Сравнение GPT-6 Astra Claude Fable 5.1: выбор

Сравнение GPT-6 Astra Claude Fable 5.1 пока не даёт честного ответа «эта модель лучше во всём»: Astra выглядит сильнее в тесте ARC-AGI-3, а Fable 5.1 нельзя списывать без проверки на твоих задачах. Я, Арина Михална, советую выбирать модель по жизненному циклу проекта: эксперимент, MVP или production.

Что на самом деле измеряет сравнение GPT-6 Astra Claude Fable 5.1

Начнём с неприятного. Таблица с одним баллом выглядит убедительно, но рабочую задачу она не закрывает. Бенчмарк проверяет конкретный набор способностей, в конкретном формате, с конкретными правилами. Изменился датасет или критерий проверки, и расстановка мест уже может стать другой.

The Decoder пишет, что результаты тестов GPT-6 Astra расходятся. При этом отдельно отмечается результат модели в ARC-AGI-3, где её эффективность описывают как превосходящую человеческий уровень. Это сильный сигнал для задач на перенос знаний, поиск закономерностей и решение новых типов головоломок. Но это не означает, что Astra автоматически лучше пишет код, собирает отчёты или ведёт агента.

Claude Fable 5.1 тоже нельзя оценивать по принципу «вторая в новости, значит слабее». Если модель лучше держит структуру документа, аккуратнее следует инструкции и реже ломает многошаговой процесс, она может выиграть в реальной работе даже при менее впечатляющем балле.

Критерий	GPT-6 Astra	Claude Fable 5.1	Как проверять
Новые типы задач	есть сильный публичный сигнал по ARC-AGI-3	отдельный результат в этой статье не подтверждён	дать незнакомые задачи с известным ответом
Код	по одной новости вывод делать нельзя	по одной новости вывод делать нельзя	прогнать одинаковый набор багов и тестов
Документы	нужен отдельный тест на факты и структуру	нужен отдельный тест на факты и структуру	сравнить пропуски, ссылки и правки
Агентский цикл	важна не только модель, но и инструменты вокруг неё	важна не только модель, но и инструменты вокруг неё	измерить число шагов до результата
Стоимость результата	считать после появления актуальных тарифов	считать после появления актуальных тарифов	делить все расходы на готовые артефакты

Поэтому сравнивать нужно не «интеллект вообще», а связку: модель, интерфейс, инструменты, ограничения, тариф и твой способ постановки задач.

Где Astra выглядит убедительнее

Главный публичный сигнал в пользу GPT-6 Astra сейчас связан с ARC-AGI-3. Такие тесты интересны тем, что проверяют не воспроизведение знакомого шаблона, а работу с новыми правилами. Модель должна понять, что происходит, и подобрать решение.

Для исследовательских задач это важнее, чем способность быстро переписать письмо. Astra стоит рассматривать в трёх сценариях:

1. Когда нужно исследовать неизвестную область и сформулировать несколько гипотез.
2. Когда задача меняется по ходу работы и нельзя заранее дать модели готовый шаблон.
3. Когда важна скорость перебора вариантов, а финальную проверку делает специалист.

Но есть граница. Результат ARC-AGI-3 не отвечает на вопросы про стабильность API, формат вызовов инструментов, безопасность доступа к файлам и цену длинной сессии. В production эти детали перестают быть мелочами. Они и есть система.

Ещё один риск связан с переносом лабораторного результата в обычную работу. В тесте у модели есть ясная цель и ограниченное пространство действий. В проекте есть кривые входные данные, старый код, неполные требования и коллега, который прислал таблицу под названием финал_точно_финал_3.xlsx. Тут одной способности решать новые задачи мало.

Где Fable 5.1 может оказаться практичнее

По одной публикации нельзя честно приписать Claude Fable 5.1 конкретное преимущество в коде или документах. Но у практического сравнения есть понятная логика: модель выигрывает, если она чаще доводит задачу до принимаемого результата и реже заставляет тебя переписывать всё руками.

Для Fable 5.1 я бы проверяла:

• сохраняет ли модель требования из начала длинного задания;
• видит ли противоречия в исходных данных;
• пишет ли код, который проходит тесты, а не просто выглядит умно;
• умеет ли остановиться и задать вопрос, когда данных не хватает;
• не начинает ли уверенно додумывать отсутствующие факты;
• выдерживает ли повторный запуск с тем же вводом.

Это особенно важно для Claude Code и других агентских сценариев. Там модель не только отвечает в чате. Она читает файлы, вызывает команды, меняет код и иногда предлагает сделать ещё десять вещей, хотя просили одну.

Для такой работы полезно заранее задать границы. Отдельно описать, какие файлы можно менять, какие команды разрешены, что считать готовым результатом и где агент обязан остановиться. О том, как работают инструкции проекта, я писала в материале про CLAUDE.md и файл памяти проекта. А базовую механику агентских сценариев можно сверить со статьёй как собрать агента на Claude.

Как выбирать модель по этапу проекта

Одинаковая модель может быть отличным выбором для прототипа и плохим для production. На старте ты проверяешь идею. Потом пытаешься получить стабильный результат. В production уже считаешь ошибки, задержки, поддержку и цену переделок.

Эксперимент

Здесь можно брать модель, которая быстрее помогает исследовать пространство вариантов. GPT-6 Astra логично проверить первой, если задача похожа на поиск закономерностей или требует нестандартных гипотез.

