GPT-5.6 и Claude Fable 5: где OpenAI догнала Anthropic

Дополнительные рекомендации по настройке инструментов собраны в документации Ailoot.

Что произошло: GPT-5.6 и Claude Fable 5 за пять минут#

За несколько недель вышли две крупные модели. Claude Fable 5, самая мощная широко доступная модель Anthropic, была представлена 9 июня, затем временно стала недоступна из-за экспортных ограничений и 1 июля 2026 года вернулась для пользователей по всему миру. GPT-5.6 от OpenAI сначала стала доступна партнёрам в предварительном режиме 26 июня, а 9 июля — всем.

GPT-5.6 предлагается в трёх вариантах для разных задач и бюджетов:

• Sol (а также Sol Ultra) — наиболее мощный вариант, ориентированный на кибербезопасность, работу в терминале и продолжительные сессии в Codex.
• Terra — промежуточный вариант для повседневной работы.
• Luna — наиболее доступный вариант для большого объёма и простых задач.

Claude Fable 5 представлена одной моделью. Существует также закрытая Mythos 5 на том же движке, но без ограничивающих фильтров; доступ к ней предоставляется только в рамках государственной программы США по кибербезопасности. Для обычной разработки Mythos недоступна, поэтому далее речь пойдёт о Fable 5 и линейке GPT-5.6.

Что означает «догнала»: в каких тестах GPT-5.6 обошла Fable 5?#

Поводом для громких заголовков стал Terminal-Bench 2.1 — набор заданий, в которых модель взаимодействует с терминалом и командной строкой. Опубликованные значения говорят в пользу OpenAI:

В терминальных сценариях и задачах с bash GPT-5.6 Sol действительно показала результат выше Fable 5. Если ваша работа связана со скриптами, настройкой окружения, разбором журналов и командами в терминале, здесь преимущество у OpenAI.

Проблема в том, что утверждение «обошла в Terminal-Bench» легко превращают в «обошла во всём». Из результатов этого теста такой вывод не следует.

Что устанавливает опубликованная таблица SWE-Bench Pro?#

Terminal-Bench измеряет умение выполнять работу в терминале. SWE-Bench Pro проверяет другую задачу: модель должна разобраться в существующем проекте со сложным кодом, найти ошибку и исправить её, не повредив соседние части программы. Такой сценарий ближе к повседневной разработке, чем выполнение команд в терминале.

Последняя строка означает отсутствие доказательства, а не низкую оценку. По ней нельзя определить победителя или причину пропуска. Сравнивайте числовые результаты одного теста и одинаковой настройки. Неизмеренное прямое сравнение проверяйте на своей задаче.

Anthropic делает акцент на задачах, требующих длительной работы:

Anthropic также приводит пример компании Stripe: по её сообщению, Fable 5 выполнила за день миграцию кодовой базы на Ruby объёмом 50 миллионов строк — работу, на которую команде потребовалось бы более двух месяцев. Это выбранный поставщиком пример, а не контролируемое сравнение с Sol. Он подсказывает задачу для проверки и сам по себе не устанавливает относительное преимущество.

Сравнение моделей по общей мощности может заслонить другой важный фактор — контекст, который получает модель. Хорошо организованные материалы проекта в business/ и инструкции в CLAUDE.md способны улучшить результаты даже модели среднего уровня по сравнению с сильной моделью, которой не предоставили полезных сведений о проекте.

Сколько стоят GPT-5.6 и Claude Fable 5?#

Таблица сохраняет цены периода запуска для сравнения, а не текущие тарифы. До бюджета нового запуска проверьте официальную цену. Затем оцените вход и выход: токен — единица объёма текста, а длина запроса и ответа влияет на счёт.

Даже самый мощный вариант Sol примерно вдвое дешевле Fable по выходным токенам, а Luna стоит значительно меньше. При большом объёме однотипных задач и небольшой разнице в качестве GPT-5.6 может заметно сократить расходы.

