GPT-5.6 vs. Claude Fable 5: Har OpenAI indhentet Anthropic i 2026?

Der findes flere materialer om konfiguration af værktøjer i Ailoot-dokumentationen.

Hvad skete der egentlig: GPT-5.6 og Claude Fable 5 på 5 minutter#

To store udgivelser kom inden for et par uger af hinanden. Claude Fable 5, Anthropics mest kraftfulde bredt tilgængelige model, blev præsenteret den 9. juni, derefter midlertidigt trukket tilbage på grund af eksportrestriktioner og gjort tilgængelig globalt igen den 1. juli 2026. OpenAIs GPT-5.6 blev vist frem for partnere den 26. juni og blev tilgængelig for alle den 9. juli.

GPT-5.6 findes i tre varianter til forskellige budgetter og opgaver:

• Sol (og Sol Ultra) er den mest kraftfulde og er udviklet til cybersikkerhed, terminalarbejde og lange Codex-sessioner.
• Terra er mellemniveauet, en daglig ”standardmodel” til de fleste opgaver.
• Luna er den billigste og passer til store mængder og enkle opgaver.

Claude Fable 5 er én enkelt model uden samme udvalg af muligheder, plus dens lukkede modstykke Mythos 5 (samme motor, men uden restriktive filtre; adgang er kun tilgængelig gennem den amerikanske regerings cybersikkerhedsprogram). Mythos er ikke tilgængelig for vibe coders, så fra nu af sammenligner jeg Fable 5 med GPT-5.6-serien.

Hvad betyder ”indhentet”: hvilke tests slog GPT-5.6 Fable 5 i?#

Overskrifterne kom fra en sammenligning i Terminal-Bench 2.1, en samling opgaver, hvor en model styrer en terminal og kommandolinje. Tallene er reelle og taler til OpenAIs fordel:

Til terminal- og basharbejdsgange er GPT-5.6 Sol faktisk hurtigere og mere præcis end Fable 5. Hvis dit arbejde omfatter scripts, automatisering af miljøer, loganalyse eller terminalkommandoer, så har OpenAI slået Anthropic her. Det er fair at anerkende uden at forsøge at bortforklare det til fordel for ”vores” side.

Problemet med overskrifterne ligger et andet sted. ”Indhentet i Terminal-Bench” bliver i stilhed til ”indhentet overalt”. Det passer simpelthen ikke.

Hvad dokumenterer den offentliggjorte SWE-Bench Pro-tabel?#

Terminal-Bench tester terminalarbejde. SWE-Bench Pro tester derimod det, vibe coders gør hver dag: at tage et rigtigt projekt med rodet kode, finde en aktuel fejl og rette den uden at ødelægge noget i nærheden. Det ligger tættere på virkeligt arbejde end at køre kommandoer i en terminal.

Se på sidste række: Et manglende resultat er manglende evidens, ikke en lav score. Det dokumenterer hverken, hvilken model der vinder, eller hvorfor resultatet blev udeladt. Sammenlign kun numeriske resultater for samme benchmark og opsætning, og brug et projektpilotforsøg til den umålte sammenligning.

Anthropic griber det an fra en anden vinkel og fremhæver lange opgaver:

Der er også evidens ud over benchmarks. Ifølge Anthropic sagde folk hos Stripe, at Fable 5 komprimerede måneders arbejde til dage: Modellen gennemførte migreringen af en Ruby-kodebase på 50 millioner linjer på én dag — en opgave, der ville have taget teamet mere end to måneder. Det er et leverandørudvalgt casestudie, ikke en kontrolleret sammenligning med Sol. Det peger på en opgave, der er værd at teste, og kan ikke i sig selv dokumentere en relativ føring.

Det er let at hænge fast i spørgsmålet om, ”hvilken model er mest kraftfuld”. Men i mine projekter er forskellen oftere ikke modellen, men det, jeg putter ind i dens kontekst. Selv en mellemmodel med en velstruktureret business/ og CLAUDE.md klarer sig bedre end en topmodel med tom kontekst. Det, der betyder mest, er konteksten, modellen arbejder med: en business/-mappe med en sammenhængende vidensstruktur om dit arbejde, som modellen læser ved hver forespørgsel, og styring af, hvad der kommer ind i konteksten, før du formulerer din prompt. Med dette bliver forskellen mellem GPT-5.6 og Fable 5 mindre afgørende. Begge bliver mere forudsigelige, fordi de ikke længere arbejder i et tomrum.

Hvad koster GPT-5.6 egentlig sammenlignet med Claude Fable 5?#

Pristabellen bevarer lanceringsværdierne til sammenligning, ikke dagens priser. Kontrollér den aktuelle officielle pris, før du budgetterer en ny kørsel. Pris er den anden halvdel af en ærlig samtale. En token er et stykke tekst, som en model bruger til at måle mængden: Jo længere din prompt og dens svar er, desto flere tokens bruger du, og desto flere penge trækkes fra din konto. For en vibe coder er det rigtige penge.

