轨道交会编程基准：GPT-6 Astra 对 Fable 5.1
同一道 6 自由度轨道交会仿真题，Astra 用 43 分钟、得 92.6 分，Fable 5.1 用 1 小时 14 分、得 81.4 分。
Advanced Frontier Model Coding Benchmark - Titans Battle 🔥 Fable 5.1 Max vs GPT-6 Astra Max Task: Teknik omurgayı NASA’nın HCW/LVLH rendezvous yaklaşımı ve 6-DOF otomatik rendezvous çalışmaları oluşturuyor. Truth propagation tam iki-cisim ECI fiziği kullanıyor, HCW ise yalnızca guidance katmanında kullanıyor. Böylece lineer modeli doğrudan gerçek fizik gibi kullanan çözümler eleniyor. NASA HCW rendezvous çalışması, NASA RPOD çalışmalarına referans ile geliştirdim. Model: - Fable 5.1 Max - 1h14m - GPT-6 Astra - 43m Task Detayları: Orbital Rendezvous Benchmark; Bir hedef uzay aracı ile chaser aracının yaklaşıp kenetlenmesini sağlayan gerçek zamanlı orbital simülasyon. Özetle dostlar task'ımızın GPT 5.6 Sol Pro'ya göre zorlukları: "Bu benchmark, modelleri yalnızca etkileyici bir 3D sahne üretmekte değil; tam iki-cisim ECI propagasyonu, LVLH dönüşümleri ve HCW tabanlı transfer planlamasını matematiksel olarak doğru uygulamakta zorlayacak. 6-DOF quaternion dinamiği, yakıt tüketimi, kuvvet ve tork sınırları nedeniyle araçlar konum veya yön atamasıyla hile yapamayacak; tüm hareket gerçek kapalı çevrim kontrolden doğmak zorunda olacak. 🎉Kazanan: GPT-6 Astra🎉 Final Puantaj ve Özet - GPT-6 Astra — 92.6/100 - Fable 5.1 — 81.4/100 Önemli: Bunlar engineering-quality puanları. Orijinal benchmarkın kendi hard-failure kuralını literal uygularsak, Fable'ın hard-coded P5 grade değeri nedeniyle strict benchmark sonucu 0'a düşmelidir. Bunu 81.4'ün içine tamamen yedirip kodun geri kalanındaki ciddi mühendislik kalitesini görünmez yapmak istenmedi. 1) Prompt uyumu: - GPT-6 Astra: 7.7/8 - Fable 5.1: 6.2/8 Fable'ın self-grade ve capture semantics sapmaları doğrudan prompt compliance kusuru. Astra genel contract'a çok daha sadık. 2) Truth physics ve numerical propagation: - Fable 5.1: 13.8/14 - GPT-6 Astra: 12.5/14 ECI orbit propagation ikisinde de çok iyi. Ayrışma rigid-body dynamics'te: Fable RK4 belirgin şekilde daha güçlü. 3) HCW / LVLH / orbital guidance matematiği: - GPT-6 Astra: 9.8/10 - Fable 5.1: 8.8/10 İki model de HCW STM, Phi_rv terminal solve ve rotating-frame velocity term'ini doğru sınıfta uygulamış. 4) Navigation ve truth separation: - GPT-6 Astra: 10.4/11 - Fable 5.1: 10.2/11 Fable'ın Kalman/complementary estimator'ı ölçüm doğruluğunda daha iyi. Astra ise boundary audit'i self-grader'a gerçekten bağlıyor. Burada Astra'yı az farkla öne koymamın nedeni taskın sadece estimator accuracy değil truth-leak integrity de istemesi. 5) Safety / collision / docking / capture: - GPT-6 Astra: 10.6/11 - Fable 5.1: 8.2/11 Astra'nın 1 saniyelik capture gate'i ve strict cone semantics'i daha temiz. Fable'ın 8 cm lateral istisnası bu kategoride ciddi puan kaybettiriyor. 6) Self-grading, metrics ve hard-fail integrity: - GPT-6 Astra: 13.8/14 - Fable 5.1: 4.5/14 Fable'ın grader'ı kapsamlı; ama tek bir mandatory criterion'ın literal PASS olması bu taskta kabul edilebilir değil. Özellikle prompt bunu açıkça hard failure sınıfına koyduğu için burada kozmetik bir kesinti yapmadım. 7) Rendering / UI / observability: GPT-6 Astra: 5.7/6 Fable 5.1: 4.8/6 Astra'da HUD hierarchy, phase rail, camera presentation ve debug visibility daha başarılı. 600×800 responsive smoke'da iki uygulamada da document overflow oluşmadı. Performance / efficiency: - Fable 5.1: 3.6/4 - GPT-6 Astra: 3.0/4 CPU physics+metrics loop Fable'da çok daha hızlı. SwiftShader render smoke'da Astra daha akıcıydı, ancak bu gerçek GPU benchmarkı olmadığı için global FPS puanını buradan vermedim. Buna karşılık role göre sonuç değişiyor: - En iyi saf numerical correctness: Fable 5.1 - En iyi HCW transfer accuracy: GPT-6 Astra - En iyi navigation accuracy: Fable 5.1 - En iyi multi-seed robustness: GPT-6 Astra - En iyi CPU solver efficiency: Fable 5.1 - En iyi self-grading integrity: GPT-6 Astra - En iyi capture/safety semantics: GPT-6 Astra - En iyi görsel kalite / UI: GPT-6 Astra - En iyi overall benchmark submission: GPT-6 Astra - En ciddi core failure: Fable'ın hard-coded truth-fed-controller grade kriteri