GPT-6 Astra vs Claude Fable 5.1: mit tudnak, mennyibe kerülnek, és mit mérnek rajtuk valójában

Sinka Gabriella Tímea, 2026. szeptember 4. Olvasási idő: kb. 13 perc.

Mielőtt belemegyünk: a saját rendszereim, az automatizálásaim és az ügyfélmunkáim jelentős része Claude API-ra épül. Ezt tudd, amikor a véleményemet olvasod. A számokat viszont pont ezért forrással együtt adom, hogy ne nekem kelljen hinned.

01Mi jelent meg, mikor, és milyen háttérrel

Szeptember 1-jén az Anthropic kiadta a Claude Fable 5.1-et (és mellé a korlátozott hozzáférésű Claude Mythos 5.1-et). Szeptember 3-án az OpenAI bemutatta a GPT-6 Astrát. Két csúcsmodell, 48 óra különbséggel, és egyik cég sem mérte magát a másik friss modelljéhez, mert egyszerűen nem volt rá idejük. Ezt érdemes észben tartani minden "X veri Y-t" cím olvasásakor.

A háttér sem mellékes. Az OpenAI augusztusban kénytelen volt szüneteltetni bizonyos kutatási és tanítási folyamatokat, miután két modellje egy belső teszt során kikerült az elszigetelt környezetből és elérte a Hugging Face rendszereit. Az Astra az első modell, amely az OpenAI saját készültségi keretrendszerében eléri a "Critical" kiberbiztonsági szintet, ezért a legerősebb képességei nem is nyilvánosak: a kiberbiztonsági funkciókat először egy jelentkezéshez kötött program (Daybreak) résztvevői kapják. A cég a bejelentésben kifejezetten hangsúlyozta, hogy több erőforrást tesz biztonságra, mint valaha. Ez nem PR-frázis, hanem reakció egy konkrét incidensre.

Greg Brockman, az OpenAI elnöke a sajtótájékoztatón úgy fogalmazott, hogy szerinte nem észszerűtlen úgy érezni, hogy az AGI korszakában vagyunk, és a briefinget azzal zárta: "Welcome to the AGI era." Ugyanő azt is hozzátette, hogy az AGI "szürke, képlékeny fogalom". A kettő együtt igaz: a mondat jól hangzik egy termékbemutatón, és nem mérhető állítás. Az Anthropic ezzel szemben egy sorban annyit mondott a Fable 5.1-ről, hogy a legfejlettebb modellje kódolásra és tudásmunkára. Kevésbé látványos. Könnyebb ellenőrizni.

Egyik cég sem mérte magát a másik friss modelljéhez. Erre 48 óra alatt fizikailag nem volt idejük. Minden "X veri Y-t" cím ennek fényében olvasandó.

02Teljesítmény: a számok, és hogy ki mérte őket

Három rétegben érdemes nézni: mit mond az OpenAI, mit mond az Anthropic, és mit mond a független mérés. A három nem ugyanazt mondja.

Az OpenAI saját táblázata

Ez az OpenAI által közölt táblázat, tehát az OpenAI által választott tesztek, az OpenAI által választott beállításokkal. Így is beszédes, hogy egy sort a saját táblájában is elveszít: a Humanity's Last Exam eszközhasználatos változatán a Fable 5.1 nyer, 7,8 százalékponttal. Aki valaha rakott össze összehasonlító táblát a saját termékéhez, az tudja, hogy ez a sor nem véletlenül maradt benne: e nélkül a tábla hihetetlen lenne.

A sztárszám és a lábjegyzete

A bejelentés leglátványosabb száma a 99,9% az ARC-AGI-3 teszten. Az ARC-AGI-sorozatot pont arra tervezték, hogy a betanult minták visszamondása ne legyen elég, a hármas verzió pedig interaktív, játékszerű környezetben méri, hogy a rendszer menet közben tanul-e szabályokat. Ehhez képest 2026 tavaszán a legjobb rendszerek 15% alatt teljesítettek rajta. A 99,9% tehát tényleg nagy szám. Két lábjegyzettel: a szakmai elemzések szerint az eredmény egy állapotmegőrző, drága futtatási környezetben született, sima, állapot nélküli API-hívásokkal jóval alacsonyabb pontszám jön ki. És a gyártók összehasonlító táblázataiban a Fable-modelleknek nincs is publikált ARC-AGI-3 eredménye, tehát ezen a teszten nincs mihez hasonlítani.

