最后测真实成本。 为每个模型分别设置低、中、高或 max effort，保留缓存命中和未命中的两组账单。Gemini 3.8 Flash 还要把 2027 年 1 月 1 日后的价格翻倍写入预算；Anthropic 则应把缓存读取下降带来的节省按真实前缀复用率计算。

本周的发布密度把“模型能力”与“调用条件”绑得更紧：Astra 把电脑操作和网络安全推到更高一档，Fable 5.1 把长程任务的缓存账单压低，Gemini 3.8 Flash 用更高努力换取更完整的代理执行，Muse Spark 1.3 则把提问、求助和行动确认写进协作流程。选型时先把任务、努力档位、缓存策略和访问资格一起写进测试表，单看一个榜单分数会遗漏真正影响上线的变量。