GPT-6 Astra หยิบของใส่ชามได้ 19 จาก 20 ครั้ง ส่วน Fable 5.1 ได้ 8 — แต่งานเดียวที่รันบนแขนกลตัวเดียวกันจริง ๆ ผลออกมาเสมอกันที่ 2 ต่อ 20

Robocurve บริษัท Public Benefit Corporation ที่ทำ benchmark หุ่นยนต์แบบเปิด เผยแพร่รายงาน “GPT-6 Astra on robotic manipulation” เมื่อ 4 ก.ย. 2026 (กราฟในหน้ามี timestamp ฝังไว้ที่ 2026-09-04T18:50:02 UTC) เป็นภาคต่อของรายงานก่อนหน้าที่วัด Claude Fable 5 กับ Fable 5.1 พวกเขาเอา GPT-6 Astra มาคุมแขนกลคู่ตัวเดิม ภายใต้ agent policy ตัวเดิม บนสองงานเดิม แล้วรัน 20 เทรลต่อโมเดลต่องาน รวม 120 เทรล พร้อมปล่อย transcript วิดีโอ และไฟล์ Rerun ของทุกเทรลให้ดาวน์โหลด

พาดหัวที่วิ่งไปทั่ว Hacker News คือตัวเลขงานแรก: Astra หยิบบล็อกแดงใส่ชามสำเร็จ 19 จาก 20 ขณะที่ Fable 5.1 ได้ 8 จาก 20 และ Fable 5 ได้ 1 จาก 20 นั่นคือช่องว่างระดับ 95% ต่อ 40% ในงานที่โมเดลต้องมองภาพจากกล้องสามตัวแล้วสั่งตำแหน่งปลายแขนเป็นพิกัดจริง

แต่ตารางในหน้าเดียวกันมีบรรทัดที่พาดหัวไม่ได้หยิบไป และมันเปลี่ยนวิธีอ่านตัวเลขนั้นทั้งหมด

สองงาน สองผลลัพธ์ที่ไม่เหมือนกันเลย

งานทดสอบมีสองอย่าง งานแรกคือ “หยิบบล็อกแดงจากโต๊ะไปวางในชาม” งานที่สองคือ “หยิบชิ้นจิ๊กซอว์กลมสีน้ำเงินที่ปุ่มตรงกลาง แล้ววางลงในร่องวงกลมที่ตรงกันบนแผ่นกระดาน” — งานที่สองยากกว่าเพราะต้องเล็งให้ตรงร่อง ไม่ใช่แค่ปล่อยลงในพื้นที่กว้าง ๆ

งาน	โมเดล	Mean stage	สำเร็จ	อัตรา	Output tokens/รัน	ต้นทุน/รัน	นาที/รัน
บล็อกลงชาม	Fable 5	1.30	1/20	5%	19.2k	$2.69	8.2
บล็อกลงชาม	Fable 5.1	2.40	8/20	40%	12.9k	$2.12	6.8
บล็อกลงชาม	GPT-6 Astra	3.95	19/20	95%	2.1k	$0.94	2.5
จิ๊กซอว์ลงร่อง	Fable 5	1.50	0/20	0%	16.3k	$2.63	7.9
จิ๊กซอว์ลงร่อง	Fable 5.1	2.35	2/20	10%	10.5k	$2.18	5.9
จิ๊กซอว์ลงร่อง	GPT-6 Astra	2.00	2/20	10%	2.7k	$1.36	3.4

การให้คะแนนใช้ rubric 5 ขั้น (0 = ไม่มีการเข้าหาอย่างมีจุดหมาย, 1 = แตะวัตถุ, 2 = ยกพ้นโต๊ะ, 3 = ยกไปอยู่เหนือจุดวาง, 4 = วางลงตำแหน่งสุดท้ายสำเร็จ) เทรลที่ล้มเหลวจึงยังบันทึกได้ว่าไปถึงขั้นไหน

อ่านสองแถวล่างให้ดี: ในงานจิ๊กซอว์ Astra กับ Fable 5.1 สำเร็จเท่ากันเป๊ะที่ 2 จาก 20 และถ้าดูที่ mean stage ซึ่งเป็นคะแนนละเอียดกว่าอัตราสำเร็จ Astra แพ้ — 2.00 ต่อ 2.35 รายงานเขียนเองว่า Astra “ไปถึงร่องแล้วค้างที่ขั้นสุดท้ายขั้นเดียวกับที่ Fable ค้าง”

บรรทัดในหัวข้อ Limitations ที่ควรอ่านก่อนพาดหัว

Robocurve เขียนข้อจำกัดของตัวเองไว้ตรง ๆ และข้อแรกคือข้อที่สำคัญที่สุด:

