С разницей в считаные дни вышли две самые сильные модели: GPT-6.2 Astra от OpenAI и Claude Fable 5.2 от Anthropic. Мы прогнали их через бенчмарки ПродСовета. Каждая модель работала в родной среде (Astra в Codex, Fable в приложении Claude) с уровнем рассуждений xhigh. Ниже коротко про релиз, три наших теста (игра про кота, чёрная дыра и задача на живом проекте), стоимость и время, а в конце мои выводы.
Что показали при релизе
OpenAI называет Astra самой умной моделью для научных, кодинговых, 3D- и других сложных задач, а Sol — быстрой и дешёвой «рабочей лошадкой». В релизе отдельный упор на науку.
На графике Terminal-Bench-Science у новой Astra лучшая точка выше и левее: около 77% за $7 против примерно 68% за $24 у предыдущей. Это плюс девять процентных пунктов при цене задачи ниже больше чем втрое. В одном из заданий агент по спутниковым снимкам за десять зим определяет, когда озеро замерзало и когда сходил лёд. Ему дают файлы и терминал, а проверяют конкретные даты.
В более широком Vals Science Index, где ещё проверяют разбор реальных биологических данных и эксперименты в симуляции, Astra вышла на первое место с 68,4%. Средняя цена теста снизилась с $8,03 до $4,76. По этому бенчмарку она опережает и Fable 5.2.
С ARC-AGI-3 история тоньше. Astra впервые набрала 100%, но с адаптером OpenAI, который сохраняет состояние рассуждений модели от хода к ходу. Со стандартными заметками её лучший результат — 70,3% (в xhigh — 56,5%), и здесь впереди Fable 5.2 с 81,2%.
У Artificial Analysis общий результат Astra вырос: второе место в Intelligence Index, после Fable 5.2. А в агентном кодинге прироста нет, модель осталась на прежнем значении. В независимом сравнении интерактивных 3D-проектов AA-3D Astra, наоборот, первая.
Теперь про деньги. Базовый тариф API снизился на 20%: $8 за миллион входных токенов и $40 за миллион выходных. У Sol цены прежние — $2 и $10. Но цена задачи зависит ещё и от того, сколько токенов модель потратит по дороге: в общем наборе тестов Vals средняя задача подешевела примерно с $21 до $11.
Ранние отзывы смешанные. Итан Моллик получил Astra до релиза и сделал с ней поездку на космическом лифте в Blender и Unity: результат интересный, но модель сложнее направлять, приходится больше подсказывать. Часть блогеров с ранним доступом и вовсе пишет о разочаровании.
Как мы тестируем
Три задачи, один и тот же промпт для обеих моделей: каждая работает в родной среде на xhigh. Стоимость в статье — аналог расходов в API по тарифам, а не расход подписки. Большая часть токенов у обеих моделей — чтение кеша, а цена этого чтения зависит от тарифа. «Работа агента» — полное время сессии. Сегодня урезанная версия замеров: один промпт на 3D-игру, «чёрная дыра» и задача на собственном проекте.
Cat Chaos: кот разбивает всё подряд
Промпт: «Сделай 3D-игру в браузере. Ты — кот. Хозяева ушли на работу, у тебя 1 минута, чтобы устроить в квартире максимальный хаос».
| Модель / режим | Среда | Инпут | Чтение кеша | Аутпут | Всего токенов | Работа агента | Стоимость |
|---|---|---|---|---|---|---|---|
| GPT-6.2 Astra / xhigh | Codex | 138,56K | 7,85M | 59,38K | 8,05M | 54 мин | $6,50 |
| Claude Fable 5.2 / xhigh | приложение Claude | 244,11K | 5,67M | 256,96K | 6,17M | 45 мин | $15,32 |
В 45 минут Fable вошла и первая попытка: почти 24 минуты она размышляла, исчерпала лимит вывода, и приложение само продолжило задачу. Прогон кота у Fable обошёлся в $15,32, у Astra — в $6,50.