Но цена одного токена не равна стоимости готового результата. Если модель дважды неверно поняла задачу, а затем справилась, вы оплатили три попытки. На сложной работе более точная модель может оказаться выгоднее, даже если её токены дороже. Дешёвый запуск, после которого задачу приходится переделывать, в итоге обходится дороже. Этот аспект подробно рассмотрен в руководстве о реальной стоимости вайб-кодинга.

Что важно для вайб-кодинга, а что относится к маркетингу?#

OpenAI ссылается на сильный результат Terminal-Bench. Anthropic приводит длительные миграции как свидетельство возможностей своей модели. Примеры поставщика и разные бенчмарки полезны, но не устанавливают общего рейтинга по всем задачам.

Что стоит учитывать:

1. Один тест не характеризует модель целиком. Результат в Terminal-Bench и утверждение о лучшей модели для программирования — не одно и то же. Проверяйте, какой именно замер стоит за заявлением.
2. Считайте отсутствующий результат неизвестным. Он не раскрывает качество и причину пропуска. Найдите сопоставимый опубликованный запуск или измерьте свою задачу вместо назначения места.
3. Важнее всего соответствие вашей задаче. Модель, занимающая первое место в общем рейтинге, может уступить другим в конкретном рабочем сценарии.

Умение критически оценивать громкие заявления полезно и при работе с результатами ИИ. В руководстве о проверке кода, созданного ИИ, для тех, кто не программирует описан практический подход.

GPT-5.6 или Claude Fable 5: что выбрать для своей задачи?#

Вместо общего вопроса «кто победил?» полезнее сопоставить модели с конкретными сценариями:

Многие используют обе модели и выбирают между ними в зависимости от работы. Для исправления кода и длительных задач в привычной среде можно обратиться к руководству по работе с Claude Fable 5 в Claude Code. Тем, кому ближе инструменты OpenAI, пригодится руководство по переходу на Codex. Ещё один материал посвящён GLM-5.2 и Claude Code.

Почему выбор модели — не главный фактор эффективности#

Сравнивая разные модели на проектах, можно заметить, что разница между лидером рейтинга и моделью, занимающей третье место, нередко меньше, чем разрыв между пустым проектом и проектом с подготовленным контекстом. Один и тот же инструмент может дать слабый ответ на краткий запрос и полезный результат, если ему предоставить структуру business/ и инструкции из CLAUDE.md.

Поэтому новости о том, кто кого догнал, имеют второстепенное значение. Для любой из этих моделей полезны три практических подхода:

• Модель, настроенная под ваш стиль работы: предоставьте примеры и правила, чтобы она могла следовать вашему способу рассуждения, а не только угадывать ожидания.
• Структурированная база знаний: храните в business/ связанные сведения о проекте, к которым модель сможет обращаться при каждом запросе.
• Управление контекстом: заранее определяйте, какие материалы и инструкции нужны модели для конкретной задачи.

Если подготовить такую основу, различия между GPT-5.6 и Fable 5 могут стать менее значимыми: обе модели получают нужные сведения и работают не в пустоте.

Что сделать прямо сейчас#

Практические шаги:

1. Выберите задачу из своей работы

   Например, исправление ошибки, создание раздела продукта или написание сценария. На учебных примерах сложно оценить результат для повседневной работы.

2. Попробуйте обе модели

   Используйте один и тот же запрос для GPT-5.6 и Claude Fable 5. Сравните качество ответа и количество попыток, потребовавшихся для завершения задачи.

3. Оцените расходы на готовый результат

   Учитывайте все затраты на доведение задачи до рабочего состояния. Цена токена сама по себе не показывает итоговую стоимость.

4. Подготовьте контекст проекта

   Инструкции в CLAUDE.md и материалы в business/ могут повлиять на качество сильнее, чем переход с одной модели на другую.

Модели ещё не раз будут обходить друг друга в отдельных тестах, и каждое такое сравнение может звучать как переломный момент. Нет необходимости каждый раз переходить на новейшую модель: преимущество даёт хорошо организованный рабочий процесс. Начните с его настройки.

На результаты работы влияет не только модель, но и подготовленный контекст. Практические рекомендации по настройке инструментов можно найти в документации Ailoot.