GPT-6 Astra kontra Claude Fable 5.1: wielkie porównanie na liczbach, testach i cudzych doświadczeniach (2026)

👁 2,238 przeczytań

Dwa najdroższe modele świata wyszły w odstępie czterdziestu ośmiu godzin: Claude Fable 5.1 pierwszego września, GPT-6 Astra trzeciego. Oba kosztują co do dolara tyle samo, oba czytają milion tokenów naraz i oba są sprzedawane jako najlepsze narzędzia do kodu i pracy z wiedzą. Żaden z producentów nie porównał swojego modelu z modelem konkurenta, bo Anthropic zdążył zbenchmarkować Fable tylko z GPT-5.6, a OpenAI zestawiło Astrę głównie z własnym poprzednikiem. Tę lukę wypełniam poniżej: oficjalnymi benchmarkami ułożonymi obok siebie, niezależnym indeksem, cudzymi wdrożeniami produkcyjnymi i własnymi testami z trzech rund, w których oba modele dostały te same zadania tego samego dnia.

To jest tekst do wracania, nie do przeczytania raz. Aktualizuję go, gdy pojawiają się nowe pomiary, a każda liczba ma podane źródło i datę.

Werdykt na start

Nie ma jednego zwycięzcy i każdy, kto twierdzi inaczej, sprzedaje coś więcej niż porównanie. Astra wygrywa tam, gdzie liczy się rozumowanie matematyczne, długie zadania agentowe z komputerem i cyberbezpieczeństwo. Fable 5.1 wygrywa w niezależnym indeksie ogólnym, w wiedzy szerokiej i w niezawodności odpowiedzi na pytania podchwytliwe. W pracy po polsku, czyli w tym, co robi większość czytelników tego serwisu, oba modele popełniły ten sam błąd i oba przegrały z modelem dwadzieścia razy tańszym. A najciekawsza różnica między nimi w ogóle nie jest w cenniku, tylko w tym, jak liczą polski tekst.

Cennik, limity i dostęp

Na papierze cenniki są identyczne, ale dwie pozycje robią różnicę w praktyce. Odczyt z pamięci podręcznej, czyli ponowne podanie tego samego kontekstu w kolejnym kroku rozmowy, kosztuje u Fable 0,25 dolara za milion tokenów, u Astry cztery razy tyle. Przy długich sesjach agentowych, gdzie ten sam kontekst wraca dziesiątki razy, ta pozycja potrafi ważyć więcej niż stawka za wejście. Z kolei Astra ma tryb szybki, do dwóch i pół raza szybszy za podwójną stawkę, którego Fable nie oferuje.

OpenRouter pokazuje też, ile klienci realnie płacą po uwzględnieniu pamięci podręcznej i rabatów: średnia ważona wejścia to 1,96 dolara za milion u Fable i 2,41 u Astry, przy nominalnych 10 dolarach u obu. Innymi słowy, w prawdziwym użyciu oba modele kosztują ułamek cennika, a Fable nieco mniej, właśnie przez tańszą pamięć podręczną.

Dostęp też różni się konstrukcją. Anthropic wydaje ten sam model w dwóch wersjach: Fable dla wszystkich i Mythos 5.1 dla zweryfikowanych odbiorców z cyberbezpieczeństwa i nauk przyrodniczych, z luźniejszymi filtrami. OpenAI robi to inaczej: jeden model, ale najbardziej zaawansowane funkcje w obszarze bezpieczeństwa za osobną weryfikacją w programie Daybreak, a w firmach model domyślnie wyłączony do czasu włączenia przez administratora. Oba podejścia to odpowiedź na to samo: modele osiągnęły poziom, przy którym o dostępie decyduje tożsamość pytającego, nie treść pytania. Szerzej opisałem to w tekstach o podziale na Fable i Mythos oraz o etapach udostępniania Astry.

Benchmarki producentów: co mówią i czego nie mówią

Poniższa tabela zbiera wyniki opublikowane przy premierze Astry i zestawione przez Vellum i DataCamp. Uczciwe zastrzeżenie: liczby dla Fable 5.1 w tej tabeli pochodzą z materiałów OpenAI, a nie Anthropica, więc to producent Astry wybrał testy i warunki.

Dwie rzeczy z tej tabeli warto przeczytać uważniej. Wynik 99,9 procent Astry w ARC-AGI-3, którego tu nie ma, bo OpenAI nie podało wyniku Fable 5.1, został osiągnięty w specjalnej konfiguracji z adapterem, a na wykresie premierowym zestawiono go ze starszymi modelami testowanymi w innych warunkach. Nawet zespół ARC Prize przestrzegał, że nasycenie tego testu nie dowodzi ogólnej inteligencji. Z drugiej strony przegrana Astry w Humanity’s Last Exam o blisko osiem punktów procentowych to jedyna pozycja, którą OpenAI pokazało na własną niekorzyść, i przez to jedna z bardziej wiarygodnych.

Niezależny indeks: Fable prowadzi, ale o dwa punkty

Artificial Analysis liczy zbiorczy indeks z kilkunastu testów i to z niego korzystam w rankingu modeli na tym serwisie. W wersji 4.2 indeksu, odczytanej 5 września, Fable 5.1 przy maksymalnym wysiłku ma 57 punktów, Astra przy maksymalnym 55. Przy niższych ustawieniach rozumowania oba modele spadają podobnie: Astra do 53 przy wysokim i 48 bez rozumowania, Fable do 54 przy wysokim i 50 przy średnim.

Uwaga na liczby krążące po sieci: część serwisów podaje 66 punktów dla Fable i 61 dla Astry. To wyniki ze starszej wersji indeksu. Wersja 4.2 przeskalowała wszystkie modele w dół, ale kolejność została ta sama: Fable o dwa punkty przed Astrą. Ten sam pomiar podaje, że Fable generuje nieco szybciej (67,1 wobec 63,4 tokena na sekundę) i wychodzi nieco taniej w cenie mieszanej (7,17 wobec 7,70 dolara za milion tokenów przy typowym udziale pamięci podręcznej).

Moje testy: te same zadania, ten sam dzień

Trzy rundy, każda z odpowiedzią sprawdzalną bez uznaniowości. Zestaw pierwszy to sześć zadań z polszczyzny, którymi mierzę modele od sierpnia. Zestaw drugi to trzy funkcje PHP uruchamiane na ukrytych testach i pięć faktów ukrytych w 150 tysiącach znaków tekstu. Zestaw trzeci to osiem pytań o rzeczy prawdziwe i zmyślone oraz faktura z groszami do zaokrąglenia. Wszystko przez to samo API, przy temperaturze 0,2, koszty z rozliczenia.

Polszczyzna: remis, i to nie w dobrym sensie

Oba flagowce rozwiązały pięć z sześciu zadań i oba popełniły dokładnie ten sam błąd: zostawiły „Urzędzie Miasta” wielkimi literami, choć w tym zdaniu to nazwa nieoficjalna. Bezbłędny komplet zrobił Gemini 3.8 Flash, model dwadzieścia razy tańszy. Astra była za to najszybsza: średnio 6,5 sekundy na odpowiedź wobec 9,0 u Fable. Warto dodać, że przy premierze Fable 5.1, trzy dni wcześniej, ten sam model zawiesił się na zadaniu z liczebnikami i nie odpowiedział przez trzy minuty; w powtórce odpowiedział bez problemu. Szczegóły w teście z dnia premiery Fable i w teście Astry.

Kod: 19 na 19 u obu, czyli za łatwo

Slug z polskiego tekstu z transliteracją ogonków, poprawna forma rzeczownika po liczebniku z pułapkami typu 12, 22, 101, 124, oraz scalanie nachodzących na siebie przedziałów. Oba modele zaliczyły wszystkie 19 asercji. To nie mówi, który jest lepszy w kodzie, tylko że próg, przy którym widać różnice, jest dziś wyżej, niż zakładałem. W tym miejscu bardziej niż moje zadania mówią cudze wdrożenia, o których niżej.

Długi kontekst: obaj znaleźli wszystko, ale nie za tę samą cenę

Pięć zmyślonych faktów wstawionych od trzeciego do dziewięćdziesiątego szóstego procenta długości tekstu, pięć pytań, komplet trafień u obu. Astra odpowiedziała w 2,8 sekundy, Fable w 4,8. Kolumna z tokenami mówi więcej niż wynik: ten sam tekst to 45 882 tokeny u Astry i 73 063 u Fable. Przy identycznej stawce jedno pytanie kosztowało 0,58 dolara u Astry i 0,73 u Fable.

