AA 指数把 Fable 5.1 与 GPT-6 Astra 排到同分，唐杰回应 GLM 5.3 的思考效率问题

9 月 7 日至 8 日，唐杰在 X 上出现两条与模型表现有关的新动态：Artificial Analysis 更新 Intelligence Index 后，Claude Fable 5.1 与 GPT-6 Astra 同为 53 分；面对用户对 GLM 5.3 思考过程偏长、token 效率偏低的反馈，唐杰回复称会在下一代模型中尝试修复。前一条讨论当前版本的测量结果，后一条指向尚未发布的后续版本。

北京时间 9 月 8 日 13:33，唐杰转发了自己的判断：“Updated AA index... Now Fable 5.1 and GPT-astra have the same...”，并附上 Artificial Analysis Intelligence Index 的排名截图。1

唐杰指向的是 Artificial Analysis 在 9 月 7 日发布的 Intelligence Index v4.3。该版本把 Claude Fable 5.1（max with fallback）和 GPT-6 Astra（max）都列为 53 分，排在 Claude Opus 5 的 51 分之前。这里的“同分”是这一套综合指数中的结果，读者可以把它理解为两款模型在该版本的加权总分相同。2

分数相同，具体强项仍然不同。Artificial Analysis 写明，Fable 5.1 在 AA-Briefcase 和 SciCode 上得分更高；GPT-6 Astra 在 Terminal-Bench v4.0 和 AutomationBench-AA 的分数更高。两款模型的平均 Intelligence Index 单任务成本也有差距：Astra 为 3.26 美元，Fable 5.1 为 7.63 美元。2

v4.3 把 Terminal-Bench 从 2.1 升级到 4.0。新版本包含 66 个终端任务，覆盖软件、机器学习、科学、运维、安全、硬件和媒体等工作。按 Artificial Analysis 的测量，GPT-6 Astra 得分 59.1%，Claude Fable 5.1 得分 52.0%。2

指数还用 AutomationBench-AA 替换了原来的银行业务测试。这个测试由 Zapier 开发，包含 657 个模拟企业应用工作流，覆盖财务、人力资源、营销、运营、销售和支持；模型需要自己发现合适的 API 来完成任务。v4.3 中，含有私有题目或答案的评测权重从 v4.2 的 40% 提升到 45%，Agents、Coding、General 和 Scientific Reasoning 四类权重保持为 30%、20%、30% 和 20%。2

因此，53 分首先说明两款模型在 v4.3 的综合口径下到达同一位置。模型能力的具体差别，还要回到各个评测项目、任务设置和成本一起看。Artificial Analysis 自己的结果已经给出一个清晰分工：Astra 在终端和企业工作流自动化测试上占优，Fable 5.1 在 AA-Briefcase 和 SciCode 上占优。2

北京时间 9 月 8 日 07:19，唐杰回复 @john_362804652：“will try to fix it in the next model”。3

这条回复对应的原始提问发表于 9 月 4 日。@john_362804652 称，自己用 Codex 解决一个问题只需要几分钟，GLM 5.3 虽然也能解决，但耗时十几分钟；他希望唐杰关注 thinking 过程能否更短，以及 token 效率能否提高。原始提问和唐杰的回复在同一条公开对话页面中可以看到。3

唐杰的措辞是“下一代模型会尝试修复”。这句话给出了方向和时间指向，当前没有给出具体模型名称、发布时间、目标 token 数或完成时间指标。读者可以把它当作后续版本的待验证信号，而不是已经交付的 GLM 5.3 更新。

这两条动态适合分开跟踪。Artificial Analysis 的 53 分回答“当前版本在一套更新后的综合评测中处于什么位置”；回复则把问题落到了真实使用中的效率。

后续如果出现新模型或新评测，最值得并排记录四个量：

只有把这些指标放在相同任务和相同评测版本下比较，读者才能判断“思考过程更短”究竟带来了更快完成、更低成本，还是只是减少了输出长度。当前已经确认的内容是：Artificial Analysis v4.3 把 Fable 5.1 与 GPT-6 Astra 排到了同为 53 分，唐杰则把 GLM 5.3 的 token 效率问题留给下一代模型尝试解决。