เทรลของ Astra รันหลังเทรลของ Fable สองวัน และไม่ได้สลับกันรัน (not interleaved) การเทียบงานจิ๊กซอว์อยู่บนแท่นเดียวกัน ส่วนการเทียบงานบล็อกลงชามไม่ใช่: เทรล Fable รันบน rig-3 ซึ่งตอนนั้นใช้ไม่ได้แล้ว

แปลว่า งานที่ให้ตัวเลข 95% ต่อ 40% คืองานที่ Astra รันบน rig-1 ส่วน Fable รันบน rig-3 ขณะที่ งานที่รันบนแท่นเดียวกันทั้งสามโมเดล (rig-4) ให้ผลเสมอกัน สำหรับงานหุ่นยนต์จริง ความต่างของแท่นไม่ใช่รายละเอียดปลีกย่อย — มุมกล้อง ระยะ ความสูงโต๊ะ การสอบเทียบ IK และแรงบีบของกริปเปอร์ ล้วนต่างกันได้ระหว่างแท่น และล้วนเปลี่ยนอัตราสำเร็จของงานหยิบวางได้ทั้งนั้น

ข้อจำกัดที่เหลืออีกสามข้อก็ตรงไปตรงมาไม่แพ้กัน: การให้คะแนนทำโดยผู้ควบคุมที่ รู้ว่ากำลังดูโมเดลไหน จึงเปิดช่องให้อคติโดยไม่รู้ตัว, วัตถุถูกจัดวางใหม่ด้วยมือคนระหว่างเทรล, และทุกโมเดลรันที่ระดับ reasoning effort เท่ากันคือ medium เท่านั้น

ต้นทุนที่ต่างกัน ไม่ได้มาจากราคาที่ต่างกัน

หัวข้อ Technical specifications มีบรรทัดที่เปลี่ยนความหมายของคอลัมน์ “ต้นทุนต่อรัน” ไปเลย:

ต้นทุนคิดที่ราคาลิสต์ $10 / $50 ต่อล้านโทเคนอินพุต/เอาต์พุตสำหรับทั้งสามโมเดล

นั่นคือรายงานนี้ สมมติราคาเท่ากันทุกโมเดล แล้วปล่อยให้ความต่างของต้นทุนมาจากปริมาณโทเคนล้วน ๆ ดังนั้นตัวเลข “Astra ถูกกว่าครึ่งหนึ่ง” จึงไม่ใช่ข้อความเรื่องราคา แต่เป็นข้อความเรื่อง ความสั้นของ trace — Astra ใช้ output 2.1k โทเคนต่อรันในงานบล็อก ขณะที่ Fable 5.1 ใช้ 12.9k คือน้อยกว่าราว 6 เท่า และในไฟล์ per-trial ที่ปล่อยมา เทรล Fable 5 ที่แย่ที่สุดพุ่งไปถึง 35,211 โทเคนในเทรลเดียวที่ใช้เวลา 14.8 นาที

รายงานยังบอกด้วยว่าคำขอฝั่ง Anthropic ส่งไปโดย ไม่เปิด prompt caching ส่วนฝั่ง OpenAI มีการแคชอินพุตอัตโนมัติราวหนึ่งในห้าโดยไม่ได้หักส่วนลดให้ในตาราง — นั่นเป็นความไม่สมมาตรที่ทำให้ตัวเลขต้นทุนของ Astra “สูงเกินจริงถ้าจะผิด” ตามที่ผู้เขียนระบุ แต่ก็แปลว่าไม่มีฝั่งไหนถูกวัดในสภาพที่ทีมวิศวกรจริงจะรันมันจริง ๆ

รายละเอียดฮาร์ดแวร์: แขนกลคู่ I2RT YAM 6 องศาอิสระต่อแขน พร้อมกริปเปอร์แบบขากรรไกรขนาน โมเดลสั่งงานด้วยท่าปลายแขนแบบสัมบูรณ์ (move_to: x, y, z, yaw, pitch, roll และกริปเปอร์ ต่อแขน) แล้วให้ IK ของหุ่นแปลงเป็นมุมข้อต่อ สังเกตการณ์จากกล้องสามมุม (บน, ข้อมือซ้าย, ข้อมือขวา) บวกสถานะ proprioceptive ทุกเทิร์น งบ 20 LLM call ต่อเทรล จำกัดความเร็ว 25% เปิด safety guardrail ค่าเริ่มต้น ฮาร์เนสคือ Inspect Robots 0.58.0 ซึ่งเป็นโอเพนซอร์ส