У Astra получилась игра с приятной обложкой, где мы бегаем за кота, прыгаем и разбиваем всё подряд. Вышло неплохо и несколько лучше, чем у предыдущего поколения, но челюсть не отпадает, а квест она придумала катастрофически скучный.
У Fable получилась полноценная 3D-сцена с управлением камерой: разбитый ноутбук за 120 тысяч, рыбка Валера, пересаженная в кастрюлю, и чайник. Но текстуры и 3D-элементы сделаны слабо, и, по-моему, Opus 5.5 в прошлых замерах справился лучше.
Signal Categories: кодинг на собственном проекте
У меня есть дашборд, куда стекаются публикации про ИИ. Раньше у каждой было всего две метки на выбор — новость или мем. Обе модели получили одну задачу: самим выбрать категории и встроить их в рабочий проект. По этим меткам дашборд отбирает публикации, объединяет их в истории и готовит черновик дайджеста.
Какие категории появились
| О чём публикация | GPT-6.2 Astra | Claude Fable 5.2 |
|---|---|---|
| Релизы моделей, приложений и инструментов | Релиз | Релиз модели · Продукт · Разработчикам |
| Научная работа | Исследование | Исследование |
| Замеры качества, скорости или цены | Тест и сравнение | Бенчмарк |
| Применение на практике | Практика и демо | Демо и кейсы |
| Компании, чипы и вычислительные мощности | Бизнес и инфраструктура | Бизнес · Железо |
| Законы, суды и правила | Право и регулирование | Регулирование |
| Сбои и утечки | Инцидент | Сбой сервиса попадает в «Продукт», утечка — в «Регулирование» |
| Реакции и прогнозы | Мнение и разбор | Мнения и анонсы |
| Юмор | Мем | Мем |
| Публикация вне тематики канала | Вне темы AI | Не по теме |
| Всего категорий для новых публикаций | 10 | 12 |
Допустим, за день вышли новая модель, мобильное приложение и SDK для разработчиков. У Astra все три анонса можно найти по одному фильтру «Релиз», у Fable для каждого есть отдельный. А если меня интересует, что на этой неделе сломалось или утекло, у Astra для этого есть «Инцидент».
Сколько кода изменилось
| Объём правок | GPT-6.2 Astra | Claude Fable 5.2 |
|---|---|---|
| Файлы | 25 изменены + 3 новых | 25 изменены + 9 новых |
| Код приложения, интерфейс и команды запуска | +169 / −80 | +790 / −64 |
| Промпты и примеры ответов модели | +39 / −9 | +95 / −12 |
| Миграция БД и файлы схемы | +138 / −0 | +148 / −0 |
| Код тестов | +102 / −22 | +1 209 / −22 |
| Документация | +24 / −1 | +77 / −2 |
| Всего добавлено / удалено строк | +472 / −112 | +2 319 / −100 |
Из 2 319 добавленных Fable строк 1 209 пришлись на тесты. У Astra три новых файла: справочник категорий, SQL-миграция и снимок схемы. У Fable к этим трём добавились обработчик старых записей, промпт для него и четыре файла тестов.
Как из публикаций получается история
Astra задаёт правила для мнений: и релиз, и независимый тест могут открыть отдельную историю, если наберут достаточно баллов, а комментарий автоматика может только прикрепить к существующей. Fable меняет порядок обработки: в каждой группе по важности она сначала разбирает события, потом тесты, демонстрации и мнения. Обе модели сохранили прежнее поле «новость / мем» и добавили отдельную колонку в SQLite. У Astra это editorial_category, допустимые значения проверяет сама база. У Fable signal_category, а категории задаёт общий справочник в коде, поэтому добавить новую можно без изменения таблицы.
Как это выглядит в дашборде
У Astra в сигналах появились категории, можно выбрать новости по конкретной категории. В редакционном пайплайне разительных изменений после миграции я не заметил.
