En un punto de referencia controlado publicado el 4 de septiembre de 2026, el grupo de investigación Robocurve puso al GPT-6 Astra de OpenAI al mando de un par de brazos robóticos y lo probó en dos tareas de manipulación, enfrentándolo al Claude Fable 5 y Fable 5.1 de Anthropic bajo condiciones idénticas. El resultado se divide claramente en dos: en una tarea simple de pick-and-place el modelo más nuevo es dramáticamente mejor; en una inserción de precisión no lo es en absoluto.
El hardware fue una configuración de brazos bimanuales I2RT YAM — dos brazos de seis grados de libertad, cada uno equipado con un agarre de mandíbulas paralelas. En lugar de entrenar un modelo de extremo a extremo en píxeles crudos, el equipo utilizó el arnés Inspect Robots (versión 0.58.0). En esa configuración el modelo actúa como una "política de agente": emite poses absolutas de efector final a través del comando move_to — x, y, z, yaw, pitch, roll, además del estado del agarre, para cada brazo — y la capa de cinemática inversa (IK) del robot convierte esas poses en ángulos articulares. Cada modelo recibió 20 pruebas por tarea, se permitió hasta 20 llamadas a modelos de lenguaje grande (LLM) por ejecución, se limitó al 25% de la velocidad del robot y se ejecutó con las guardias de seguridad predeterminadas del arnés. La observación consistió en tres vistas de cámara — cenital, muñeca izquierda, muñeca derecha — además del estado propioceptivo del robot. Cada prueba fue calificada por un humano en una rúbrica de cinco etapas que va de "sin enfoque intencional" (0) a "colocado en su posición final" (4); una ejecución que falla aún registra hasta dónde llegó.
En la tarea más sencilla — "recoger el bloque rojo de la mesa y colocarlo dentro del tazón" — GPT-6 Astra colocó el bloque en 19 de 20 pruebas, una tasa de éxito del 95% con una etapa media de 3.95. Claude Fable 5.1 logró 8 de 20 (40%, media 2.40); el Fable 5 anterior logró 1 de 20 (5%, media 1.30). Astra también fue más rápido y económico: un promedio de 2,5 minutos y un costo estimado de 0,94 dólares por ejecución, frente a los 6,8 minutos y 2,12 dólares de Fable 5.1, y los 8,2 minutos y 2,69 dólares de Fable 5. También utilizó muchos menos tokens de salida — aproximadamente 2.100 por ejecución, frente a unos 12.900 para Fable 5.1 y 19.200 para Fable 5.
La segunda tarea — "recoger la pieza azul circular del rompecabezas por el pomo en su centro y colocarla en la ranura circular correspondiente del tablero" — cuenta una historia muy diferente. Astra completó la inserción solo 2 veces en 20 pruebas (10%), esencialmente igualando el 2 de 20 de Fable 5.1 y superando el 0 de 20 de Fable 5 solo por un aspecto técnico. Su etapa media fue 2.00, en realidad inferior a la de Fable 5.1 de 2.35. La redacción propia del informe es contundente: Astra "llega a la ranura y se estanca en el mismo paso final que Fable". Los tres modelos pudieron maniobrar la pieza hasta la apertura; luego todos se quedaron atorados en el mismo último movimiento — la inserción de precisión misma. Astra lo hizo más barato (1,36 dólares por ejecución, alrededor de 2.700 tokens de salida, 3,4 minutos, frente a los 2,18 dólares, 10.500 tokens y 5,9 minutos de Fable 5.1), pero el estancamiento barato sigue siendo estancamiento.
El gráfico visualiza el hallazgo central del artículo: los modelos divergen marcadamente en la tarea simple de pick-and-place pero se estancan juntos en la inserción de precisión.
Esta estancación es la parte más informativa del punto de referencia. Una tarea tosca de pick-and-place pone a prueba el razonamiento espacial y la selección de agarre; una inserción de pomo-en-ranura además exige control posicional fino y la capacidad de sentir la alineación. El hecho de que un modelo más nuevo y potente alcance el mismo cuello de botella que sus predecesores — y con una etapa media menor, porque falló más frecuentemente antes del paso final — sugiere que la barrera se encuentra en los últimos centímetros de la manipulación, no en llevar el brazo al área general correcta. ¿Qué causa exactamente la estancación? El informe no lo dice. Podría ser una limitación del modelo, de la interfaz move_to (que solicita una sola pose absoluta en lugar de permitir que el modelo «sienta» su camino), o de una configuración en la que el modelo nunca recibe feedback táctil. El punto de referencia solo establece que, bajo estas condiciones, el paso de inserción permanece sin resolver.
