GPT-5.6 vs. Claude Fable 5: Je OpenAI leta 2026 dohitel Anthropic?

Dodatna gradiva o konfiguriranju orodij so na voljo v dokumentaciji Ailoot.

Kaj se je zares zgodilo: GPT-5.6 in Claude Fable 5 v 5 minutah#

V razmiku nekaj tednov sta izšla dva velika modela. Claude Fable 5, najzmogljivejši Anthropicov model, ki je splošno dostopen, je bil predstavljen 9. junija, nato začasno umaknjen zaradi omejitev izvoza in 1. julija 2026 znova omogočen po vsem svetu. OpenAI je GPT-5.6 najprej ponudil partnerjem v predogledu 26. junija, vsem pa je postal na voljo 9. julija.

GPT-5.6 je na voljo v treh različicah za različne proračune in opravila:

• Sol (in Sol Ultra) je najzmogljivejši in je namenjen kibernetski varnosti, delu v terminalu ter dolgim sejam Codexa.
• Terra je srednjerazredna možnost, vsakodnevni »privzeti« delovni konj.
• Luna je najcenejša, namenjena velikemu obsegu in preprostim opravilom.

Claude Fable 5 je en sam model brez takšnega nabora možnosti; njegov zaprti ustreznik je Mythos 5 (isti mehanizem, vendar brez omejevalnih filtrov; dostop je na voljo samo prek programa vlade ZDA za kibernetsko varnost). Mythos ni na voljo vibe coderjem, zato bom v nadaljevanju primerjal Fable 5 z družino GPT-5.6.

Kaj pomeni »dohitel«: pri katerih preizkusih je GPT-5.6 premagal Fable 5?#

Naslovi so se pojavili na podlagi primerjave Terminal-Bench 2.1, sklopa opravil, pri katerih model upravlja terminal in ukazno vrstico. Številke so resnične in govorijo v prid OpenAI:

Pri delovnih postopkih s terminalom in bashom je GPT-5.6 Sol res hitrejši in natančnejši od Fable 5. Če vaše delo vključuje skripte, avtomatizacijo okolja, analizo dnevnikov ali terminalske ukaze, potem je OpenAI tukaj premagal Anthropic. To je pošteno priznati, ne da bi to poskušali prikriti v prid »naši« strani.

Težava z naslovi je drugje. »Dohitel ga je na Terminal-Bench« se neopazno spremeni v »dohitel ga je na vseh področjih«. To preprosto ne drži.

Kaj potrjuje objavljena tabela SWE-Bench Pro?#

Terminal-Bench preverja delo v terminalu. SWE-Bench Pro pa preverja, kaj vibe coderji počnejo vsak dan: vzamejo dejanski projekt z zapleteno kodo, najdejo obstoječo napako in jo odpravijo, ne da bi pri tem pokvarili kaj v bližini. To je bližje resničnemu delu kot izvajanje ukazov v terminalu.

Poglejte zadnjo vrstico: manjkajoči rezultat je manjkajoč dokaz, ne nizka ocena. Ne potrjuje niti zmagovalca niti razloga za izpust. Primerjajte samo številčne rezultate za isti primerjalni test in pogoje, neizmerjeno primerjavo pa preverite s poskusno nalogo na projektu.

Anthropic k temu pristopa z drugega zornega kota in poudarja dolgotrajna opravila:

Dokazi obstajajo tudi zunaj primerjalnih preizkusov. Po navedbah Anthropica so ljudje pri podjetju Stripe povedali, da je Fable 5 mesece dela skrčil na dneve: model je v enem dnevu izvedel migracijo 50-million-line kodne zbirke Ruby — za opravilo bi ekipa sicer potrebovala več kot dva meseca. To je študija primera, ki jo je izbral ponudnik, ne nadzorovana primerjava s Sol. Nakazuje nalogo, vredno preizkusa, sama pa ne potrjuje relativne prednosti.

Zlahka se ujamemo v vprašanje, »kateri model je zmogljivejši«. Toda pri mojih projektih razlike pogosteje ne naredi model, temveč to, kaj vključim v njegov kontekst. Celo srednjerazredni model z dobro sestavljenima business/ in CLAUDE.md prekaša vrhunski model s praznim kontekstom.

Koliko GPT-5.6 v resnici stane v primerjavi s Claude Fable 5?#

Cenovna tabela ohranja vrednosti iz časa predstavitve za primerjavo, ne današnjih cen. Pred načrtovanjem novega zagona preverite trenutno uradno ceno. Cena je druga polovica iskrenega pogovora. Žeton je del besedila, ki ga model uporablja za merjenje količine: daljši ko sta vaš poziv in njegov odgovor, več žetonov porabite in več denarja se odšteje z vašega računa. Za vibe coderja je to pravi denar.

Tudi vrhunski Sol za izhod stane približno polovico toliko kot Fable, Luna pa je večkrat cenejša. Če izvajate veliko podobnih opravil in razlika v kakovosti zanje ni ključnega pomena, lahko GPT-5.6 prinese precejšnje prihranke.