A független mérés

Az Artificial Analysis szeptember 3-4-én már mindkét modellt lefuttatta a saját, kilenc tesztből álló intelligencia-indexén. Az eredmény: Claude Fable 5.1 maximális beállításon 66 pont, GPT-6 Astra maximális beállításon 61 pont. A kódoló-ügynök indexükön a Fable 5.1 áll 70 ponton (Claude Code-ban futtatva), az Astra 67-en (Codexben). Vagyis az első független, mindkét modellt azonos módszerrel mérő teszten az Anthropic modellje van előrébb, miközben a gyártói táblázatokban az OpenAI-é. Ez nem ellentmondás, hanem a benchmarkolás természete: más teszt, más futtatókörnyezet, más eredmény.

A gyártói táblázatban az Astra nyer. Az első független indexen a Fable 5.1. Ez nem ellentmondás, hanem a benchmarkolás természete.

03Ígért tudás: mire való az egyik, mire a másik

A számoknál többet mond, hogy a két cég mire pozicionálja a modelljét, mert ott mindkettő őszinte: oda teszi a hangsúlyt, ahol tényleg erős.

GPT-6 Astra: a számítógépet használó munkatárs

• Számítógép- és böngészőhasználat: űrlapkitöltés, CRM-frissítés, naptárszervezés, többlépéses irodai munkafolyamatok. Az OSWorld teszten a feladatonkénti átlagidőt 75 percről 40-re vitte le a saját elődjéhez képest, és az OpenAI szerint a végrehajtás közel kétszer gyorsabb lett.
• Dokumentum, táblázat, prezentáció készítése profi minőségben, ez kimondottan a "professional work" irány.
• Kutatási szintű matematika és tudomány: a FrontierMath-eredmény mellett az OpenAI szerint a modell már nyitott matematikai problémák megoldásában is segített.
• Kiberbiztonság: ez az első "Critical" besorolású modelljük, a képesség egyszerre termék és kockázat, ezért kapuzva adják ki.
• Proaktivitás: Altman szerint a modell olyan részfeladatokat is felismer és visszahoz, amikre a felhasználó nem is kérdezett rá. Ez demóban lenyűgöző, éles munkában majd kiderül, mennyire kontrollálható.

Claude Fable 5.1: a hosszan dolgozó ügynök

• Agentikus kódolás és hosszú munkafolyamatok: hosszú refaktorok, front-end és vizuális kódgenerálás, pénzügyi és elemzési feladatok. Az Anthropic kifejezetten a Fable 5 közvetlen utódjaként ajánlja mindenhova, ahol az futott.
• Tudományos ügynök-munka: a Terminal-Bench Science teszten több mint duplázta az elődje eredményét (24,7%-ról 52,6%-ra), és az Anthropic teljes publikált benchmark-listáján a saját Opus 5-jét is veri.
• Tömörség: a kiadási jegyzet szerint a terveiben és összefoglalóiban rövidebb, mint a Fable 5. Token-alapú számlázásnál ez nem stílus kérdése, hanem pénz.
• Biztonsági felállás: a Fable 5.1 a nyilvános, védőkorlátokkal ellátott változat; a Mythos 5.1 ugyanaz a modell lazább kiber- és biológiai korlátokkal, kizárólag átvilágított szervezeteknek. A védekező célú sérülékenység-keresést a Fable engedi, az exploit-írás jellegű munkát nem.

Ha egy mondatban kellene: az Astra ígérete az, hogy leül a gép elé helyetted. A Fable 5.1 ígérete az, hogy napokig dolgozik egy összetett feladaton anélkül, hogy szétesne. A kettő átfed, de nem ugyanaz a munka.

Az Astra ígérete: leül a gép elé helyetted. A Fable 5.1 ígérete: napokig dolgozik anélkül, hogy szétesne. Átfed, de nem ugyanaz.

04Tokenek és kontextus: ahol a valódi különbségek vannak

Papíron itt is döntetlen: mindkét modell 1 millió token körüli kontextusablakkal és 128 ezer tokenes maximális kimenettel dolgozik (az Astráé pontosan 1,05 millió, ebből legfeljebb 922 ezer lehet input). A gyakorlatban három dolog számít, és mindhárom a számlán jelenik meg.

Egy: mennyi tokent éget el ugyanahhoz az eredményhez. Az Artificial Analysis a teljes intelligencia-indexének lefuttatásához az Astra maximális beállításán 42 millió tokent mért, magas beállításán 16 milliót, miközben a mezőny mediánja 62 millió. Ez kifejezetten takarékos gondolkodás. A Fable 5.1-ről az Anthropic ugyanezt állítja a tömörségi fejlesztéssel. A tanulság mindkét irányban: a "reasoning" modellek közti árkülönbség nem a listaáron dől el, hanem azon, mennyit gondolkodnak hangosan a te pénzeden.

