GPT-6 Astra vs Gemini 3.8 Flash 实测：同一份订单，谁算得对、谁说得准

同一份 596 行订单、同样的报表要求，Gemini 用了约 4 分 45 秒，Astra 用了约 10 分 53 秒，36 个数字字段两边都算对。真正的差别出现在经营结论的措辞和 API 单价上。

一、任务很普通：店铺为什么少卖了 6000 元

同一笔销售额减少 6000 元，写成「亏损 6000 元」，读者对经营状况的理解就会变。

这次让 GPT-6 Astra 和 Gemini 3.8 Flash 拿到相同的文件和要求，分别独立完成同一个任务：同一份 596 行订单，算清销售变化，再做一个能筛选、能下载的中文报表。

材料是一张订单表、一张流量表，再加一份统计说明。数据全部虚构，专门用于这轮测试。要求分两部分：先读数据，比较 8 月 1 日至 14 日与 9 月 1 日至 14 日，去掉重复、未付款和区间外订单，付款金额扣退款，算出销售差额再拆到各渠道；然后交付网页，打开就能看中文分析，能选自然搜索、短视频广告、老客回购，导出的 CSV 必须与当前筛选一致。

这类工作不需要读者了解复杂算法。只要自己做过月报，或者让同事整理过 Excel，就知道结果应该能拿来检查和使用。

最后的结果是：Gemini 用了约 4 分 45 秒，Astra 用了约 10 分 53 秒。主要数字两边全都算对。

二、先核账，不能被漂亮页面带着走

原始文件有 596 行。正确清洗会移除 8 行重复、6 行区间外记录、12 行未付款或取消记录，留下 570 笔付款订单。

净销售额从 57000 元变成 51000 元，少 6000 元，下降 10.53%。但渠道之间并不是一起下降：自然搜索从 19000 元涨到 21000 元，增加 2000 元；短视频广告从 18000 元掉到 10000 元，减少 8000 元；老客回购 20000 元持平。

Gemini 和 Astra 都算到了这组结果。用本地脚本独立复算，包括总额、排除记录数，以及各渠道的收入、成交数、访问量和转化率，共 36 个指定数字字段，两边都是 36 项通过。

对这份数据来说，两边都通过了计算这一关。后续差异需要从分析文字、页面操作和交付文件里继续看。

三、筛选和导出，我实际点了一遍

Gemini 做的页面里有收入、订单数、转化率和退款卡片，也有渠道表和订单明细，还额外放了一个订单搜索框。

选择短视频广告后，收入从全店 51000 元切到该渠道 10000 元，基期 18000 元，差额减 8000 元，明细范围是两期合计 160 笔订单。随后点击下载，实际得到的 CSV 重新读取后，只有短视频广告订单：8 月净额 18000 元，9 月 10000 元，合计 160 行。

Astra 的相同操作也通过了。四个渠道范围切换，两边的对应数字都能跟着变；短视频广告的 CSV 都是 160 行，金额核对一致；正式运行结束用时分别是 4 分 45 秒和 10 分 53 秒，两边都不需要人工补充任务或纠正。

这里说的「完成」是真正生成文件、再打开网页检查，不是拿聊天里一段 HTML 当成已经上线的网站。另外，两边耗时都包含工具与渠道延迟，正式运行前的启动排错单独保留，所以不能把这个时间差直接说成模型本身的推理速度倍数。

四、算对了数字，仍然可能说错经营结论

Gemini 报告中的两个表述，不适合原样交给经营负责人。它写了「短视频广告渠道是业绩下滑的唯一亏损源头」，还写了「净销售额净亏损 6000 元全部归因于短视频广告」。

问题出在「亏损」这个词。我们给它的字段，最多能计算销售收入的变化。假设店铺原本盈利 20000 元，销售少了 6000 元，仍可能继续盈利；如果广告成本同时大幅下降，利润甚至可能出现另一种变化。没有成本数据，不能判断亏损。