У Fable появился раздел «Все категории», панель и кнопка, а в сигналах можно быстро переключаться между категориями. Не первый раз замечаю, что Fable чуть грамотнее продумывает UX и UI. Здесь я абсолютное предпочтение отдаю Fable.
Время, деньги и тесты
Astra выполнила задачу за 14 минут и $5,04, Fable — за 53 минуты и $31,94 (в замер Fable вошли подготовка рабочей копии, установка зависимостей и повторная проверка тестов под нагрузкой, так что реальное время можно оценить в 30–40 минут). У Astra штатная команда pnpm check прошла с 549 тестами и сборкой. У Fable последовательно прошли 593 теста, а общий pnpm check на машине коллеги завершился с ошибками из-за таймаутов и версии Python. Точность классификации реальных новостей в исходном бенчмарке не замеряли.
Black Hole: за горизонтом событий
Промпт: сделать такую чёрную дыру, которуя переплюнет Интерстеллар Кристофера Нолана, и быть креативным до безумия. Ниже записи страниц, которые получились у моделей.
| Модель / режим | Среда | Инпут | Чтение кеша | Аутпут | Всего токенов | Работа агента | Стоимость |
|---|---|---|---|---|---|---|---|
| GPT-6.2 Astra / xhigh | Codex | 136,46K | 4,77M | 43,11K | 4,95M | 43 мин | $4,56 |
| Claude Fable 5.2 / xhigh | приложение Claude | 335,65K | 8,98M | 227,96K | 9,55M | 39 мин | $16,30 |
Цена Fable в отчёте округлена до десятых доллара.
Astra сделала обсерваторию UMBRA: телеметрия, красивое погружение, анимации приближения на очень приличном уровне. По картинке сильно, а вот за горизонтом нас встречает «Прачечная» с «Деликатным режимом». Я этот ход видел много раз: невесело и не смешно.
У Fable телеметрия объёмнее и детальнее, а после горизонта события нас ждёт «Бюро находок». Такого захода у нас ещё не было, он сильно отличается от предыдущих вариантов. Весело и задорно, хотя мне не очень нравится переход от такой сложной картины к плоскому финалу.
Итого по трём бенчмаркам
| Модель / режим | Среда | Инпут | Чтение кеша | Аутпут | Всего токенов | Работа агента | Стоимость |
|---|---|---|---|---|---|---|---|
| GPT-6.2 Astra / xhigh | Codex | 473,11K | 19,47M | 126,40K | 20,07M | 111 мин | $16,10 |
| Claude Fable 5.2 / xhigh | приложение Claude | 1,20M | 76,02M | 727,20K | 77,95M | 137 мин | $63,56 |
Инпут включает вход без кеша и запись кеша; чтение кеша показано отдельно. В токены Astra включены автоматические проверки Codex, для которых неизвестна стоимость. По всем трём задачам у Fable выходит $63,56, у Astra — $16,10 по запросам с известным тарифом.
Мои выводы
- Fable ощущается как действительно фронтирная модель. Самая большая, могущественная, умная и разносторонняя. Astra стоит как будто бы возле Opus.
- У OpenAI сейчас нет модели, которая соперничала бы с Fable Astra скорее соперничает с Opus, а Sol – аналог Sonnet.
- У Anthropic градация интеллекта и способностей прослеживается лучше, и компания лучше её позиционирует и доносит.
- Astra вела себя странно на других задачах. Она могла запустить процесс, который пять минут крутился в фоне без каких-либо действий, или пять минут отвечать на вопрос без генерации токенов. Ошибок при этом не было. Рассуждений я не видел, так что не знаю, что она себе думала, но с таким поведением раньше не сталкивался.
- По деньгам на трёх задачах Astra вышла примерно в четыре раза дешевле ($16,10 против $63,56 по тарифам API).
Подписывайтесь на наш YouTube-канал и Telegram и следите за обновлениями и новыми разборами.