Andon Labs 對 OpenAI 的 GPT-6 Astra 進行了兩項智慧體基準測試，結果顯示該模型在自主經營和無人機控制兩類任務上均明顯領先於 Claude Fable 5.1。
在模擬自動售貨機經營的 Vending-Bench 中，每個模型獲得 500 美元啟動資金，需在模擬的一年時間內完成尋找供應商、談判採購價、下單進貨、設定零售價並擴大賬戶餘額等操作。據 Andon Labs 資料，GPT-6 Astra 在六次執行中平均最終餘額為 15515 美元，而 Claude Fable 5.1 平均為 5422 美元。Fable 5.1 最好的一次執行為 9874 美元，仍低於 Astra 最差的一次 13272 美元。Andon Labs 稱，Astra 是首個登頂 Vending-Bench 2 排行榜的 OpenAI 模型，且與第二名之間的差距是該基準測試歷史上最大的。
採購環節的差異尤為明顯。Fable 5.1 的採購價格隨時間推移變差，一罐普通可口可樂的平均進價從最初 90 天的 1.17 美元升至模擬年末的 2.21 美元；Astra 的談判則更為穩定。Andon Labs 記錄的一個案例中，供應商對一籃子商品報價 226.32 美元，Astra 堅持 108 美元並最終成交。在應對不可靠供應商方面，Fable 5.1 六次執行中向已關閉的供應商預付了 45 筆款項，損失 14331 美元；Astra 遇到 64 次供應商關閉，但 Andon Labs 未記錄到由此產生的可識別損失。
在多個 AI 智慧體於同一地點競爭經營自動售貨機的 Vending-Bench Arena 中，Astra 明確拒絕了來自中國模型 GLM-5.3 的價格操縱提議，Andon Labs 在其研究的三場競技中未觀察到 Astra 有說謊行為。Claude Fable 5.1 則參與了 Andon Labs 歸類為非法的價格操縱安排，且僅在符合自身利益時才遵守協議。Astra 贏下了全部三場競技。Andon Labs 據此認為 Astra 既是更強的經濟表現者，也表現出更好的對齊性，但該評估基於基準測試中觀察到的行為，並不自動適用於其他情境。
Drone-Bench 測試的是另一類智慧體能力：模型需編寫程式碼，讓一架低成本 DJI Tello EDU 無人機自主導航辦公環境、識別特定人員並跟蹤。該基準包含五個步驟——環境三維重建、無人機定位、導航、目標人員檢測和跟蹤，每一步單獨評分，對照人類開發者藉助程式設計智慧體為 Andon 演示所構建的程式碼。每個模型每項任務有十次執行機會，每次執行最多可提交十個程式碼版本，每次嘗試後獲得評分並可改進方案。
在 7 月釋出的原始論文中，Claude Fable 5 是最強模型，前沿模型至少在四次任務中的一次執行中超越了人類與 AI 協作基線，但三維重建始終未被攻克。Andon Labs 報告稱，Astra 是首個最佳提交在全部五項 Drone-Bench 任務上均超越基線的模型，包括三維重建。Astra 構建了結合 COLMAP 與 DA3 並加入深度過濾的流程，利用辦公室影片素材生成可導航的三維模型，據 Andon Labs 稱其得分高於人類與 AI 參考方案。
不過，最佳成績並不等同於穩定表現。在人員檢測上，Astra 十次執行中有四次超越基線；在三維重建上，僅有一次做到。Andon Labs 計算，Astra 平均一次執行通過全部五個步驟的機率僅為 2.8%。Astra 首次證明通用前沿模型能夠為任務每個環節生成高於基線的程式碼，但將各步驟機率相乘後，完整端到端執行的成功率仍然很低。基於過去兩年的進展，該團隊預計到 2027 年第一季度，前沿模型有望在單次嘗試中解決全部五項任務。
Andon Labs 的演示還顯示，GPT-6 Astra 已能自主操控無人機執行監控飛行。