Halucynacje i rachunki: żaden nie zmyślił, jeden zerwał połączenie

Cztery pytania o rzeczy nieistniejące (pisarz, ustawa, mecz, miasto) i cztery o fakty z pułapką, w tym o wojewodę lubuskiego, który urzęduje w Gorzowie, a nie w Zielonej Górze. Fable 5.1 odpowiedział poprawnie na wszystkie osiem. Astra na siedem, bo przy jednym pytaniu połączenie zerwało się po dwóch minutach; tam, gdzie odpowiedziała, nie zmyśliła nic. Żaden z modeli nie wymyślił biografii nieistniejącemu pisarzowi ani liczby mieszkańców nieistniejącemu miastu, co rok temu było normą.

Faktura z pułapką w zaokrągleniu (299,97 zł razy 8 procent to 23,9976, czyli 24,00 zł, nie 23,99) wyszła obu modelom co do grosza. Astra policzyła w 3,9 sekundy, Fable w 7,9. Pełny opis obu testów jest w tekście o pisarzu, który nie istnieje.

Podatek tokenowy: ta sama cena, inny rachunek

To najważniejsza liczba w całym porównaniu dla każdego, kto pracuje po polsku. Wysłałem do obu modeli ten sam fragment tekstu, 7843 znaki, z limitem jednego tokena odpowiedzi, i odczytałem z rozliczenia, ile tokenów wejścia policzył każdy z nich. Astra: 2466. Fable 5.1: 3859, czyli o 56 procent więcej. Tokenizer Anthropica dzieli polszczyznę na drobniejsze kawałki i przy identycznym cenniku każde polskie wejście do Fable kosztuje realnie o połowę więcej niż do Astry.

Ten efekt częściowo równoważy tańsza pamięć podręczna Fable: jeżeli ten sam kontekst wraca wielokrotnie, odczyt z pamięci u Fable (0,25 dolara) jest cztery razy tańszy niż u Astry (1,00), więc w długich sesjach z powtarzanym kontekstem rachunek może się wyrównać albo odwrócić. Przy pojedynczych, dużych zapytaniach po polsku Astra jest tańsza w praktyce. Pełny pomiar na ośmiu modelach jest w tekście o podatku tokenowym.

Głosy z sieci: co mówią ci, którzy już wdrożyli

Moje testy mierzą pracę redakcyjną. Do programowania i agentów bardziej wiarygodne są firmy, które puściły Astrę na własnych zadaniach produkcyjnych.

CodeRabbit, narzędzie do automatycznej recenzji kodu, zmierzyło, ile oznaczonych błędów wyłapuje model w ocenie zmian. Astra znalazła 61,3 procent, GPT-5.6 Sol 59,0, a Claude Opus 5 50,2. Największa różnica pojawiła się przy trudnych zmianach rozłożonych na wiele plików: 57,1 procent u Astry wobec 47,6 u Sola i 42,9 u Opusa 5. Autorzy piszą, że „najciekawszy postęp Astry polega na łączeniu właściwych informacji”, ale zastrzegają, że ogólna przewaga nad poprzednikiem jest w tej pierwszej ocenie umiarkowana. Uwaga: porównywali z Opusem 5, nie z Fable 5.1.

Kilo, które testowało Astrę w produkcji przed premierą, opisuje dwie przypadłości. Pierwsza to skłonność do przesadnych rozwiązań: „poproś o punktową poprawkę, a Astra często zwróci ogromną zmianę z rozległym pull requestem”. Druga to spalanie tokenów na nadmiarowy research: „sięga po sieć i narzędzia częściej, niż potrzebuje”. Zespół zaobserwował nocne przebiegi po dwa tysiące kroków i zaleca mniej plików z instrukcjami dla agenta, za to wyraźne polecenie minimalizmu i oddawanie modelowi całych funkcji zamiast list podzadań. Odnotowali też, że Astra ani razu nie wyszła poza autoryzowany zakres zadania, podczas gdy Sol robił to w 48 procentach przypadków.

ChatPRD po tygodniu pracy podsumowuje, że prawdziwa historia Astry to obsługa komputera: model operuje Excelem, Unity, Blenderem i edytorami dokumentów, a autor „spędza około 90 procent dnia, patrząc, jak model używa jego komputera”. Ten sam recenzent dodaje, że Claude nadal ma lepszy smak wizualny i lepiej robi zasoby graficzne, więc do projektowania wraca do modelu Anthropica.

Konsensus recenzji porównawczych (MindStudio, explainx, Chase AI, AlphaCorp) jest jednobrzmiący: brak jednego zwycięzcy, wybór według kształtu zadania, nie według zrzutu ekranu z rankingiem.