Результат эксперимента должен быть конкретным: список гипотез, рабочий черновик, прототип функции или решение на контрольном наборе. Не «модель показалась умной», а файл, который можно посмотреть и сравнить.

MVP

В MVP важнее баланс. Тебе нужна не максимальная глубина ответа, а модель, которая достаточно хорошо держит требования и не съедает весь бюджет на бесконечные уточнения.

Здесь я бы запускала обе модели на одинаковой задаче. Например, дать им написать одну функцию, добавить тесты, объяснить решение и исправить намеренно внесённую ошибку. Сравнивать нужно время до рабочей версии и количество ручных правок.

Если проект связан с разработкой, пригодится отдельный разбор Claude Code против Codex на реальных задачах. Там полезна сама логика проверки: не спорить о брендах, а смотреть на сделанную работу.

Production

В production победитель определяется скучными вещами. Сколько стоит один готовый документ? Сколько раз агент ошибается? Можно ли повторить результат? Есть ли понятный способ откатить изменения?

Для этого этапа собери контрольную выборку и не меняй её во время сравнения. В неё могут входить:

1. Код-ревью файла примерно на тысячу строк.
2. Обработка документа с таблицами и ссылками.
3. Многошаговый агентский цикл с двумя-тремя инструментами.
4. Исправление ответа после замечания пользователя.

Не нужно сразу отправлять модели внутренние данные. Для первого теста используй обезличенные примеры. Иначе ты одновременно проверишь модель и устроишь эксперимент с конфиденциальностью.

Как провести честный пилот за один вечер

Пилот не обязан быть большим. Он обязан быть одинаковым.

Шаг 1. Запиши критерии до запуска.
Например: точность, количество ручных правок, время до результата и стоимость. Это четыре критерия, которые я бы оставила в любом сравнении. Если сначала посмотреть ответы, а потом придумать критерии, победит тот, чей ответ больше понравился.

Шаг 2. Подготовь одинаковый ввод.
Один и тот же текст, файлы, ограничения и формат результата. Не давай одной модели подробное ТЗ, а другой фразу «сделай красиво». Это уже не тест, а соревнование промптов.

Шаг 3. Отдели черновик от принятого результата.
Модель могла написать ответ за минуту, но ты ещё сорок минут исправляла факты. В таблицу попадает не скорость генерации, а время до результата, который можно использовать.

Шаг 4. Посчитай ошибки.
Отметь пропущенные требования, выдуманные сведения, поломанные ссылки, лишние шаги и изменения, которых никто не просил.

Шаг 5. Повтори сложный сценарий.
Один прогон ничего не доказывает. Особенно если задача зависит от случайности или формулировки запроса. Повтори хотя бы тот сценарий, где разница между моделями оказалась самой заметной.

Шаг 6. Прими решение по проекту.
Тебе не нужно выбирать одну модель навсегда. Для исследования может подойти Astra, для аккуратного рабочего цикла, Fable 5.1 или наоборот. Архитектура с несколькими моделями иногда разумнее верности одному бренду.

Сравни ответы GPT-6 Astra и Claude Fable 5.1 на одной
задаче.

Задача: {{вставь текст задачи}}
Одинаковые входные данные: {{вставь данные или опиши файлы}}
Ожидаемый результат: {{опиши формат и критерии готовности}}

Оцени каждый ответ по четырём критериям:
1. точность;
2. полнота требований;
3. количество ручных правок;
4. время и стоимость до готового результата.

Не выбирай победителя по стилю текста. Отдельно укажи
ошибки, пропуски и места, которые нужно проверить человеком.

Что считать победой

Победа GPT-6 Astra в отдельном исследовательском тесте не делает Claude Fable 5.1 бесполезной. И наоборот. Модель может проиграть на сложной головоломке, но выиграть на потоке документов, где важны формат и повторяемость.

Я бы свела решение к трём вопросам:

• Модель делает нужный артефакт или только красиво рассуждает?
• Сколько человеческого времени уходит на исправление?
• Можно ли встроить её в текущий стек без лишней зависимости от закрытых инструментов?

Последний вопрос часто забывают. Модель живёт не отдельно. Есть SDK, API, плагины, хранилища, логи, права доступа и процессы команды. Если перенос на другую модель требует переписать половину системы, это тоже стоимость владения.

Для агентских проектов отдельно проверь память, инструменты и границы доступа. Полезно понимать, чем обычный скилл отличается от полноценного агента: об этом есть материал что такое скиллы Claude. А если собираешь систему из нескольких исполнителей, заранее продумай, кто принимает финальное решение и кто только предлагает вариант.

По материалам: разбору The Decoder о GPT-6 Astra, расхождениях бенчмарков и результате ARC-AGI-3. Сведения о рабочих преимуществах моделей в статье обозначены как критерии для собственного пилота, а не как подтверждённые результаты тестов.

Читайте также

• Claude Desktop или Claude Code в 2026: выбор
• GPT-5.6 в Kiro против Claude: что выбрать в 2026
• Claude или ChatGPT: что лучше в 2026
• На портале «Мастерская нейросетей»: Какая нейросеть лучше в 2026: выбор под задачу

Сравнение GPT-6 Astra и Claude Fable 5.1 полезно ровно до того момента, пока не превращается в фанатский спор. Возьми одну настоящую задачу, одинаковый ввод и посчитай стоимость готового результата. А свежие новости о моделях, доступе и рабочих сценариях я складываю в Telegram-канале «А.М. решает вопросы» — там же в боте лежит гайд по установке Claude, его можно забрать за подписку: зайти в канал