GPT-5.6 ir Claude Fable 5: ar OpenAI pasivijo Anthropic 2026 m.?

Daugiau medžiagos apie įrankių konfigūravimą rasite Ailoot dokumentacijoje.

Kas iš tikrųjų nutiko: GPT-5.6 ir Claude Fable 5 per 5 minutes#

Du svarbūs leidimai pasirodė vos kelių savaičių skirtumu. Claude Fable 5, galingiausias plačiai prieinamas Anthropic modelis, pristatytas birželio 9 d., vėliau laikinai atšauktas dėl eksporto apribojimų ir 2026 m. liepos 1 d. vėl pristatytas visame pasaulyje. OpenAI GPT-5.6 birželio 26 d. buvo pateiktas partneriams peržiūrėti, o liepos 9 d. tapo prieinamas visiems.

GPT-5.6 siūlomas trimis variantais, skirtais skirtingiems biudžetams ir užduotims:

• Sol (ir Sol Ultra) yra galingiausias variantas, skirtas kibernetiniam saugumui, darbui terminale ir ilgoms Codex sesijoms.
• Terra yra vidutinės klasės pasirinkimas — kasdienis universalus „numatytasis“ modelis.
• Luna yra pigiausias variantas, skirtas dideliam užklausų kiekiui ir paprastoms užduotims.

Claude Fable 5 yra vienas modelis, neturintis tokio pasirinkimų diapazono, o jo uždaras atitikmuo yra Mythos 5 (tas pats variklis, tik be ribojančių filtrų; prieiga suteikiama tik per JAV vyriausybės kibernetinio saugumo programą). Mythos neprieinamas vibe coding kuriantiems žmonėms, todėl toliau lyginu Fable 5 su GPT-5.6 modelių linija.

Ką reiškia „pasivijo“: kokiuose testuose GPT-5.6 pranoko Fable 5?#

Antraštės pasirodė po Terminal-Bench 2.1 palyginimo — užduočių rinkinio, kuriame modelis valdo terminalą ir komandų eilutę. Skaičiai tikri ir palankūs OpenAI:

Atliekant terminalo ir bash darbo eigas, GPT-5.6 Sol iš tiesų yra greitesnis ir tikslesnis už Fable 5. Jei jūsų darbas apima scenarijus, aplinkos automatizavimą, žurnalų analizę ar terminalo komandas, tuomet taip — čia OpenAI įveikė Anthropic. Teisinga tai pripažinti ir nemėginti šio fakto nutylėti savo „pusės“ naudai.

Antraščių problema slypi kitur. „Pasivijo Terminal-Bench“ nepastebimai virsta „pasivijo visur“. Tai tiesiog netiesa.

Ką patvirtina paskelbta SWE-Bench Pro lentelė?#

Terminal-Bench tikrina darbą terminale. O SWE-Bench Pro tikrina tai, ką vibe coding kuriantys žmonės daro kasdien: paima tikrą projektą su painiu kodu, randa esamą klaidą ir ją ištaiso, nesugadindami nieko aplinkui. Tai artimiau tikram darbui nei komandų vykdymas terminale.

Pažvelkite į paskutinę eilutę: trūkstamas rezultatas reiškia trūkstamus įrodymus, o ne žemą balą. Jis neparodo nei nugalėtojo, nei rezultato nepateikimo priežasties. Lyginkite tik to paties testo ir sąrankos skaitinius rezultatus, o nepamatuotą palyginimą tikrinkite bandomąja projekto užduotimi.

Anthropic į tai žvelgia kitu kampu ir pabrėžia ilgas užduotis:

Yra ir ne vien etaloninių testų įrodymų. Anot Anthropic, Stripe darbuotojai sakė, kad Fable 5 mėnesių darbą sutrumpino iki kelių dienų: modelis per vieną dieną atliko 50 milijonų eilučių Ruby kodo bazės perkėlimą — užduotį, kuriai komandai būtų prireikę daugiau nei dviejų mėnesių. Tai tiekėjo pasirinkta atvejo analizė, o ne kontroliuojamas palyginimas su Sol. Ji pasiūlo vertą patikrinti užduotį, tačiau savaime negali įrodyti santykinio pranašumo.

Kiek iš tikrųjų kainuoja GPT-5.6, palyginti su Claude Fable 5?#

Kainų lentelėje paliktos pristatymo laikotarpio vertės palyginimui, o ne dabartinė kainodara. Prieš planuodami naujo paleidimo biudžetą patikrinkite dabartinę oficialią kainą. Kaina — kita sąžiningo pokalbio dalis. Žetonas yra teksto dalis, kuria modelis matuoja apimtį: kuo ilgesnė jūsų užklausa ir jo atsakymas, tuo daugiau žetonų sunaudojate ir tuo daugiau pinigų nuskaičiuojama iš jūsų sąskaitos. Vibe coding kuriantiems žmonėms tai tikri pinigai.

Net aukščiausios klasės Sol išvesties kaina yra maždaug perpus mažesnė nei Fable, o Luna kainuoja kelis kartus mažiau. Jei vykdote daug panašių užduočių ir joms kokybės skirtumas nėra kritinis, GPT-5.6 gali padėti gerokai sutaupyti.