Toda cena na žeton ni enaka ceni na rezultat. Če model dvakrat zgreši rešitev, ste plačali trikrat: dvakrat za napačna poskusa in enkrat za pravilnega. Pri zahtevnem opravilu je lahko natančnejši model na koncu cenejši, tudi če njegovi žetoni stanejo več. Poceni zagon, ki ga je treba ponoviti, je najdražji. To skrito računico sem podrobneje obravnaval v vodniku o resničnih stroških vibe codinga.

Kaj je pomembno za vibe coderja in kaj je trženje?#

Obe podjetji predstavita sliko, ki jima ustreza. OpenAI izpostavlja Terminal-Bench, kjer zmaguje, in pravi: »dohiteli smo jih«. Anthropic izpostavlja dolgotrajne migracije kot dokaz zmožnosti svojega modela. Ponudnikovi primeri in ločeni primerjalni testi so koristni podatki, vendar ne vzpostavljajo ene skupne razvrstitve za vse naloge.

Iz tega lahko izluščite naslednje:

1. En preizkus ne opiše modela. »Premagal ga je na Terminal-Bench« in »najboljši za programiranje« sta različni trditvi. Preverite, na kateri primerjalni preizkus se naslov dejansko nanaša.
2. Manjkajoče rezultate obravnavajte kot neznane. Izpuščena ocena ne razkrije zmogljivosti ali razloga za izpust. Poiščite primerljiv objavljen zagon ali izmerite lastno nalogo, namesto da modelu pripišete mesto na lestvici.
3. Vaše opravilo je pomembnejše od skupne razvrstitve. Model, ki je v povprečju na prvem mestu, je pri tem, kar dejansko počnete, lahko šele tretji.

Preverjanje drznih trditev drugih je spretnost sama po sebi. Če še ne veste, kako kritično brati izhod modela, si oglejte ta vodnik o preverjanju kode, ustvarjene z umetno inteligenco, če sami niste programer.

GPT-5.6 ali Claude Fable 5: katerega izbrati za svoje opravilo?#

Namesto vprašanja »kdo je zmagal na splošno« je uporabnejša tabela »kaj uporabiti za katero opravilo«:

Veliko ljudi ima na koncu pri roki obe možnosti in preklaplja glede na opravilo. Če želite predvsem popravljanje kode in dolgotrajna opravila v znanem orodju, imam ločen vodnik o delu s Claude Fable 5 v Claude Code. Če vas privlači ekosistem OpenAI, si oglejte kako preiti na Codex. Če pa vas bolj zanima odprta in cenejša alternativa obema, si oglejte primerjavo GLM-5.2 in Claude Code.

Zakaj model ni glavni vzvod učinkovitosti#

Na svojih projektih sem preizkusil različne modele in opazil naslednje: pri večini mojih opravil je razlika med »modelom številka ena« in »modelom številka tri« manjša od razlike med »praznim projektom« in »projektom z dobro sestavljenim kontekstom«. Isti model iz golega poziva ustvari neuporabno vsebino, z zgradbo okoli business/ in CLAUDE.md pa zagotovi delujoč rezultat.

Zato je za vibe coderja tekma v ozadju naslovov o tem, »kdo je koga dohitel«, drugotnega pomena. Veliko pomembnejše so tri stvari, ki delujejo z vsemi temi modeli:

Vzpostavite to kombinacijo in razlika med GPT-5.6 in Fable 5 ne bo več odločilna. Oba bosta bolj predvidljiva, ker ne bosta več delovala v vakuumu.

Kaj storiti zdaj#

Praktičen vrstni red:

1. Izberite eno dejansko opravilo

   Takšno, ki ga zares opravljate: odpravite napako, zgradite del izdelka ali napišite skripto. Igralni primeri niso reprezentativni.

2. Zaženite ga na obeh modelih

   Za GPT-5.6 in Claude Fable 5 uporabite isti poziv. Primerjajte ne le rezultat, ampak tudi število potrebnih poskusov.

3. Izračunajte strošek na rezultat

   Izračunajte celoten strošek: vse, kar je bilo potrebno, da ste prišli do delujočega rezultata. Cena na žeton je lahko zavajajoča.

4. Sestavite kontekst svojega projekta

   CLAUDE.md in mapa business/ bosta kakovost izboljšala bolj kot menjava modela.

Modeli se bodo še naprej prehitevali, vsaka sprememba vodstva pa bo predstavljena kot »prelomna«. Ni vam treba vsakič loviti najnovejšega modela; zmagovalec je tisti, ki je del dobro sestavljenega postopka. Zato je vredno naslednjič vložiti v ta postopek.

Celotna razprava o modelih se skrči na eno stvar: brez dobro sestavljenega konteksta je vsak od njih nestanoviten. Dodatna gradiva o delu z orodji so na voljo v dokumentaciji Ailoot.