它还把老客回购写成「基本盘极度稳固」。这次两期收入确实都是 20000 元，但两个 14 天区间持平，不足以证明长期「极度稳固」。

这些不是数字计算错误，却会影响人怎样理解报告。把「收入减少」写成「亏损」，可能让读者产生完全不同的紧迫感和决策。

Astra 在同一份数据上的表达更克制。它写明短视频广告访问量不变、成交单数减少、转化率下降，并指出具体业务原因还要查。

在这轮里，Astra 更让人放心的部分是结论的措辞，而不只是金额有没有算对。要拿 AI 结果写经营汇报，这个区别值得花时间看。

五、还有一个一眼能看见的界面问题

回到 Gemini 的页面，下载按钮里的箭头明显偏大，按钮文字被挤成了几行。它可以下载，但一个辅助按钮占了太多视觉空间。

在 390 像素宽度的检查里这个问题更突出：页面上方的说明、筛选和大箭头占据了大量空间，要继续往下滑才方便查看指标。

这版页面有明确的调整空间：缩小下载图标、减少按钮文字换行，能给收入和变化率留出更多首屏空间。

六、API 单价差多少，为什么不能套到会员上

先看开发者 API 的标准文字调用价格。每百万 token：GPT-6 Astra 普通输入 10 美元、输出 50 美元；Gemini 3.8 Flash 当前优惠价输入 0.75 美元、输出 3.75 美元，Google 公布的后续常规价是输入 1.50 美元、输出 7.50 美元。

Google 标注优惠到 2026 年 12 月 31 日，2027 年 1 月 1 日起使用后续常规价。

用同一组假设算一次：普通输入合计 100 万 token，输出 10 万 token，每次请求都没有触发长上下文加价，不计缓存、搜索和其他工具费用。Astra 是 15 美元，Gemini 当前是 1.125 美元，按公布的后续常规价则是 2.25 美元。

当前固定用量下约差 13.3 倍。这个数字讲的是单位用量费用。本次实跑没有拿到双方同一口径的实际结算账单，所以不能把它写成「这次任务实际省了 13.3 倍」。

还要注意，上表对应开发者 API 调用，不能直接换算成 ChatGPT 或 Gemini 的会员月费。个人订阅包含的功能和额度需要另看套餐。

七、官方跑分也没有给出简单答案

官方公布的对比里，Terminal-Bench 4.0 复杂命令行任务 Astra 57.9%、Gemini 3.8 Flash 19.1%；DeepSWE v1.1 软件工程任务 74.1% 对 73.8%；FrontierCode 1.1 Main 代码评测 53.3% 对 43.6%；GPQA Diamond 科学知识与推理 96.0% 对 95.3%。

同一对模型，在一项测试中差 38.8 个百分点，在另一项中只差 0.3 个百分点。对于这轮订单任务，两边又都把 36 个数字字段算对了。官方评测覆盖的任务类型不同，本轮报表实测也只对应这一份数据和任务要求。

另外，Gemini 3.8 Flash 的 API 原生接受文字、图片、音频、视频和 PDF，输入上限 1048576 token；Astra 模型页列的是文字和图片输入，总上下文 1050000 token。围绕视频或录音做整理时，输入方式也会影响工具选择。

八、常见问题

Q：这轮实测能说明哪个模型更强吗？

A：不能。只对应这一份数据和这一个任务要求。两边在数字核验上都通过了，差异出现在结论措辞、界面细节和耗时上。

Q：为什么说「算对了数字」还不够？

A：因为报告要给人看。把「收入减少」写成「亏损」，或者用两个 14 天区间证明「基本盘极度稳固」，都会影响读者对经营状况的判断。

Q：API 价格差 13.3 倍，是不是意味着实际成本也差这么多？

A：不一定。13.3 倍是按固定假设算出的单位用量费用，实际账单还取决于每项任务消耗的输入、输出、缓存和工具费用，本轮没有拿到同口径的实际结算账单。

Q：订阅会员能不能直接按 API 单价折算？

A：不能。API 是按调用量付费的口径，会员订阅包含的是套餐内的功能和额度，两套计费方式不同。