Claude Fable 5.2 vs GPT-6 Astra: Benchmarks, Preise und ein Hands-on-Test

Anthropic hat Claude Fable 5.2 am 9. November 2026 veröffentlicht, zwei Monate nachdem OpenAI GPT-6 Astra als "das weltweit intelligenteste und am besten ausgerichtete Modell" vorgestellt hatte. Fable 5.2 kommt mit einer Preissenkung gegenüber Fable 5.1, und in Anthropics Launch-Tabelle liegt es in jeder Zeile vorne, in der beide Modelle auftauchen. OpenAI hat bislang keinen Vergleich mit Fable 5.2 veröffentlicht, den wir finden konnten. Für alle, die ein Spitzenmodell auswählen, stellt sich also die Frage, ob diese Zahlen standhalten.

In diesem Artikel vergleiche ich Claude Fable 5.2 und GPT-6 Astra bei langlaufender Wissensarbeit, Coding, Computerbedienung, Sicherheitsmechanismen und Preisen und lasse anschließend beide ein praktisches Build bewerkstelligen.

Wenn du in der KI- und Datenwelt am Ball bleiben willst, abonniere unseren wöchentlichen Newsletter The Median.

TL;DR

• Fable 5.2 schlägt GPT-6 Astra bei allen Benchmarks, die Anthropic für beide Modelle ausweist, mit den größten Abständen bei langlaufender Wissensarbeit und Robotik.
• Fable 5.2 ist pro Token günstiger und deutlich günstiger bei gecachten Prompts sowie bei Anfragen oberhalb von Astras Langkontext-Schwelle.
• Im praktischen Shader-Test hat Fable 5.2 die klar bessere Szene gebaut, war aber teurer im Lauf, weil es viel mehr Tokens verbraucht hat.
• Wähle Fable 5.2 für lange Agentenläufe, anspruchsvolles Coding und Research, Computerbedienung und visuelle Builds.
• Wähle GPT-6 Astra, wenn dein Team in ChatGPT, Codex oder Azure zu Hause ist oder wenn ihr die Mathe- und Langkontext-Ergebnisse braucht, die bisher nur OpenAI veröffentlicht hat.
• Alle direkten Vergleichswerte stammen von Anthropic. Behandle die Benchmark-Lücke als Anthropics Argument, bis unabhängige Läufe vorliegen.

Was ist Claude Fable 5.2?

Claude Fable 5.2 ist Anthropics Modell für die anspruchsvollste technische Arbeit. Es wurde im November 2026 für alle Nutzer freigegeben und basiert auf demselben Grundmodell wie Claude Mythos 5.2, das Fables Sicherheitsmechanismen für Cybersecurity und Biologie für geprüfte Organisationen aufhebt.

Anthropic positioniert es für besonders ambitionierte, langlaufende technische Projekte und empfiehlt weiterhin Claude Opus 5.5 als Standard für alltägliche Coding- und Wissensaufgaben.

Unsere Übersicht zu Claude Fable 5.2 und Mythos 5.2 deckt den Launch vollständig ab.

Was ist GPT-6 Astra?

GPT-6 Astra ist OpenAIs Spitzenmodell an der vordersten Front, im September 2026 als Nachfolger von GPT-5.6 Sol gestartet.

OpenAI hat den Schwerpunkt auf Computerbedienung und professionelle Arbeit gelegt – und auf das Erreichen von Benchmarks wie ARC-AGI-3 und FrontierMath Tier 4, die eigentlich dazu gedacht waren, KI-Modelle auf Abstand zu halten.

Unsere GPT-6 Astra-Übersicht begleitet den Launch, unser GPT-6 Astra API-Tutorial führt Schritt für Schritt durch den Bau eines Release-Check-Agenten.

Claude Fable 5.2 vs GPT-6 Astra: Direktvergleich

Fable 5.2 führt bei jedem Benchmark, der beide Modelle bewertet – von Coding bis Computerbedienung, nur das Lesen von Charts ist nahezu ein Unentschieden. Der Haken: Die Quelle. Alle Zahlen stammen aus Anthropics Launch-Tabelle, weil OpenAIs eigene Tabelle älter ist als Fable 5.2.

Langlaufende Wissensarbeit und Research

Fable 5.2s größter Vorsprung liegt bei offenen, mehrstufigen Aufgaben. Beim Remote Labor Index, der echte freiberufliche Projekte bewertet, schließt Fable 5.2 41,3% ab gegenüber 20,8% bei Astra – in etwa doppelt so viel.

Das Muster zieht sich durch: Je mehr eine Aufgabe wie ein langes Projekt statt wie eine einzelne Antwort aussieht, desto größer ist Fable 5.2s Vorsprung. Humanity's Last Exam überrascht nicht: OpenAIs eigene Launch-Tabelle zeigte bereits Astra hinter Claude Fable 5.1.