Selv topmodellen Sol koster omkring halvt så meget som Fable for output, mens Luna koster flere gange mindre. Hvis du kører store mængder lignende opgaver, og kvalitetsforskellen ikke er afgørende for dem, kan GPT-5.6 give betydelige besparelser.

Men prisen pr. token er ikke det samme som prisen pr. resultat. Hvis en model misser opgaven to gange, har du betalt tre gange: to gange for de forkerte forsøg og én gang for det rigtige. På en vanskelig opgave kan en mere præcis model ende med at være billigere, selvom dens tokens koster mere. En billig kørsel, der skal gentages, er den dyreste. Jeg har gennemgået denne skjulte regning separat i guiden til de reelle omkostninger ved vibe coding.

Hvad betyder noget for en vibe coder, og hvad er markedsføring?#

Begge virksomheder præsenterer det billede, der taler til deres fordel. OpenAI fremhæver Terminal-Bench, hvor virksomheden vinder, og siger ”vi har indhentet dem”. Anthropic peger på lange migreringer som evidens for modellens evner. Leverandøreksempler og separate benchmarks er nyttige input, men fastslår ikke én fælles rangordning på tværs af opgaver.

Her er, hvad du kan tage med dig:

1. Én test beskriver ikke en model. ”Slog den i Terminal-Bench” og ”bedst til kodning” er forskellige påstande. Tjek præcis hvilket benchmark en overskrift henviser til.
2. Behandl manglende resultater som ukendte. En udeladt score afslører ikke ydeevnen eller årsagen til udeladelsen. Find en sammenlignelig offentliggjort kørsel, eller mål din egen opgave frem for at tildele en placering.
3. Din opgave betyder mere end en samlet rangering. Modellen, der i gennemsnit rangerer som nummer ét, kan rangere som nummer tre på det, du faktisk laver.

At efterprøve andres bombastiske påstande er en færdighed i sig selv. Hvis du endnu ikke ved, hvordan du læser modeloutput kritisk, kan du se denne guide til at kontrollere AI-genereret kode, når du ikke selv er programmør.

GPT-5.6 eller Claude Fable 5: hvilken skal du vælge til din opgave?#

I stedet for at spørge ”hvem vandt samlet set” er en tabel over ”hvad du skal bruge til hvilken opgave” mere nyttig:

Mange ender med at have begge muligheder ved hånden og skifte efter opgaven. Hvis du især er interesseret i kodefejlrettelser og lange opgaver i et velkendt værktøj, har jeg en separat guide om arbejde med Claude Fable 5 i Claude Code. Hvis OpenAI-økosystemet tiltaler dig, kan du se hvordan du skifter til Codex. Og hvis du er mere interesseret i et åbent og billigere alternativ til begge, kan du se sammenligningen af GLM-5.2 og Claude Code.

Hvorfor modellen ikke er den vigtigste faktor for effektivitet#

Jeg har prøvet forskellige modeller på mine projekter, og her er, hvad jeg har bemærket: For de fleste af mine opgaver er forskellen mellem ”model nummer ét” og ”model nummer tre” mindre end forskellen mellem ”et tomt projekt” og ”et projekt med velstruktureret kontekst”. Den samme model producerer noget bras ud fra en nøgen prompt, men giver et brugbart resultat med en struktur bygget omkring business/ og CLAUDE.md.

Derfor er kapløbet bag overskrifterne om, ”hvem der indhentede hvem”, sekundært for en vibe coder. Tre ting, der fungerer med alle disse modeller, betyder langt mere:

Byg denne kombination, så bliver forskellen mellem GPT-5.6 og Fable 5 ikke længere afgørende. Begge bliver mere forudsigelige, fordi de ikke længere arbejder i et vakuum.

Hvad du kan gøre nu#

En praktisk rækkefølge:

1. Vælg én konkret opgave

   En opgave, du faktisk udfører: ret en fejl, byg en produktsektion eller skriv et script. Legeeksempler er ikke repræsentative.

2. Kør den på begge modeller

   Brug den samme prompt med GPT-5.6 og Claude Fable 5. Sammenlign ikke kun resultatet, men også hvor mange forsøg det krævede.

3. Beregn omkostningen pr. resultat

   Beregn de samlede omkostninger: alt det, der skulle til for at få opgaven til at fungere. Prisen pr. token kan være misvisende her.

4. Saml projektets kontekst

   CLAUDE.md og mappen business/ forbedrer kvaliteten mere end at skifte model.

Modellerne vil blive ved med at overhale hinanden, og hvert skift i føringen bliver præsenteret som ”epokegørende”. Du behøver ikke jagte den nyeste model hver gang; vinderen er den, der har en velstruktureret proces. Det er derfor værd at investere i den næste.

Debatten om modeller handler om én ting: Uden velstruktureret kontekst er de alle ustabile. For flere materialer om brug af værktøjer, se Ailoot-dokumentationen.