GPT-5.6 vs. Claude Fable 5: Adakah OpenAI sudah mengejar Anthropic pada 2026?

Bahan tambahan tentang konfigurasi alat tersedia dalam dokumentasi Ailoot.

Apa yang sebenarnya berlaku: GPT-5.6 dan Claude Fable 5 dalam 5 minit#

Dua pelancaran besar berlaku dalam tempoh beberapa minggu. Claude Fable 5, model Anthropic paling berkuasa yang tersedia secara meluas, diperkenalkan pada 9 Jun, kemudian ditarik balik buat sementara waktu kerana sekatan eksport sebelum disediakan semula di seluruh dunia pada 1 Julai 2026. GPT-5.6 daripada OpenAI melalui pratonton rakan kongsi pada 26 Jun dan tersedia kepada semua orang pada 9 Julai.

GPT-5.6 hadir dalam tiga varian untuk bajet dan tugasan yang berbeza:

• Sol (dan Sol Ultra) ialah varian paling berkuasa, direka untuk keselamatan siber, kerja terminal dan sesi Codex yang panjang.
• Terra ialah pilihan pertengahan, model serba guna “lalai” untuk kegunaan harian.
• Luna ialah varian paling murah, untuk tugasan berjumlah besar dan tugasan mudah.

Claude Fable 5 ialah satu model tanpa rangkaian pilihan sebegitu, serta Mythos 5, model sepadan yang tertutup (enjin yang sama, tetapi tanpa penapis ketat; akses hanya tersedia melalui program keselamatan siber kerajaan AS). Mythos tidak tersedia kepada pembangun vibe coding, jadi mulai sekarang saya membandingkan Fable 5 dengan rangkaian GPT-5.6.

Apakah maksud “sudah mengejar”: ujian manakah yang GPT-5.6 menewaskan Fable 5?#

Tajuk berita itu berpunca daripada perbandingan Terminal-Bench 2.1, iaitu set tugasan yang memerlukan model mengawal terminal dan baris perintah. Angkanya benar dan memihak kepada OpenAI:

Dalam aliran kerja terminal dan bash, GPT-5.6 Sol memang lebih pantas dan tepat daripada Fable 5. Jika kerja anda melibatkan skrip, automasi persekitaran, analisis log atau arahan terminal, maka ya, OpenAI telah mengatasi Anthropic dalam hal ini. Wajar untuk mengakuinya tanpa cuba menutupinya demi pihak “kita”.

Masalah tajuk berita itu terletak di tempat lain. “Sudah mengejar dalam Terminal-Bench” secara senyap berubah menjadi “sudah mengejar dalam semua perkara”. Itu memang tidak benar.

Apakah yang dibuktikan oleh jadual SWE-Bench Pro diterbitkan?#

Terminal-Bench menguji kerja terminal. Sebaliknya, SWE-Bench Pro menguji perkara yang dilakukan pembangun vibe coding setiap hari: mengambil projek sebenar dengan kod yang berselirat, mencari pepijat aktif dan membaikinya tanpa merosakkan bahagian berhampiran. Itu lebih menyerupai kerja sebenar berbanding menjalankan arahan dalam terminal.

Lihat baris terakhir: hasil yang tiada ialah bukti yang tiada, bukan skor rendah. Ia tidak membuktikan model yang menang atau sebab hasil tidak disertakan. Bandingkan hanya hasil angka untuk penanda aras serta persediaan yang sama, dan gunakan percubaan projek bagi perbandingan yang belum diukur.

Anthropic melihatnya dari sudut yang berbeza dan menekankan tugasan yang panjang:

Ada juga bukti di luar penanda aras. Menurut Anthropic, pekerja di Stripe berkata Fable 5 memadatkan kerja berbulan-bulan menjadi beberapa hari: model itu menyelesaikan migrasi pangkalan kod Ruby dengan 50 juta baris dalam sehari — tugasan yang akan mengambil masa lebih daripada dua bulan untuk pasukan tersebut. Itu kajian kes pilihan vendor, bukan perbandingan terkawal dengan Sol. Ia mencadangkan tugasan yang wajar diuji dan tidak dapat membuktikan kelebihan relatif dengan sendirinya.

Mudah untuk terperangkap dengan persoalan “model manakah yang lebih berkuasa”. Namun, dalam projek saya, perbezaannya lebih kerap ditentukan bukan oleh model, tetapi oleh perkara yang saya masukkan ke dalam konteksnya. Model kelas pertengahan dengan struktur business/ dan fail CLAUDE.md yang disusun dengan baik pun mengatasi model teratas dengan konteks kosong. Perkara penting ialah konteks yang tersusun dengan baik, yang membantu mana-mana model ini bekerja dengan lebih konsisten dan boleh dijangka.

Berapakah kos sebenar GPT-5.6 berbanding Claude Fable 5?#

Jadual harga mengekalkan nilai ketika pelancaran untuk perbandingan, bukan harga hari ini. Semak harga rasmi semasa sebelum membajetkan pelaksanaan baharu. Harga ialah separuh lagi daripada perbincangan yang jujur. Token ialah cebisan teks yang digunakan model untuk mengukur jumlah: semakin panjang arahan dan jawapan anda, semakin banyak token yang digunakan dan semakin banyak wang yang ditolak daripada akaun anda. Bagi pembangun vibe coding, itu wang sebenar.

Malah Sol, varian tertinggi, berharga kira-kira separuh daripada Fable untuk output, manakala Luna berharga beberapa kali lebih rendah. Jika anda menjalankan banyak tugasan yang serupa dan perbezaan kualitinya tidak penting bagi tugasan tersebut, GPT-5.6 boleh menjimatkan kos dengan ketara.

