GPT-6 Astra vs Claude Fable 5.1: który model jest lepszy?

W wynikach OpenAI Astra osiąga 97,6% na FrontierMath Tier 4, 99,9% na ARC-AGI-3 i 72,6% na OSWorld 2.0. Po zestawieniu z Claude Fable 5.1 obraz się rozchodzi. Astra jest mocniejsza tam, gdzie model ma wykonać operację. Fable 5.1 utrzymuje przewagę w przekrojowych testach reasoning i w Humanity's Last Exam z narzędziami.

Podstawowe parametry

Pod względem limitów i stawki API modele są blisko siebie.

Astra ma poziomy reasoning.effort od low do max. Fable 5.1 używa stale włączonego adaptive thinking. Różnica okna kontekstu (1,05 mln wobec 1 mln) w praktyce jest mała.

Większa różnica jest w cache. Fable 5.1 kosztuje 0,25 USD za milion odczytanych tokenów z cache, Astra 1 USD. Przy pojedynczym zapytaniu to mało. Przy agencie, który w kilkudziesięciu krokach wraca do tego samego kontekstu, różnica zaczyna być istotna. Stawka za milion tokenów mówi coraz mniej. Liczy się koszt ukończonego zadania.

Benchmarki OpenAI

OpenAI opublikowało szeroki zestaw wyników Astry. W wielu z nich model wypada mocno. Dane poniżej pochodzą z zestawienia OpenAI.

Astra jest szczególnie mocna w zadaniach z narzędziami, terminalem, kodem i konkretnymi operacjami. Na Terminal-Bench 4.0 różnica jakości jest niewielka (57,9% wobec 55,8%), a OpenAI podaje jednocześnie około 63% niższy szacowany koszt zadania niż u Fable 5.1. Na Terminal-Bench Science (workflow naukowe w terminalu: analiza danych, symulacje, dopasowywanie modeli) jest 64,6% wobec 52,6%.

Computer use

Największą zmianą Astry nie muszą być klasyczne testy wiedzy. Może nią być computer use: delegowanie zadania, w którym model otwiera aplikacje, korzysta ze stron, wprowadza dane, aktualizuje CRM, analizuje dokumenty, składa prezentacje, testuje interfejs i wykonuje kolejne kroki workflow.

Na wersji offline OSWorld 2.0 Astra uzyskała 72,6%, GPT-5.6 Sol 65,7%. Według OpenAI Astra kończyła zadanie przeciętnie w około 40 minut, Sol w około 75 minut. To około 47% krótszy czas. W zastosowaniach biznesowych czas ukończenia procesu może ważyć więcej niż dwa punkty procentowe w teście wiedzy.

Fable 5.1 w niezależnych testach

W Artificial Analysis Intelligence Index, obejmującym m.in. GDPval, Terminal-Bench, SciCode, Humanity's Last Exam, GPQA Diamond, testy wiedzy, reasoning i long-context reasoning, aktualne porównanie wygląda tak: GPT-6 Astra High 60, Claude Fable 5.1 66. Na tym przekrojowym wskaźniku Fable 5.1 prowadzi.

Tabela OpenAI pokazuje to samo w wersji indeksu v4.1.1: Fable 65,7, Astra 61,2. Jeszcze wyraźniej jest na Humanity's Last Exam z narzędziami: Fable 5.1 65,0%, Astra 57,2%. Przedstawianie premiery Astry jako jednoznacznego zwycięstwa nad Claude byłoby uproszczeniem.

Kodowanie

Na Terminal-Bench 4.0 Astra ma 57,9%, Fable 5.1 55,8%. Na FrontierCode Extended: 64,5% wobec 63,6%. Różnice są małe. Większa przewaga Astry jest na DeepSWE: 74,1% wobec 67,4%.

Claude nadal ma silną pozycję w coding agents. Anthropic opisuje Fable 5.1 jako model do długotrwałego agentic coding, researchu i złożonej pracy wiedzowej. Wybór między Claude Code albo Cursorem na Fable a Codexem na Astrze zależy raczej od konkretnego projektu niż od kilku punktów benchmarku.

Ta sama stawka API, inny koszt zadania

Oba modele kosztują w API 10 USD za milion tokenów wejścia i 50 USD za milion wyjścia. Porównanie zaczyna się więc od kosztu ukończonego zadania, nie od cennika.

Model, który zamyka problem w 5 krokach zamiast 15, może być tańszy przy identycznej stawce. Anthropic wskazuje, że przy agentach trzeba liczyć cost per completed task. Nowy mechanizm cache Fable 5.1 ma obniżać koszt długich workflow. OpenAI stawia ten sam argument przy Astrze: mniej tokenów wyjściowych i mniej kroków niż u poprzedników, więc całe zadanie może kosztować mniej mimo wysokiej stawki jednostkowej.

Kolejny etap konkurencji to nie „ile kosztuje token”, tylko ile kosztuje poprawnie wykonane zadanie.

Jak czytać benchmarki

Większość spektakularnych wyników Astry pochodzi z materiałów OpenAI. Nie oznacza to, że są nieprawdziwe. Oznacza, że przy porównaniu trzeba patrzeć na metodologię. OpenAI zaznacza, że część testów wykonano w środowisku badawczym albo z harnessem różnym od produkcyjnego ChatGPT.

Anthropic informuje, że zabezpieczenia Fable 5.1 wpływają na wyniki części benchmarków. W niektórych testach interwencja zabezpieczeń dawała wynik zero. Różne wersje OSWorld używają też innych zestawów zadań i nie zawsze dają się porównywać wprost.

Wynik 99,9% na ARC-AGI-3 nie oznacza, że model rozwiązuje 99,9% nowych problemów logicznych. Pokazuje zdolność w konkretnym środowisku ewaluacyjnym.

Który model wybrać

GPT-6 Astra

Do agentic workflows, computer use, automatyzacji, pracy z aplikacjami, kodowania z narzędziami oraz zadań, które trzeba przeprowadzić od początku do końca. Tu widać największą zmianę względem poprzedniej generacji GPT.

Claude Fable 5.1

Do trudnego reasoning, długich analiz, researchu, pracy na dużym kontekście i długotrwałych agentów, które wielokrotnie wracają do tego samego materiału. Istotny jest tu tani odczyt cache.

Pełny opis Astry, w tym cennik long context i routing wobec GPT-5.6: GPT-6 Astra: charakterystyka, cennik i zastosowania. Katalog: modele OpenAI i Claude (Anthropic). Dobór pod budżet: kreator wyboru modelu i porównanie modeli.

Wniosek

GPT-6 Astra jest istotnym krokiem OpenAI. Nie dlatego, że pokonała Claude we wszystkich testach. Nie pokonała. Fable 5.1 pozostaje mocnym modelem i w części przekrojowych testów wypada lepiej.

Zmiana jest gdzie indziej. Modele frontier przestają być wyłącznie generatorami odpowiedzi i coraz częściej wykonują zadania. KPI przy wyborze w 2026 r. to nie najwyższy wynik w tabeli, tylko to, który model wykona konkretne zadanie poprawnie, szybciej i taniej. Odpowiedź może być inna dla programisty, analityka, marketera i zespołu budującego agenta.

Na papierze Astra wygrywa wiele pojedynczych porównań. Fable 5.1 pozostaje poważnym konkurentem. Rozstrzygnięcie daje test na własnym workflow, nie sama tabela benchmarków.