较主观的客观排序

Top: Qwen3.8-Max ~ Hy4 Preivew ~ Kimi-K3 [个人觉得Kimi-K3还是略逊色的，但比较均衡]

Qwen3.8-Max 和 Hy4 Preview 都很惊艳

Top3: GLM-5.3-Flash 大于或者小于 GLM-5.3 [性价比首选No.1 GLM-5.3-Flash，综合表现glm-5.3-flash在我心中超过GLM-5.3，但确实低于Top系列]

Gemini-3.8-Flash 目前最意外的一个模型，虽然是美国大豆包，但确实进步最大的模型，个人心中略高于或者接近Qwen3.8-Max ~ Hy4 Preivew

Astra vs Fable 差异点

Fable-5.1 大厂程序员专属，适配懂点技术但没有达到天才的小量用户群体[高质量的Coding预料，搜集到的数据集都是高难度的，毕竟A社已经把普通用户筛选掉了，只剩下任务非得用Fable5.1不可的群体，整体数据质量较高]

GPT-6-Astra 全面均衡的选手，大众逆袭的路线。由于大部分用户都能接触到OAI的模型，所以整体的任务表现会更加全面，比较均衡，但正式由于数据量大，质量良莠不齐，会混入很多额外的噪音，所以需要进行更多的后处理工作以及一些列更严格的数据飞轮。

从贡献而言，OpenAI确实将Fable级别的模型普适化，大众化了，会收到大家的青睐。后续也会收集到更多高质量的数据，但同时也会产生很多噪音，因为OAI的Bug太多了，会导致数据污染，需要更重的数据清洗。但是Fable的问题在于过于Coding化，追求极致Coding，并且有钱的用户会更加适合。

真正的天才适配的模型: 自部署的Qwen3.8-27B, Deepseek-v4-flash，天才专属，顶级优化MTP+推理速度，本人完全不配…，目前我们组的World Coding前10的老板的工作栈，高强度依赖自部署，自训练的Qwen3.8-27B，能力完美破限

我们之前做过ARG-AGI-3 Benchmark的研究，Astra的效果过于颠覆三观了，AGI-3是对任何模型来说都是未知的数据集，需要从零探索，从陌生环境的探测[action对应环境的feedback]，进行环境的模拟和重构，然后进行目标的high-level规划，但决策的实施，环境反馈的纠正，然后不断迭代，来达到一个最终的目标。

对人来说很简单，靠直觉，但对于模型考验的是未知世界的探索和建模，所以历来无workflows，pipeline的效果都低于20%-30%，但Astra刷榜到了90%+，相当于当初CNN的出现，所以值得仔细查看背后的原因，数据集or Post trianing。Post Training的效果有点过于夸张，还是将认知框架pipeline训练进模型了。^-^

整体效果:

提示词都是公开的，可以进行复现，对于部分Prompt，并不是简单的one-shot任务，可以深入读一下prompt就知道了。关于长程任务，没人有钱真实测过，这个体验会更加因人而已，PostrTraingBench，CyberGym等也并不是唯一的Benchmark且不够真实，依旧存在很多问题。关于前者simulation环境没有进行控制变量，后者的CVE 0Day，其实依旧存在较多hack的情况。

目前提供的赛车和MC的前端，不仅仅是简单的一句话prompt，是包含很多细致的用户需求，前后端协同的，最后的效果都各有优劣势，网页端都明确进行说明了，都是模型rubric进行打分的。用户感观因人而已。

最后就是一点例子了，Hy4 preivew效果很不错的，我没有贴图。但Qwen3.8-MAX效果也很惊艳。

最后一点: 始终要说明一点GPT系列的Pro模型，不在上述排行榜。该模型完成一个任务质量非常高[没法和Fable51比较，TTS确实会带来质量非常高]，但时间非常长。