Tetapi harga bagi setiap token tidak sama dengan harga bagi setiap hasil. Jika model gagal melaksanakan tugasan sebanyak dua kali, anda telah membayar tiga kali: dua kali untuk percubaan yang salah dan sekali untuk percubaan yang betul. Bagi tugasan yang sukar, model yang lebih tepat boleh akhirnya lebih murah walaupun tokennya lebih mahal. Penggunaan yang murah tetapi perlu diulang ialah yang paling mahal. Saya menghuraikan kira-kira tersembunyi ini secara berasingan dalam panduan kos sebenar vibe coding.

Apa yang penting bagi pembangun vibe coding, dan apa yang sekadar pemasaran?#

Kedua-dua syarikat menggambarkan keadaan yang memihak kepada mereka. OpenAI mengetengahkan Terminal-Bench, tempatnya menang, lalu berkata “kami sudah mengejarnya”. Anthropic pula menunjukkan migrasi panjang sebagai bukti keupayaan modelnya. Contoh vendor dan penanda aras berasingan ialah input berguna, tetapi tidak membuktikan satu kedudukan bersama merentas tugasan.

Inilah perkara yang boleh anda ambil daripada semua ini:

1. Satu ujian tidak dapat menggambarkan keseluruhan model. “Menewaskannya dalam Terminal-Bench” dan “terbaik untuk pengekodan” ialah dakwaan yang berbeza. Semak dengan tepat penanda aras yang dirujuk oleh sesuatu tajuk.
2. Anggap hasil yang tiada sebagai tidak diketahui. Skor tidak disertakan tidak mendedahkan prestasi atau sebab pengecualian. Cari pelaksanaan diterbitkan yang boleh dibandingkan atau ukur tugasan sendiri daripada menetapkan kedudukan.
3. Tugasan anda lebih penting daripada kedudukan keseluruhan. Model yang menduduki tempat pertama secara purata mungkin berada di tempat ketiga untuk perkara yang benar-benar anda lakukan.

Menyemak dakwaan berani orang lain ialah kemahiran tersendiri. Jika anda belum tahu cara menilai output model secara kritis, lihat panduan untuk menyemak kod yang dijana AI walaupun anda sendiri bukan pengatur cara.

GPT-5.6 atau Claude Fable 5: yang manakah patut dipilih untuk tugasan anda?#

Daripada bertanya “siapa yang menang secara keseluruhan”, jadual tentang “apa yang patut digunakan untuk setiap tugasan” lebih berguna:

Ramai orang akhirnya menyediakan kedua-dua pilihan dan bertukar mengikut tugasan. Jika anda khususnya mahukan pembaikan kod dan tugasan panjang dalam alat yang biasa digunakan, saya ada panduan berasingan tentang menggunakan Claude Fable 5 dalam Claude Code. Jika anda tertarik dengan ekosistem OpenAI, lihat cara beralih kepada Codex. Dan jika anda lebih berminat dengan alternatif terbuka yang lebih murah daripada kedua-duanya, lihat perbandingan GLM-5.2 dan Claude Code.

Mengapa model bukan faktor utama yang meningkatkan kecekapan#

Saya telah mencuba pelbagai model dalam projek saya dan inilah yang saya perhatikan: bagi kebanyakan tugasan saya, jurang antara “model nombor satu” dengan “model nombor tiga” lebih kecil daripada jurang antara “projek kosong” dengan “projek yang konteksnya disusun dengan baik”. Model yang sama menghasilkan perkara mengarut daripada arahan asas, tetapi memberikan hasil yang berfungsi apabila ada struktur yang dibina berasaskan business/ dan CLAUDE.md.

Sebab itulah bagi pembangun vibe coding, persaingan di sebalik tajuk “siapa sudah mengejar siapa” menjadi perkara sampingan. Tiga perkara yang berfungsi dengan mana-mana model ini jauh lebih penting:

Bina gabungan ini dan perbezaan antara GPT-5.6 dengan Fable 5 tidak lagi menentukan segalanya. Kedua-duanya menjadi lebih boleh dijangka kerana tidak lagi bekerja dalam keadaan kosong.

Apa yang perlu dilakukan sekarang#

Urutan tindakan yang praktikal:

1. Pilih satu tugasan sebenar

   Tugasan yang memang anda lakukan: membaiki pepijat, membina bahagian produk atau menulis skrip. Contoh main-main tidak mewakili keadaan sebenar.

2. Jalankannya pada kedua-dua model

   Gunakan arahan yang sama pada GPT-5.6 dan Claude Fable 5. Bandingkan bukan sahaja hasilnya, tetapi juga jumlah percubaan yang diperlukan.

3. Kira kos bagi setiap hasil

   Kira kos penuh: semua yang diperlukan untuk mendapatkan hasil yang berfungsi. Harga bagi setiap token boleh mengelirukan.

4. Susun konteks projek anda

   CLAUDE.md dan folder business/ akan meningkatkan kualiti lebih daripada bertukar model.

Model-model akan terus saling mengatasi, dan setiap perubahan pendahuluan akan digambarkan sebagai sesuatu yang “mengubah zaman”. Anda tidak perlu mengejar model terbaharu setiap kali; pemenangnya ialah model yang digunakan bersama proses yang disusun dengan baik. Jadi, wajar untuk melabur dalam proses itu.

Keseluruhan perdebatan tentang model berpusat pada satu perkara: tanpa konteks yang disusun dengan baik, mana-mana model pun tidak konsisten. Untuk bahan tambahan tentang penggunaan alat, lihat dokumentasi Ailoot.