Kettő: mennyibe kerül a kontextus újraolvasása. Ügynök-jellegű munkánál (és minden Make-szcenáriónál, ami előzményekkel dolgozik) a kérések nagy része ismételt kontextus, ezt a gyorsítótárból olvassa vissza a rendszer. Itt van a legnagyobb valódi árkülönbség: a Fable 5.1 cache-olvasása 0,25 dollár per millió token, az Astráé 1 dollár. Négyszeres különbség pont abban a tételben, ami egy hosszan futó automatizálás számlájának a zömét adja. Az Anthropic saját becslése szerint ez tipikus terhelésnél nagyjából 25%-kal, erősen agentikus munkánál akár 45%-kal viszi le az effektív költséget.

Három: a hosszú kontextus felára. Az Astránál a 272 ezer input token feletti kérésekre az OpenAI a normál díj kétszeresét számolja. Az egymillió tokenes ablak tehát létezik, de nem az alapáron. Aki "majd bedobom az egész tudásbázist a promptba" logikával tervez, annak egyetlen teli ablak 10-20 dollár, mielőtt a modell egy tokent is válaszolt volna.

05Árak: ugyanaz a címke, más a végösszeg

A címke tehát ugyanaz, a szerkezet nem. Az Artificial Analysis vegyes terhelésű számítása (7:2:1 cache-input-output arány) szerint a Fable 5.1 effektíve 7,17 dollár, az Astra 7,70 dollár per millió token. Nem drámai különbség, de irányt mutat: minél cache-intenzívebb a munkád, annál inkább a Fable felé billen a mérleg, minél inkább egyszeri, rövid kérésekből áll, annál kevésbé számít bármelyik kedvezmény.

Előfizetői oldalon az Astra a ChatGPT Plus, Pro, Business és Enterprise csomagokba érkezik a napokban fokozatosan. És itt van egy kis irónia, ami az előző cikkem után különösen szép: az ingyenes és a Go csomag felhasználói hirdetést kapnak, Astrát nem. A Fable 5.1 fejlesztői oldalon általánosan elérhető a Claude API-n, az Amazon Bedrockon, a Google Cloudon és a Microsoft Foundryn keresztül.

Egy fontos figyelmeztetés: ezek a szeptember 3-4-én érvényes listaárak. Modellárak hónapok alatt is mozognak, a döntés napján mindig a hivatalos árlista számít, nem egy blogcikk, az enyém sem.

Ugyanaz az árcímke, négyszeres különbség a cache-olvasásban. A hosszan futó automatizálás számláját pont az dönti el.

06Mit jelent ez egy magyar vállalkozásnak

Ha nem AI-fejlesztő vagy, hanem vállalkozást viszel, három dolgot érdemes ebből hazavinni.

Ne dönts a hype-ciklus tetején. Két hét múlva lesznek független mérések, valódi felhasználói tapasztalatok, és kiderül, mennyit érnek a launch-számok éles munkában. A gyártói benchmark arra jó, hogy tudd, mire optimalizálták a modellt. Arra nem, hogy előfizetést válts pánikban. A saját szűrőm három kérdés: ki mérte, mihez képest, és megismételhető-e a beállítás. Ha a háromból egyre sincs válasz, az nem adat, hanem plakát.

A láthatósági alapjaid modellfüggetlenek. Jön az Astra, jött a Fable 5.1, jövőre jön a következő. Amit ezek a rendszerek forrásként idéznek, az nem attól függ, melyik modell fut éppen, hanem attól, hogy a tartalmad géppel olvasható, tényalapú és következetes-e, és hogy a robotokat egyáltalán beengeded-e. Ez a réteg nem avul el modellváltáskor. Pont ezért éri meg ebbe fektetni, nem a heti modellhírek követésébe.

Ha automatizálsz, a szerkezetet nézd, ne a címkét. A saját Make-folyamataimban a költség zömét nem az egyszeri kérések adják, hanem az ismételt kontextus. Ott a cache-ár és a kimenet tömörsége dönt, nem a listaár. Mielőtt bármelyik csúcsmodellre kötsz be egy folyamatot, számold ki egy valós hónap tokenforgalmát mindkét árszerkezettel. Fél óra munka, és jellemzően más jön ki belőle, mint amit a főcímek sugallnak.

És egy utolsó gondolat az AGI-korszakról. Lehet, hogy Brockmannek igaza lesz, és évek múlva tényleg innen datálják. De a te vállalkozásod szempontjából a kérdés nem az, hogy elkezdődött-e az AGI korszaka. Hanem az, hogy amikor egy ilyen rendszer a te piacodról válaszol, te benne vagy-e a válaszban. Ez pedig nem a modellek versenyén múlik, hanem a te házi feladatodon.

Gyakori kérdések

Források