Auch Anthropics Showcase weist in dieselbe Richtung. Fable 5.2 hat den Beweis von Fermats letztem Satz in Lean in 30 Stunden mit rund 1.000 Agenten formalisiert – ein Projekt, für das ein früheres internes Forschungsmodell 11 Tage brauchte.

Zwei Vorbehalte, bevor du das als entschieden verbuchst:

• Jeder Astra-Wert in dieser Tabelle stammt von Anthropic, nicht von OpenAI.
• Anthropics Terminal-Bench-Science-Wert für Astra liegt höher als OpenAIs eigene Zahl. Das deutet darauf hin, dass beide Labs den Benchmark unterschiedlich gelaufen sind.

Fable 5.2 ist das stärkere Modell für lange, unklare Research- und Analyseprojekte, und die Abstände sind so groß, dass allein ein anderer Harness sie kaum schließen dürfte.

Coding und agentische Workflows

Fable 5.2 führt beide Coding-Benchmarks, die Anthropic meldet – wenn auch mit geringeren Abständen als bei Wissensarbeit. Bei FrontierCode 2.0, wo bewertet wird, ob Open-Source-Maintainer die Änderungen eines Modells mergen würden, erreicht Fable 5.2 bei xhigh 49,1% gegenüber 42,8% bei Astra.

Anthropic ergänzt, dass Fable 5.2 bei hohem Aufwand Astras beste FrontierCode-Leistung zum ähnlich hohen Task-Preis schlägt. OpenAIs eigene Coding-Tabelle nutzt ältere Benchmark-Versionen und vergleicht Astra mit Fable 5.1, daher gibt es noch keinen OpenAI-Check. Nach aktuellem Stand ist Fable 5.2 das bessere Coding-Modell.

Computerbedienung, Vision und Robotik

Fable 5.2 führt bei Computerbedienung und Robotik, während das Lesen von Charts nahezu gleichauf ist. Robotik ist der Ausreißer: Auf RoboDojo Sim, einem simulierten Zweiarm-Roboter, erzielt Fable 5.2 64,9% gegenüber 29,8% bei Astra.

OpenAI nannte Astra "das weltweit beste Modell für Computerbedienung", bezog sich damit aber auf Claude Fable 5.1 und Claude Opus 5 auf OSWorld 2.0. Auf Anthropics neuerer Version liegt Fable 5.2 vorne.

Mathe, abstraktes Denken und langer Kontext: Offene Astra-Ansprüche

Astras stärkste Launch-Ergebnisse liegen auf Benchmarks, die Anthropic für Fable 5.2 nicht gemeldet hat. Es gibt also keinen direkten Vergleich, nur Aussagen einer Seite. Am klarsten ist das Langkontext-Retrieval: Astra erreicht 96,3% auf OpenAIs MRCR v2 8-Needle-Test im Bereich 512K bis 1 Mio. Tokens.

OpenAI meldet außerdem nahezu gesättigte Werte auf FrontierMath Tier 4 und ARC-AGI-3. Unsere GPT-6-Astra-Übersicht weist jedoch darauf hin, dass der ARC-AGI-3-Wert von einem zustandsbehafteten Harness abhängt, der bei einfachen API-Calls nicht zur Verfügung steht. Wenn deine Arbeit von Retrieval über eine Million Tokens abhängt, ist Astra das einzige der beiden Modelle mit veröffentlichten Ergebnissen.

Safeguards und Datenaufbewahrung

Beide Modelle blockieren offensive Cybersecurity-Arbeit standardmäßig. Sie unterscheiden sich stärker bei der Datenaufbewahrung als bei Verweigerungen. Fable 5.2 blockiert per Klassifikatoren Penetrationstests, Exploit-Generierung und die meiste biologiebezogene Forschung auf Forschungsniveau. Anthropic sagt, es gebe weniger unnötige Blocks als bei Fable 5.1. Geprüfte Organisationen können stattdessen Claude Mythos 5.2 beantragen.

OpenAI stuft Astra auf der Kritisch-Schwelle seines Preparedness Frameworks für Cybersecurity ein und schützt Exploit-Erstellung hinter dem Daybreak-Programm. Astra unterstützt Zero Data Retention für berechtigte API-Kunden, während Fable 5.2 eine 30-tägige Aufbewahrung für Sicherheitsmonitoring verlangt – es sei denn, ein Unternehmen nutzt Anthropics Enterprise Frontier Safeguards. Für regulierte Teams, die bereits auf Nullaufbewahrung setzen, passt Astra einfacher.

Preise: Was du tatsächlich zahlst

Fable 5.2 ist bei allen von beiden Anbietern veröffentlichten Tarifen günstiger als GPT-6 Astra – und die Lücke ist nicht überall gleich. Astra kostet für Input, Output und Cache-Writes das 1,25-Fache, für gecachte Reads jedoch das 5-Fache, und nur Astra erhebt einen Langkontext-Zuschlag.

