GPT-5.6 oder Claude Fable 5: Benchmarks und Preise

Weitere Materialien zur Konfiguration von Tools findest du in der Ailoot-Dokumentation.

Was ist tatsächlich passiert: GPT-5.6 und Claude Fable 5 in 5 Minuten#

Zwei große Veröffentlichungen erfolgten innerhalb weniger Wochen. Claude Fable 5, Anthropics leistungsstärkstes weithin verfügbares Modell, wurde am 9. Juni vorgestellt, dann wegen Exportbeschränkungen vorübergehend zurückgezogen und am 1. Juli 2026 weltweit wieder eingeführt. GPT-5.6 von OpenAI durchlief am 26. Juni eine Vorschau für Partner und wurde am 9. Juli allen zur Verfügung gestellt.

GPT-5.6 gibt es in drei Varianten für unterschiedliche Budgets und Aufgaben:

• Sol (und Sol Ultra) ist die leistungsstärkste Variante, ausgelegt auf Cybersicherheit, Terminal-Arbeit und lange Codex-Sitzungen.
• Terra ist die Mittelklasse-Option, ein alltägliches „Standard“-Arbeitstier.
• Luna ist die günstigste Variante für große Mengen und einfache Aufgaben.

Claude Fable 5 ist ein einzelnes Modell ohne diese Auswahl, ergänzt durch sein geschlossenes Gegenstück Mythos 5 (dieselbe Engine, aber ohne restriktive Filter; Zugriff ist nur über das Cybersicherheitsprogramm der US-Regierung möglich). Mythos ist für Vibe-Coder nicht verfügbar; deshalb vergleiche ich im Folgenden Fable 5 mit der GPT-5.6-Modellreihe.

Was bedeutet „aufgeschlossen“: Bei welchen Tests hat GPT-5.6 Fable 5 geschlagen?#

Die Schlagzeilen gingen auf einen Terminal-Bench-2.1-Vergleich zurück, eine Reihe von Aufgaben, bei denen ein Modell ein Terminal und eine Befehlszeile steuert. Die Zahlen sind echt und sprechen für OpenAI:

Bei Terminal- und Bash-Workflows ist GPT-5.6 Sol tatsächlich schneller und genauer als Fable 5. Wenn deine Arbeit Skripte, Umgebungsautomatisierung, Log-Analyse oder Terminal-Befehle umfasst, hat OpenAI Anthropic hier also geschlagen. Das sollte man fairerweise anerkennen, ohne es zugunsten der „eigenen“ Seite schönzureden.

Das Problem mit den Schlagzeilen liegt woanders. Aus „bei Terminal-Bench aufgeholt“ wird stillschweigend „überall aufgeholt“. Das stimmt schlicht nicht.

Was belegt die veröffentlichte SWE-Bench-Pro-Tabelle?#

Terminal-Bench testet Terminal-Arbeit. SWE-Bench Pro prüft dagegen, was Vibe-Coder täglich tun: ein echtes Projekt mit verworrenem Code nehmen, einen aktiven Fehler finden und ihn beheben, ohne etwas in der Nähe kaputtzumachen. Das kommt der echten Arbeit näher als Befehle in einem Terminal auszuführen.

Die letzte Zeile zeigt fehlende Evidenz, keinen niedrigen Wert. Sie belegt weder einen Sieger noch den Grund des fehlenden Ergebnisses. Vergleiche nur numerische Ergebnisse desselben Benchmarks unter derselben Einrichtung. Prüfe den nicht gemessenen Direktvergleich mit einem Projektpilot.

Anthropic nähert sich dem Thema aus einem anderen Blickwinkel und betont lange Aufgaben:

Es gibt auch Belege jenseits von Benchmarks. Laut Anthropic sagten Mitarbeiter von Stripe, Fable 5 habe Monate an Arbeit auf Tage komprimiert: Das Modell schloss die Migration einer Ruby-Codebasis mit 50 Millionen Zeilen an einem Tag ab – eine Aufgabe, für die das Team mehr als zwei Monate gebraucht hätte. Das ist eine vom Anbieter ausgewählte Fallstudie, kein kontrollierter Sol-Vergleich. Sie liefert eine sinnvolle Testaufgabe, belegt allein aber keinen relativen Vorsprung.

Man kann sich leicht an der Frage festbeißen, „welches Modell leistungsfähiger ist“. Bei meinen Projekten entscheidet jedoch häufiger nicht das Modell, sondern das, was ich in seinen Kontext gebe. Selbst ein Mittelklassemodell mit einem gut zusammengestellten business/-Ordner und einer CLAUDE.md übertrifft ein Spitzenmodell mit leerem Kontext.

Was kostet GPT-5.6 im Vergleich zu Claude Fable 5 wirklich?#

Die Preistabelle bewahrt Startwerte zum historischen Vergleich, keine heutigen Preise. Prüfe vor neuen Budgetentscheidungen den aktuellen offiziellen Preis. Der Preis ist die andere Hälfte eines ehrlichen Gesprächs. Ein Token ist ein Textstück, mit dem ein Modell das Volumen misst: Je länger dein Prompt und die Antwort, desto mehr Token verbrauchst du und desto mehr Geld wird von deinem Konto abgebucht. Für Vibe-Coder ist das echtes Geld.

Selbst die Spitzenvariante Sol kostet für Ausgaben etwa halb so viel wie Fable, während Luna mehrere Male günstiger ist. Wenn du eine große Menge ähnlicher Aufgaben ausführst und der Qualitätsunterschied dabei keine entscheidende Rolle spielt, kann GPT-5.6 erhebliche Einsparungen bringen.