มุมมอง AI Curator

สิ่งที่ควรเอากลับบ้านจากรายงานนี้ไม่ใช่ “Astra เก่งกว่า Fable ในงานหุ่นยนต์” แต่คือ โครงสร้างของหลักฐานสองก้อนที่ไม่เท่ากัน ก้อนที่ให้ตัวเลขน่าตื่นเต้นคือก้อนที่รันคนละแท่น ก้อนที่คุมตัวแปรได้ดีกว่าคือก้อนที่บอกว่าเสมอ ถ้าเรียงลำดับความน่าเชื่อถือตามระเบียบวิธี ข้อสรุปที่แข็งที่สุดของงานนี้คือ “ในงานที่ต้องเล็งให้ตรงร่อง โมเดลภาษาชั้นนำทุกตัวยังทำไม่ได้ — 10% เท่ากันหมด” ซึ่งเป็นข้อสรุปที่ถ่อมตัวกว่าพาดหัวมาก และมีประโยชน์กว่าด้วย

ที่น่าสนใจกว่าคะแนนคือ รูปทรงของการล้มเหลว Astra ในงานจิ๊กซอว์มีเทรลที่ไปถึงขั้น 3 (ยกไปอยู่เหนือจุดวาง) ถึง 8 ครั้ง แต่จบที่ขั้น 4 ได้แค่ 2 ครั้ง — นี่คือลายเซ็นของโมเดลที่ “วางแผนถูกแต่ปิดงานไม่ลง” ซึ่งเป็นคนละปัญหากับโมเดลที่หาวัตถุไม่เจอ การเล็งชิ้นส่วนลงร่องต้องอาศัยการแก้ไขแบบวงรอบปิดจาก feedback ระดับมิลลิเมตร ที่การส่งพิกัดสัมบูรณ์ผ่าน LLM ทุก ๆ หนึ่งเทิร์นให้ไม่ได้ ไม่ว่าโมเดลจะฉลาดแค่ไหน — ข้อจำกัดอยู่ที่ แบนด์วิดท์ของลูปควบคุม ไม่ใช่ที่ความสามารถในการให้เหตุผล

และตรงนี้คือจุดที่เรื่องนี้เกี่ยวกับนักพัฒนาไทยโดยตรง เราเคยเขียนถึงงานที่ชี้ว่า harness เปลี่ยนคะแนนเบนช์มาร์กได้มากกว่าตัวโมเดล (ARC Prize กับ GPT-6 Astra, Artificial Analysis v4.2) รายงานนี้คือเวอร์ชันกายภาพของข้อสังเกตเดียวกัน แต่หนักกว่า เพราะ “harness” ในที่นี้รวมถึง แท่นทดลองที่จับต้องได้ ที่ไม่มีใครก๊อปปี้ให้เหมือนกันเป๊ะได้ ใครก็ตามในไทยที่กำลังคิดจะเอา LLM ไปคุมแขนกลในสายการผลิตหรืองานเกษตร ควรอ่านรายงานนี้เป็นตัวอย่างของ วิธีรายงานที่ซื่อสัตย์ มากกว่าเป็นตารางเลือกโมเดล — Robocurve ปล่อยทั้ง 120 transcript, วิดีโอทุกเทรล และไฟล์ Rerun ให้ตรวจสอบ พร้อมประกาศจุดอ่อนของตัวเองไว้ในหน้าเดียวกัน นั่นคือมาตรฐานที่ควรเรียกร้องจากทุกเบนช์มาร์กที่เราอ่าน

ข้อเตือนสุดท้าย: อย่าอ่านคอลัมน์ต้นทุนเป็นราคา ทีมที่จะเอาไปทำงบประมาณจริงต้องเอาราคาจริงของแต่ละผู้ให้บริการมาคูณเอง และต้องเปิด prompt caching ทั้งสองฝั่งก่อนจะสรุปว่าใครถูกกว่า ตัวเลขในตารางนี้ตอบได้แค่ว่า ใครพูดน้อยกว่ากันเวลาต้องขยับแขนกล ซึ่งเป็นข้อมูลที่มีค่า แต่ไม่ใช่ข้อมูลเดียวกับราคาต่อชิ้นงาน

แหล่งข่าว

• GPT-6 Astra on robotic manipulation — Robocurve (4 ก.ย. 2026)
• รายงานภาคก่อนหน้า: Claude Fable 5 และ Fable 5.1 — Robocurve
• Inspect Robots — เฟรมเวิร์กประเมินหุ่นยนต์แบบโอเพนซอร์ส (GitHub)
• Robocurve — หน้าหลัก