Los autores fueron francos acerca de las limitaciones del estudio, y esas limitaciones determinan hasta dónde se pueden generalizar los resultados. Las 20 pruebas por tarea de Astra se realizaron dos días después de las pruebas de Fable y no se entrelazaron con ellas, por lo que nada descarta un drift en la configuración con el tiempo. La comparación del tazón no es de manzanas a manzanas: las pruebas de tazón de Fable se ejecutaron en el rig-3, que no estaba disponible para Astra, así que las pruebas de tazón de Astra ocurrieron en el rig-1. La comparación del rompecabezas, al menos, se realizó en el mismo rig para todos los modelos. La puntuación fue realizada por un operador que conocía al modelo, lo que abre la puerta a un sesgo inconsciente hacia el modelo más nuevo. Los costos son precios de lista; las solicitudes de Anthropic se enviaron sin caché de prompt, mientras que OpenAI almacenó en caché aproximadamente una quinta parte de la entrada de Astra automáticamente, y ese descuento no se aplicó — por lo que el costo de Astra podría ser, de hecho, una sobreestimación. Los objetos se restablecieron manualmente entre pruebas, y cada modelo se ejecutó con un esfuerzo de razonamiento medio solamente. Veinte pruebas por modelo por tarea es una muestra pequeña, y dos tareas son una porción estrecha de la manipulación; el informe no afirma más que eso.
Los números de costo merecen una pausa, porque son fáciles de malinterpretar. A precios de lista, la ejecución más barata de Astra costó aproximadamente 0,94 dólares y la más cara de Fable 5 alrededor de 2,69 dólares — para una tarea que un ser humano podría realizar en segundos. Incluso tomando los números al valor nominal, colocar un bloque a un costo de un dólar y algo por intento no es competitivo con ningún costo laboral plausible, y el número por ejecución combina el precio de los tokens, el esfuerzo de razonamiento y la sobrecarga fija del arnés. Lo que los números muestran claramente es la eficiencia relativa del modelo más nuevo: aproximadamente 2.100 tokens de salida por ejecución en la tarea del tazón, frente a unos 12.900 y 19.200 para los dos modelos Fable. El rendimiento de los tokens, sin embargo, es un proxy para el costo del controlador dentro de un arnés específico — no una predicción de la economía de un sistema implementado, y no una medida de la capacidad física.
Una cosa más que el punto de referencia hace y no hace. La configuración es un agente de LLM que impulsa un robot a través de una interfaz simbólica — poses, no píxeles-a-articulaciones. Este estilo, en el que un modelo de propósito general planifica a un alto nivel mientras un controlador convencional se encarga de la geometría de bajo nivel, a veces se llama «código como política», y es una elección deliberada. También significa que el resultado no dice nada sobre los modelos de visión-lenguaje-acción de extremo a extremo, que mapean la entrada de sensores directamente a comandos articulares y no formaron parte de esta comparación. El fallo del rompecabezas es, por lo tanto, evidencia sobre la manipulación planificada por LLM bajo este arnés en particular, no sobre la capacidad robótica en general. El apéndice técnico del informe enumera la interfaz con precisión — move_to con x, y, z, yaw, pitch, roll y agarre por brazo, y la IK del robot convirtiendo poses en ángulos articulares — de modo que la configuración es reproducible, y si una interfaz diferente cierra la brecha de inserción es una pregunta que este experimento deja abierta.
¿Qué se puede decir con confianza? GPT-6 Astra, impulsado por una política de agente a través de un arnés de manipulación estándar, es significativamente mejor que los dos modelos Fable en una tarea simple de pick-and-place, y no mejor — al menos por ahora — en una inserción de precisión que vence a los tres modelos. La ventaja en la tarea sencilla es grande; la brecha en la tarea difícil es cero. Si el problema de inserción cede ante una mejor interfaz, más pruebas, detección táctil o una clase de modelo diferente sigue siendo, por ahora, una pregunta abierta que este punto de referencia no responde.