Doch der Preis pro Token ist nicht dasselbe wie der Preis pro Ergebnis. Wenn ein Modell die Aufgabe zweimal verfehlt, hast du dreimal bezahlt: zweimal für die falschen Versuche und einmal für den richtigen. Bei einer schwierigen Aufgabe kann ein genaueres Modell am Ende günstiger sein, auch wenn seine Token mehr kosten. Ein günstiger Durchlauf, der wiederholt werden muss, ist der teuerste. Diese versteckte Rechnung habe ich separat im Leitfaden zu den tatsächlichen Kosten von Vibe-Coding behandelt.

Was zählt für Vibe-Coder, und was ist Marketing?#

Beide Unternehmen stellen das Bild so dar, dass es ihnen nützt. OpenAI verweist auf Terminal-Bench, wo es gewinnt, und sagt: „Wir haben aufgeholt.“ Anthropic verweist auf lange Migrationen als Beleg für die Fähigkeiten seines Modells. Anbieterbeispiele und einzelne Benchmarks sind nützliche Hinweise, ergeben aber keine gemeinsame Rangfolge über alle Aufgaben.

Das kannst du daraus mitnehmen:

1. Ein einzelner Test beschreibt kein Modell. „Bei Terminal-Bench geschlagen“ und „am besten fürs Coding“ sind unterschiedliche Aussagen. Prüfe genau, auf welchen Benchmark sich eine Schlagzeile bezieht.
2. Behandle fehlende Ergebnisse als unbekannt. Ein ausgelassener Wert verrät weder Leistung noch Auslassungsgrund. Suche einen vergleichbaren veröffentlichten Lauf oder miss die eigene Aufgabe, statt einen Rang zuzuweisen.
3. Deine Aufgabe ist wichtiger als eine Gesamtrangliste. Das Modell auf Platz eins im Durchschnitt kann bei dem, was du tatsächlich tust, auf Platz drei liegen.

Die markigen Behauptungen anderer zu überprüfen, ist eine Fähigkeit für sich. Wenn du noch nicht weißt, wie du Modellausgaben kritisch liest, wirf einen Blick auf diesen Leitfaden zum Prüfen KI-generierten Codes, wenn du selbst kein Programmierer bist.

GPT-5.6 oder Claude Fable 5: Welches Modell solltest du für deine Aufgabe wählen?#

Statt zu fragen, „wer insgesamt gewonnen hat“, ist eine Tabelle mit „was für welche Aufgabe zu verwenden ist“ hilfreicher:

Viele halten am Ende beide Optionen bereit und wechseln je nach Aufgabe. Wenn du gezielt Code-Reparaturen und lange Aufgaben mit einem vertrauten Tool erledigen willst, findest du in meinem separaten Leitfaden mehr dazu, wie du mit Claude Fable 5 in Claude Code arbeitest. Wenn dich das OpenAI-Ökosystem anspricht, erfährst du hier, wie du zu Codex wechselst. Und wenn du eher an einer offenen und günstigeren Alternative zu beiden interessiert bist, findest du hier den Vergleich von GLM-5.2 und Claude Code.

Warum das Modell nicht der wichtigste Hebel für Effizienz ist#

Ich habe für meine Projekte verschiedene Modelle ausprobiert und dabei Folgendes bemerkt: Bei den meisten meiner Aufgaben ist der Abstand zwischen „dem Modell auf Platz eins“ und „dem Modell auf Platz drei“ kleiner als der Abstand zwischen „einem leeren Projekt“ und „einem Projekt mit gut zusammengestelltem Kontext“. Dasselbe Modell produziert aus einem bloßen Prompt Unsinn, liefert aber mit einer Struktur rund um business/ und CLAUDE.md ein funktionierendes Ergebnis.

Deshalb ist das Rennen hinter Schlagzeilen wie „Wer hat zu wem aufgeschlossen?“ für Vibe-Coder zweitrangig. Drei Dinge, die mit jedem dieser Modelle funktionieren, sind viel wichtiger:

Baue diese Kombination auf, und der Unterschied zwischen GPT-5.6 und Fable 5 ist nicht mehr entscheidend. Beide werden berechenbarer, weil sie nicht länger im luftleeren Raum arbeiten.

Was du jetzt tun solltest#

Eine praktische Reihenfolge:

1. Wähle eine echte Aufgabe

   Eine, die du tatsächlich erledigst: einen Fehler beheben, einen Produktabschnitt erstellen oder ein Skript schreiben. Spielzeugbeispiele sind nicht repräsentativ.

2. Führe sie mit beiden Modellen aus

   Verwende denselben Prompt für GPT-5.6 und Claude Fable 5. Vergleiche nicht nur das Ergebnis, sondern auch, wie viele Versuche nötig waren.

3. Berechne die Kosten pro Ergebnis

   Berechne die Gesamtkosten: alles, was nötig war, um die Aufgabe zu einem funktionierenden Ergebnis zu bringen. Der Preis pro Token kann hier irreführend sein.

4. Stelle deinen Projektkontext zusammen

   CLAUDE.md und der business/-Ordner verbessern die Qualität stärker als ein Modellwechsel.

Modelle werden sich weiterhin gegenseitig überholen, und jeder Führungswechsel wird als „epochal“ dargestellt. Du musst nicht jedes Mal dem neuesten Modell hinterherlaufen; Sieger ist derjenige mit einem gut zusammengestellten Prozess. Es lohnt sich also, als Nächstes darin zu investieren.

Die ganze Debatte über Modelle läuft auf eines hinaus: Ohne gut zusammengestellten Kontext arbeitet jedes davon unbeständig. Weitere Materialien zur Arbeit mit Tools findest du in der Ailoot-Dokumentation.