Tačiau kaina už žetoną nėra tas pats, kas kaina už rezultatą. Jei modelis užduotį atlieka neteisingai du kartus, sumokėjote tris kartus: du už klaidingus bandymus ir vieną už teisingą. Atliekant sudėtingą užduotį, tikslesnis modelis gali galiausiai kainuoti mažiau, net jei jo žetonai brangesni. Pigus paleidimas, kurį tenka kartoti, yra pats brangiausias. Šią paslėptą aritmetiką atskirai aptariau vadove apie tikrąją vibe coding kainą.

Kas svarbu vibe coding kuriantiems žmonėms, o kas tėra rinkodara?#

Abi bendrovės pateikia joms palankų vaizdą. OpenAI pabrėžia Terminal-Bench, kuriame laimi, ir sako: „mes pasivijome“. Anthropic ilgas perkėlimo užduotis pateikia kaip savo modelio galimybių įrodymą. Tiekėjų pavyzdžiai ir atskiri testai yra naudingi duomenys, tačiau nenustato vieno bendro visų užduočių reitingo.

Štai ką galite iš to suprasti:

1. Vienas testas neapibūdina modelio. „Įveikė jį Terminal-Bench“ ir „geriausias programavimui“ yra skirtingi teiginiai. Tiksliai patikrinkite, apie kurį etaloninį testą kalbama antraštėje.
2. Trūkstamus rezultatus laikykite nežinomais. Nepateiktas balas neatskleidžia nei našumo, nei nepateikimo priežasties. Ieškokite palyginamo paskelbto bandymo arba išmatuokite savo užduotį, užuot skyrę vietą reitinge.
3. Jūsų užduotis svarbesnė už bendrą reitingą. Vidutiniškai pirmoje vietoje esantis modelis gali būti trečias atliekant būtent tai, ką darote jūs.

Tikrinimas, ar drąsūs kitų teiginiai pagrįsti, yra atskiras įgūdis. Jei dar nežinote, kaip kritiškai vertinti modelio išvestį, peržiūrėkite šį vadovą, kaip tikrinti dirbtinio intelekto sugeneruotą kodą, net jei nesate programuotojas.

GPT-5.6 ar Claude Fable 5: kurį pasirinkti savo užduočiai?#

Užuot klausę „kas laimėjo apskritai“, geriau pasižiūrėkite į lentelę „ką naudoti kuriai užduočiai“:

Daugelis galiausiai pasilieka abu variantus ir keičia juos pagal užduotį. Jei jums konkrečiai reikia taisyti kodą ir atlikti ilgas užduotis pažįstamame įrankyje, skaitykite atskirą vadovą apie darbą su Claude Fable 5 programoje Claude Code. Jei jus domina OpenAI ekosistema, žr. kaip pereiti prie Codex. O jei labiau domina atvira ir pigesnė alternatyva abiem, žr. GLM-5.2 ir Claude Code palyginimą.

Kodėl modelis nėra pagrindinis efektyvumo svertas#

Savo projektuose išbandžiau įvairius modelius ir pastebėjau štai ką: daugumoje mano užduočių skirtumas tarp „pirmoje vietoje esančio modelio“ ir „trečioje vietoje esančio modelio“ mažesnis nei skirtumas tarp „tuščio projekto“ ir „projekto su gerai parengtu kontekstu“. Tas pats modelis iš pliko raginimo sugeneruoja nesąmonių, bet pateikia veikiantį rezultatą, kai aplink jį sukurta struktūra su business/ ir CLAUDE.md.

Todėl vibe coding kuriantiems žmonėms lenktynės dėl to, „kas ką pasivijo“, yra antraeilės. Daug svarbesni trys dalykai, veikiantys su bet kuriuo iš šių modelių:

Sukurkite šį derinį, ir skirtumas tarp GPT-5.6 bei Fable 5 nustos lemti rezultatą. Abu taps patikimesni, nes nebedirbs vakuume.

Ką daryti dabar#

Praktiška veiksmų seka:

1. Pasirinkite vieną realią užduotį

   Tokią, kurią iš tikrųjų atliekate: ištaisykite klaidą, sukurkite produkto skiltį arba parašykite scenarijų. Žaisliniai pavyzdžiai nėra reprezentatyvūs.

2. Atlikite ją abiem modeliais

   GPT-5.6 ir Claude Fable 5 pateikite tą pačią užklausą. Palyginkite ne tik rezultatą, bet ir tai, kiek bandymų prireikė.

3. Apskaičiuokite vieno rezultato kainą

   Apskaičiuokite visas išlaidas — viską, ko prireikė, kad užduotis būtų atlikta ir rezultatas veiktų. Kaina už tokeną šiuo atveju gali klaidinti.

4. Parenkite projekto kontekstą

   CLAUDE.md ir business/ aplankas pagerins kokybę labiau nei modelio pakeitimas.

Modeliai ir toliau vieni kitus lenks, o kiekvienas persvaros pokytis bus pristatomas kaip „istorinis“. Nereikia kaskart vytis naujausio modelio; laimi tas, kuris naudojamas gerai parengtame procese. Todėl verta investuoti būtent į jį.

Visa diskusija apie modelius susiveda į vieną dalyką: be gerai parengto konteksto kiekvienas jų veikia nestabiliai. Daugiau medžiagos apie darbą su įrankiais rasite Ailoot dokumentacijoje.