Kiedy który

Czego jeszcze nie wiadomo

Po pierwsze, nie ma jeszcze zestawu testów wykonanych przez jedną, niezależną stronę na obu modelach w identycznych warunkach poza indeksem Artificial Analysis. Po drugie, moje testy to jeden przebieg każdego zadania; przy temperaturze 0,2 modele nie są w pełni powtarzalne, co widziałem na własne oczy, gdy Fable raz zapisał „urzędzie miasta” małą literą, a raz wielką. Po trzecie, oba modele mają za sobą mniej niż tydzień na rynku, a takie rzeczy jak zerwane połączenia i zawieszenia mogą być objawem obciążenia serwerów po premierze, a nie cechą modelu.

Ten tekst będzie aktualizowany. Następne w kolejce: powtórka wszystkich testów po dwóch tygodniach, gdy premierowy ruch opadnie, trudniejszy zestaw zadań z kodu i pomiar pamięci podręcznej na realnej sesji agentowej.

Pytania czytelników

Który model jest lepszy: GPT-6 Astra czy Claude Fable 5.1?

Nie ma jednego zwycięzcy. Astra wygrywa w matematyce, rozumowaniu abstrakcyjnym, automatyzacji pracy z komputerem i cyberbezpieczeństwie. Fable 5.1 prowadzi w niezależnym indeksie Artificial Analysis (57 do 55), w teście Humanity's Last Exam z narzędziami i w moim teście halucynacji. W zadaniach po polsku oba popełniły ten sam błąd i oba przegrały z dużo tańszym modelem.

Ile kosztują GPT-6 Astra i Claude Fable 5.1?

Identycznie: 10 dolarów za milion tokenów wejścia i 50 dolarów za milion wyjścia. Różnica siedzi w pamięci podręcznej: odczyt z niej kosztuje u Fable 0,25 dolara, u Astry 1,00 dolara za milion tokenów, co ma znaczenie przy długich rozmowach i agentach.

Który model jest tańszy w praktyce dla polskiego tekstu?

Astra, mimo tego samego cennika. Tokenizer OpenAI dzieli polszczyznę na mniej kawałków: ten sam tekst to u Astry 2466 tokenów, u Fable 3859, czyli o 56 procent więcej. Przy identycznej stawce wejście do Fable kosztuje realnie więcej.

Który jest szybszy?

W moich krótkich zadaniach po polsku Astra odpowiadała średnio w 6,5 sekundy, Fable 5.1 w 9,0. W pomiarze Artificial Analysis przy maksymalnym wysiłku Fable generuje 67,1 tokena na sekundę, Astra 63,4, ale Astra dłużej czeka przed pierwszym tokenem.

Który wybrać do programowania?

W testach OpenAI Astra prowadzi w Terminal-Bench 4.0 (57,7 do 55,8) i w automatyzacji, a według CodeRabbit lepiej łączy informacje rozproszone po wielu plikach. Fable 5.1 był szybszy i tańszy w indeksie Artificial Analysis. W moim teście trzech funkcji PHP oba zaliczyły komplet, więc różnice widać dopiero przy naprawdę trudnych zadaniach.

Jakie mają okno kontekstu?

Fable 5.1 milion tokenów, Astra 1,05 miliona. W moim teście z pięcioma faktami ukrytymi w 150 tysiącach znaków oba znalazły wszystko, ale Astra policzyła za ten tekst 45 882 tokeny, a Fable 73 063.

Źródła

• Wyniki benchmarków: zestawienia Vellum i DataCamp na podstawie materiałów OpenAI z 3 września 2026.
• Niezależny indeks: Artificial Analysis, porównanie GPT-6 Astra i Claude Fable 5.1, odczyt 5 września 2026.
• Cennik i limity: API OpenRoutera, strony modeli GPT-6 Astra i Claude Fable 5.1.
• Wdrożenia: CodeRabbit, Kilo, ChatPRD.
• Recenzje porównawcze: MindStudio, explainx.
• Własne testy: teksty podlinkowane w treści; surowe odpowiedzi modeli zapisane i dostępne na życzenie.

// czytaj dalejBiały Dom kontra Anthropic: kto naprawdę boi się Claude Fable 5NewsyClaude vs ChatGPT: porównanie do tekstów, zdjęć i koduArtykułyClaude Fable 5.1 z oficjalnym cennikiem API: 10,00 / 50,00 dolarów za milion tokenówNewsy