Bei einer ausgewogenen Last ist der Unterschied moderat. Entscheidend wird er, sobald Prompts gecacht werden oder über 272K Tokens hinausgehen.

Token-Tarife im direkten Vergleich

Beide Anbieter listen Standardpreise pro Million Tokens sowie Preise für Cache, Batch und Schnellmodus.

Die Rate für gecachte Reads werden die meisten Teams spüren, weil Agenten in jeder Schleife denselben langen Prefix erneut senden.

Was eine echte Last kostet

Jede Zeile unten ist ein Monatsvolumen, berechnet als (Volumen ÷ 1 Mio.) × Tarif, summiert über Input und Output.

• Ausgewogen und unter der Schwelle: Der Aufpreis entspricht den 25% aus den Basistarifen.
• Über der Schwelle: Dasselbe Volumen kostet bei Astra mehr als doppelt so viel, weil der Zuschlag Input verdoppelt und Output um die Hälfte erhöht – für jede Anfrage über 272K Tokens. Fable 5.2 weist keinen Zuschlag innerhalb seines 1-Mio.-Fensters aus.
• Cache-lastige Schleife: Astras gecachte Reads kosten das 5-Fache von Fables Tarif. Ein langer, wiederverwendeter Prefix verdoppelt die Rechnung nahezu. Die Zeile nutzt Fables 5-Minuten-Cache-Write-Tarif.

Keiner der Anbieter hat Tokenzahlen für eine gemeinsame Last veröffentlicht. Behandle diese Summen daher als Tarifvergleich, nicht als Rechnung. Mein Praxislauf unten erinnert daran, warum: Dort war das günstigere Modell pro Token der teurere Lauf.

Wie sich Claude Fable 5.2 und GPT-6 Astra geschlagen haben

Benchmarks aus einem Launch-Post eines Anbieters reichen nur begrenzt. Deshalb habe ich einen Build-Task gegen beide Modelle laufen lassen – mit identischem Prompt und identischen Tools.

Die Aufgabe: Eine einzelne HTML-Seite mit einem Vollbild-GLSL-Fragment-Shader für einen Leuchtturm an einer felsigen Küste während eines Nachtsturms – mit rollenden Wellen, die an den Felsen brechen, schrägem Regen und tiefen Wolken, die von unten beleuchtet sind. Der Leuchtturmstrahl sollte der Maus folgen und Wellen, Regen und Wolken erhellen, wo er entlangfährt. p5.js durfte nur die Canvas hosten, die Schleife laufen lassen und Mausposition sowie Zeit in den Shader geben.

Der vollständige Prompt:

Using p5.js (loaded from a CDN — that is the only external dependency allowed), build a single-file HTML page with a full-window animated shader. The scene: a **lighthouse on a rocky coast during a night storm, with rolling waves breaking on the rocks, slanted rain streaks, and low clouds lit from beneath**. The lighthouse beam should react to the mouse — the beam follows the cursor, and the waves, rain, and clouds it sweeps across light up where it falls. Write the visual effect as a **GLSL fragment shader**; use p5 only to host the canvas, run the animation loop, and pass the mouse position and time into the shader as uniforms.

Ship it as one working file named `index.html` that starts animating on load. Do not install packages. Do not open, screenshot, or headless-render the page (no Playwright, Puppeteer, or Chrome). Do not ask me clarifying questions — make reasonable assumptions and note them briefly in a comment at the top of the file.Bereitgestellt von

Warum das schwer ist:

• Vier Szenenelemente – Meer, Felsen, Regen und Wolken – alle pro Pixel in einem Shader berechnet, ohne Texturen oder Geometrie als Stütze.
• Eine bewegliche Lichtquelle, die auf alle Elemente korrekt fallen muss, egal wo der Cursor zeigt.
• Das Ganze als echter Shader mit Mathematik, nicht als Fake-Szene mit 2D-Zeichenbefehlen von p5.

Anthropics Launch-Post zitiert Unitys Sam Zhang, wonach Fable 5.2s deutlichste Fortschritte beim "Bauen hochwertiger 3D-Szenen von Grund auf" liegen. Genau das testet diese Aufgabe direkt. Es ist auch ein kleines Rematch: In unserem Vergleich GPT-6 Astra vs Claude Fable 5.1 gewann Astra einen Physik-Simulationstest gegen den vorherigen Fable.

Beide Modelle liefen in OpenCode mit festgelegter Tool-Oberfläche (nur Datei lesen und bearbeiten), bei high Reasoning-Aufwand, je ein Versuch, frische Session, Prompt bytegenau identisch.

Hier sind meine Bildschirmaufnahmen beider Seiten, während ich die Maus über die Szene bewege. Fable zuerst: