GPT-6 Astra vs Claude Fable 5.1: Performance, Preise und wofür du sie nutzt

Was ist GPT-6 Astra?

GPT-6 Astra ist OpenAIs neues Frontier-Flaggschiff und Nachfolger von GPT-5.6 Sol. Es ist auf agentische Ausführung statt Chat ausgerichtet. OpenAI positioniert es für Computer-Nutzung, professionelle Arbeit und Softwareentwicklung. Es ist das erste OpenAI-Modell, das im Preparedness Framework des Unternehmens die kritische Schwelle in der Cybersicherheit überschreitet. Es bietet ein Kontextfenster von 1.050.000 Tokens, 128K Max-Output und einen Wissensstand vom 30. April 2026.

Zwei Punkte stechen in der Ankündigung heraus. In Codex behält Astra Notizen über Kontextfenster hinweg bei, statt sie in einer Zusammenfassung zu verdichten. Frühere Fenster bleiben so durchsuchbar. Außerdem entscheidet es, wann es eine Rückfrage stellt, statt stets zu raten oder immer zu fragen.

Die vollständige Feature-Liste, Benchmark-Tabellen und Zugang findest du in unserem GPT-6 Astra Guide. Lies das gern im Kontext unserer Berichterstattung zum Vorgänger GPT-5.6 Sol, Terra und Luna.

Was ist Claude Fable 5.1?

Claude Fable 5.1 ist Anthropics allgemein verfügbares Frontier-Modell für anspruchsvolles Reasoning und langfristige agentische Aufgaben. Es bietet ein 1M-Token-Kontextfenster mit 128K Max-Output, adaptive Thinking stets aktiv und einen Wissensstand von Juni 2026. Anthropics Dokus bewerten seine Latenz als langsamer als Claude Opus 5 und Claude Sonnet 5, die beide günstiger sind.

Claude Mythos 5.1 ist dasselbe Modell mit anderen Schutzmechanismen, auf Einladung über Project Glasswing. Die wichtigste Änderung für alle ist der Cache-Read-Preis: um 75% gesenkt auf $0,25 pro Million Tokens, während die Listenpreise unverändert bleiben.

Unser Claude Fable 5.1 Guide enthält die komplette Benchmark-Übersicht, und unser Claude Fable 5.1 API Tutorial baut damit einen repository-sensitiven Developer-Agenten, inklusive echter Kostenaufschlüsselung über verschiedene Aufwandsstufen.

GPT-6 Astra vs Claude Fable 5.1: Direktvergleich

Kurzfassung: OpenAIs Vergleichstabelle zeigt Astra in fast jeder veröffentlichten Zeile vor Fable 5.1, während Artificial Analysis das Gegenteil auf beiden Indizes sieht. Was du glaubst, hängt davon ab, wie viel Gewicht du einem Anbieter gibst, der seinen eigenen Wettbewerber bewertet.

Coding und agentische Workflows

Astra führt auf den Coding-Benchmarks, die OpenAI veröffentlicht hat, aber die Abstände sind knapp und der unabhängige Index widerspricht. Auf Terminal-Bench 4.0, das Software Engineering, Systemkonfiguration und Datenanalyse im Terminal testet, meldet OpenAI 57,7% für Astra gegen 55,8% für Fable 5.1. Anthropic veröffentlicht dieselben 55,8%, diese Zeile ist also unstrittig.

Die Lücke wird bei DeepSWE v1.1 größer, wo Astra 74,1% gegen 67,4% erreicht, und schließt sich auf FrontierCode 1.1 Main fast, wo 53,3% gegen 50,9% im Bereich liegen, den Claude Fable 5 (53,5%) und Claude Opus 5 (53,4%) bereits besetzen.

Die letzte Zeile ist die, zu der ich zurückkehre. Artificial Analysis setzt Fable 5.1 in Claude Code auf 70, die höchste Punktzahl seines Coding Agent Index, und Astra in Codex auf 67, etwa auf Höhe von Claude Opus 5 und Claude Fable 5. Zwei Caveats sind hier wichtig:

• Die Modelle liefen in unterschiedlichen Harnesses, Codex vs. Claude Code, also geht ein Teil des 3-Punkte-Abstands aufs Gerüst statt aufs Modell. Unser Vergleich Codex vs Claude Code zeigt, wie unterschiedlich sich beide verhalten.
• Astra kommt deutlich günstiger ans Ziel. Artificial Analysis hat gemessen, dass es bei max effort in Codex nur ein Drittel der Tokens von GPT-5.6 Sol und nur ein Fünftel der Tokens von Claude Opus 5 bei xhigh verbraucht.

Astra gewinnt die veröffentlichten Coding-Zeilen knapp und das Effizienzargument klar, während Fable 5.1 den einzigen unabhängigen Coding-Agenten-Score hält, der beide schlägt.

Reasoning und wissenschaftliche Arbeit

Das ist die sauberste Aufteilung im gesamten Vergleich, und sie geht in beide Richtungen. Astra nimmt Mathe und Naturwissenschaften: 97,6% gegen 87,8% auf FrontierMath Tier 4 v2, 96,0% gegen 93,7% auf GPQA Diamond und 64,6% gegen 52,6% auf Terminal-Bench Science 0.1, dem agentischen Research-Benchmark, um den Anthropic seinen eigenen Launch gebaut hatte.

Fable 5.1 gewinnt bei Humanity's Last Exam mit Tools, 65,0% gegen 57,2%, und das deutlich. Artificial Analysis stützt die Richtung unabhängig, mit 66 auf dem Intelligence Index für Fable 5.1 gegenüber 61 für Astra, der höchsten je gemessenen Punktzahl.

Ein Caveat zu den 66: Artificial Analysis hat Fable 5.1 mit Anthropics standardmäßigem Server-seitigem Fallback gemessen, der sicherheitsgeflaggte Anfragen an Claude Opus 4.8 oder Claude Opus 5 routet. Der Fallback lieferte rund 4% der Output-Tokens über den Index. Der Score ist Fable 5.1, wie ihn die meisten tatsächlich aufrufen, nicht das isolierte Rohmodell.

Wenn deine Arbeit Mathe oder Naturwissenschaft auf Master-Niveau ist, nimm Astra. Wenn es um breites, schwieriges Reasoning wie bei Humanity's Last Exam geht, nimm Fable 5.1.

Computer-Nutzung und professionelle Artefakte

Astra dominiert diese Dimension, vor allem weil Anthropic keine vergleichbaren Zahlen veröffentlicht hat. OpenAI meldet 72,6% für Astra auf OSWorld 2.0s Offline-Set gegenüber 70,2% für Claude Opus 5, und 92,7% auf ScreenSpot-Pro gegenüber 87,3% für Claude Fable 5. Anthropics eigene Fable-5.1-Werte, 77,9% partial und 41,7% strict, stammen aus einem anderen Task-Release und Grading.

Die Artefaktzahlen sind eindeutiger: 95,9% auf BenchCAD gegen 84,3% und 41,4% gegen 31,4% auf AutomationBench.

Für Agenten, die echte Software klicken und Slides oder CAD ausgeben, ist Astra die stärkere Wahl.

Sicherheit, Cybersicherheit und Alignment

Astras Alignment-Zahlen sind der am wenigsten diskutierte Teil des Launches. Auf OpenAIs internem Safety-Benchmark für Computer-Nutzung, wo niedriger besser ist, erzielt es 2,4% gegenüber 9,5% für Fable 5.1.

In der Cybersicherheit spielt es in einer anderen Liga: 100% auf ExploitBench und 86 von 226 gelösten FrontierCyber-Challenges gegenüber 34 für GPT-5.6 Sol in Irregulars unabhängigen Tests. Anthropic hat Fable 5.1 so justiert, dass es Schwachstellen findet, sie aber nicht ausnutzt.

Zwei Caveats, beide mit Vorsicht zu genießen:

• OpenAI berichtet, dass Astras schriftliches Reasoning schwerer zu überwachen ist als bei Sol, weil es Probleme in weniger geschriebenen Schritten löst.
• Die UK AISI fand Astra in 2 von 500 Samples mit simulierten Lieferkettenangriffen, obwohl der Scope Internetzugang explizit ausschloss; zuvor 60 von 499, wenn der Scope unklar blieb.

Astra ist zugleich der sicherere Agent und der fähigere Angreifer, daher die Zugangsbeschränkungen.

Preise: Was du tatsächlich zahlst

Die Listenpreise sind identisch. Auf dem Preisblatt unterscheiden sich die Modelle nur bei Caching und Langkontext. Diese Sicht hält aber nur, wenn beide auf derselben Aufgabe gleich viele Tokens verbrauchen – tun sie nicht. Deshalb zählen die gemessenen Kosten pro Aufgabe weiter unten mehr als das Preisblatt.

Token-Tarife im direkten Vergleich

Input, Output, Cache-Writes und der Batch-Rabatt sind centgenau identisch. Die Ausnahme sind Cache-Reads – und die ist 4x: Anthropic setzt Fable 5.1s Cache-Reads auf $0,25, OpenAI bepreist Astras mit $1,00, also 90% Rabatt auf den Input-Tarif.

Über 272K Input-Tokens weitet sich die Lücke auf 8x, weil OpenAIs Zuschlag Cache-Reads auf $2,00 verdoppelt – parallel zum Input – während Anthropics Preisdoku das volle 1M-Kontextfenster zum Standardtarif führt. Beachte, wie niedrig diese Schwelle im Verhältnis zu Astras Werbung liegt: 272K sind etwa ein Viertel des 1,05M-Fensters. Jede Anfrage, die mehr als ein Viertel des verfügbaren Kontexts nutzt, wird teurer abgerechnet.

Cache-Reads sind der Tarif, der sich über eine lange Schleife aufaddiert, weil ein Agent bei jedem Turn denselben System-Prompt, Tool-Definitionen und Repository-Kontext erneut sendet. Unser Guide zum Prompt-Caching erklärt die Mechanik zwischen Cache-Write und Cache-Read, falls dir die Unterscheidung neu ist.

Was eine reale Workload auf dem Preisblatt kostet

Alles in dieser Tabelle ist Listenpreis-Arithmetik auf fixer Token-Form, kein Messergebnis. Sie beantwortet die Frage: "Wenn beide Modelle identische Tokens verbrauchen, was stellt das Preisblatt in Rechnung?" Der nächste Abschnitt beantwortet, was sie tatsächlich verbrauchen.

Die Formel ist in jeder Zeile gleich: (Volumen ÷ 1M) × Tarif, summiert über frischen Input, gecachte Reads, Cache-Writes und Output. Die cache-lastige Zeile nimmt ein 100K-Präfix an, einmal geschrieben und 1.000-mal gelesen, plus 5K frischer Input und 1K Output pro Anfrage.

Die Retrieval-Zeile über der Schwelle ist die Überschrift: Hältst du jede Anfrage unter 272K Input-Tokens, kosten beide Modelle genau $150. Schiebst du dieselben 10M Tokens in Anfragen durch, die jeweils 272K überschreiten, steigt Astra auf $275, während Fable 5.1 bei $150 bleibt, weil Anthropic das volle 1M-Kontextfenster zum Standardtarif bepreist.

Die cache-lastige Schleife werden die meisten treffen. Bei 1.000 gecachten Reads eines 100K-Präfixes wird aus der $0,75-Lücke pro Million gecachter Tokens ein $75-Unterschied auf einer ansonsten identischen Workload. Beachte aber die Form dieser Workload: Sie ist bewusst output-arm, 1K Output-Tokens pro Anfrage gegenüber 100K Cache-Reads. Das ist die eine Form, in der Fable 5.1s Cache-Vorteil die Rechnung entscheidet.

Was jede Aufgabe tatsächlich kostet

Sobald du echten Token-Verbrauch misst statt ihn anzunehmen, kippt das Bild. Artificial Analysis bepreist jedes Modell pro Intelligence-Index-Aufgabe; die Methode umfasst bereits Input, Cache-Hit, Cache-Write, Thinking- und Antwort-Tokens – Fable 5.1s günstigerer Cache ist also eingepreist.

Bei max effort kostet Fable 5.1 das 2,25-Fache von Astra für denselben Aufgaben-Set zum gleichen Listenpreis. Artificial Analysis kommt auf dem Coding-Index zur gleichen Schlussfolgerung, wo Astra Fable 5 „zu weniger als der Hälfte der Kosten erreicht, getrieben von erheblichen Effizienzgewinnen bei den Tokens“. Astras Spanne reicht bis $0,46 pro Aufgabe bei niedrigem Aufwand.

Fable 5.1 wird hier nicht vom Preisblatt „bestraft“, sondern vom Output-Volumen. Artificial Analysis hat gemessen, dass es bei max effort etwa 1,7× so viele Output-Tokens nutzt wie Fable 5 – deshalb kostet es trotz Cache-Senkung 20% mehr pro Aufgabe als sein Vorgänger. Ohne die Senkung läge der Wert bei rund $5,16. Der Rabatt wirkt also, aber nicht genug.

Für etwas zahlst du diese Prämie: Fable 5.1 erzielt 5 Punkte mehr auf demselben Index, und 4 Punkte mehr bei xhigh. Ob 5 Punkte 2,25× wert sind, ist deine Entscheidung – aber die Version dieses Vergleichs, in der identische Listenpreise identische Rechnungen bedeuten, hält der Messung nicht stand.

OpenAIs eigene Bildunterschriften zeigen in dieselbe Richtung, so viel ein Anbieter-Selbstreport wert ist: Astra liege bei den geschätzten API-Kosten pro Aufgabe ca. 31% unter Fable 5.1 auf Terminal-Bench Science 0.1, ca. 63% darunter auf Terminal-Bench 4.0 und ca. 86% darunter auf BenchCAD, gemessen bei den von OpenAI gewählten Aufwandsstufen je Modell.

Wie GPT-6 Astra und Claude Fable 5.1 abgeschnitten haben

Astra hat unseren Test knapp gewonnen, wobei beide Modelle im ersten Versuch eine funktionierende Simulation geliefert haben.

Der Test

Ich habe eine anspruchsvolle Aufgabe gegen beide Modelle unter identischen Bedingungen laufen lassen statt mehrere flacher. Der ausgewählte Test ist eine Physik-Simulation von Grund auf als einzelne HTML-Datei, gewählt, weil sie genau das prüft, was beide Anbieter verbessert haben wollen: anhaltende Korrektheit über einen langen Build, ohne auf eine Bibliothek zurückgreifen zu können.

Diese Instanz ist eine aufgefrischte Version dieses Tests. Die veröffentlichte Variante nutzte einen rotierenden quadratischen Container, hier kommt ein rotierendes Sechseck mit einem gegenläufig rotierenden zentralen Hindernis und größenskalierter Masse hinzu – erhöht die Schwierigkeit, hält die Frage der Eindämmung aber klar auf „bestanden“ oder „nicht bestanden“. Hier ist der Prompt, in eine frische Unterhaltung für jedes Modell wortgleich eingefügt:

Build a single-file HTML page (inline CSS and JS, canvas, no build step, no external libraries, no network) that simulates a few dozen balls of varying sizes bouncing under gravity inside a **slowly rotating hexagonal container**, with a **smaller counter-rotating obstacle at the centre** that the balls also collide with. 
Ball mass should scale with size, so larger balls shove smaller ones around. 
The balls should collide with each other, with the hexagon's walls, and with the central obstacle, and lose a little energy on each collision so the system settles rather than gaining energy over time. 
Both the hexagon and the inner obstacle keep rotating throughout, so the balls should slosh and re-pile as they turn.

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.

Beide Modelle liefen mit hohem Reasoning-Aufwand, je ein Versuch ohne Retries, im selben Coding-Agenten mit den gleichen Tools. Gewertet wurde zunächst Laufbarkeit (Pass/Fail), dann ein Rubric-Score von 1 bis 5 für physikalische Korrektheit, Stabilität über 30 Sekunden und visuelle Qualität.

Was GPT-6 Astra geliefert hat

Astra bestand die Laufbarkeitsprüfung und erzielte 5/5 auf allen drei Rubric-Achsen. Es kam in 6 Turns und 9 Tool-Calls ans Ziel – der Tool-Mix ist spannend: Es schrieb die Datei, las sie 5-mal zurück, führte zweimal grep aus und patchte zweimal, bevor es fertig meldete.

Die Simulation stimmt. 44 Bälle, Masse skaliert mit Fläche, Eindämmung hält die vollen 30 Sekunden, während das Sechseck rotiert. Astra wählte das innere Hindernis relativ groß, so dass die Bälle weiter kollidieren statt sich außerhalb seiner Reichweite zu beruhigen.

Außerdem baute es eine komplette Editorial-Seite um die Simulation: Serif-Headline, gesperrte Monospace-Labels und ein Telemetrie-Panel mit Live-Rotationsraten. Niemand hat das verlangt, aber es sieht in meinen Augen sehr gut aus. Es lieferte auch Pause- und Neustart-Controls, die der Prompt nicht verlangte, die das Artefakt aber leichter prüfbar machten.

Astra dreht die Kammer mit 0,09 rad/s und das Hindernis mit -0,16 rad/s – etwa dreimal langsamer an der Außenwand und fünfmal langsamer am Hindernis als Fable. Besser anzusehen und ein sanfterer Test der bewegten Grenze als eine schnellere Drehung. Da der Prompt ein langsam rotierendes Gefäß verlangt, ist das in Ordnung.

Was Claude Fable 5.1 geliefert hat

Fable bestand die Laufbarkeit ebenfalls und erzielte 4 bei physikalischer Korrektheit, 5 bei Stabilität und 4 bei visueller Qualität. Es brauchte nur 2 Turns und einen einzigen Tool-Call: einmal schreiben, keine Re-Reads, keine Patches.

Die Physik ist solide, aber nicht makellos. Bälle haften leicht an den Wänden – das kostet den Punkt bei der Korrektheit – und innerhalb der ersten Sekunden sammeln sie sich in den unteren Ecken, wo das gegenläufige Hindernis sie nicht mehr erreicht. Dieses Hindernis bleibt über weite Strecken unbeteiligt.

Fable investierte seine Mühe eher in Instrumentierung als in Präsentation. Ein Live-HUD zeigt Ballanzahl, Framerate, kinetische Energie und beide Rotationsraten; ein Klick irgendwo im Sechseck setzt dort einen neuen Ball ab. Diese letzte Idee gefiel mir mehr als erwartet, denn so prüft man die Kollisionslogik am schnellsten von Hand.

Ergebnisse

Astra gewinnt hier in der Qualität, mit größerem Abstand in der Präsentation als in der Physik. Der Unterschied liegt darin, was jedes Modell als Job verstand. Astra las den Prompt als Briefing zur Interpretation und ergänzte Controls, ein volles Editorial-Layout und eine langsamere Drehung zum Zuschauen. Fable las ihn als Spezifikation, erfüllte sie in einem Schreibvorgang und steckte die übrige Energie in ein Diagnose-HUD.

Das ist je ein Durchlauf pro Modell, also ein Datenpunkt, kein Benchmark. Er berichtet Turns, nicht Tokens oder Kosten, und prüft nur Simulationen von Grund auf, nicht die oben behandelten Computer-Nutzung oder Reasoning-Dimensionen.

Wann du GPT-6 Astra vs. Claude Fable 5.1 wählen solltest

Weil die Listenpreise gleich sind, hängt die Entscheidung von der Workload-Form, dem gemessenen Token-Verbrauch und dem Coding-Agenten ab, den du bereits nutzt. Die drei Zahlen, die dich bewegen sollten, sind die 4x-Lücke bei Cache-Reads, die 272K-Zuschlagsschwelle und die 2,25x gemessenen Kosten pro Aufgabe.

Wähle GPT-6 Astra, wenn ...

• Deine Agenten echte Software bedienen. Mit 72,6% auf OSWorld 2.0s Offline-Set und 92,7% auf ScreenSpot-Pro ist Astra das einzige der beiden mit veröffentlichten Zahlen zum Grounding und zum Klicken durch Desktop-Apps.
• Du polierte professionelle Artefakte brauchst. Folien, Tabellen und CAD-Output sind explizite Trainingsziele, und 95,9% BenchCAD gegenüber 84,3% ist der größte veröffentlichte Artefaktabstand.
• Die Arbeit Mathe oder Naturwissenschaft ist. FrontierMath Tier 4 v2 mit 97,6% gegen 87,8% und GPQA Diamond mit 96,0% gegen 93,7%.
• Du defensive Security-Arbeit machst. 100% auf ExploitBench und 86 von 226 gelösten FrontierCyber-Challenges setzen es klar ab – vorausgesetzt, du kommst mit gated Capabilities im OpenAI Daybreak-Programm zurecht.
• Du bereits Codex nutzt. Astras Kontextnotizen über Fenster hinweg sind ein Codex-Feature, und ein Harness-Wechsel für 3 Punkte Indexdifferenz lohnt selten.
• Kosten pro Aufgabe wichtiger sind als der Top-Score. $1,67 gegenüber $3,76 auf Artificial Analysis’ Intelligence Index bei max effort und $0,46 bei niedrigem Aufwand, wenn 57 statt 61 reicht.

Wähle Claude Fable 5.1, wenn ...

• Du lange Agentenschleifen fährst, deren Rechnung von Cache-Reads, nicht Output, dominiert wird. Mit $0,25 pro Million gecachter Reads gegenüber $1,00 kostet die oben skizzierte Cache-Workload $126 statt $201. Der Vorteil schrumpft, sobald Output-Tokens dominieren – genau das zeigen die Messungen pro Aufgabe.
• Deine Anfragen groß sind. Anthropic erhebt keinen Langkontext-Zuschlag, daher bleibt die 10M-Token-Retrieval-Workload bei $150, wo Astra auf $275 steigt, und Astras Cache-Reads verdoppeln sich oberhalb der Schwelle ebenfalls.
• Du den besten unabhängigen Reasoning-Score willst und dafür zahlst. Artificial Analysis bewertet es mit 66 auf dem Intelligence Index gegenüber 61 und 65,0% zu 57,2% bei Humanity's Last Exam mit Tools.
• Du in Claude Code arbeitest. Fable 5.1 in Claude Code ist mit 70 der höchste von Artificial Analysis gemessene Coding-Agenten-Score und standardmäßig auf hohen Aufwand gestellt.

So startest du mit GPT-6 Astra und Claude Fable 5.1

Zwei Zugangsdetails bremsen dich vor dem ersten Call. Astra ist in Enterprise-Workspaces standardmäßig deaktiviert, bis ein Admin es einschaltet, und Fable 5.1 erfordert 30 Tage Datenaufbewahrung und wird auf Priority Tier nicht unterstützt. Die Cloud-Reichweite ist nahezu ausgeglichen; aktuell ist Google Cloud die einzige Plattform, die Fable 5.1 hat und GPT-6 Astra nicht.

GPT-6 Astra und Claude Fable 5.1 in einem Coding-Agenten nutzen

Jedes Modell ist in seinem eigenen Harness nativ – Astra in Codex und Fable 5.1 in Claude Code, wo du mit /model claude-fable-5-1 oder dem --model-Flag wechselst. Über die API ist es ein String, auch wenn sich die SDKs unterscheiden.

from anthropic import Anthropic

client = Anthropic()
response = client.messages.create(
    model="claude-fable-5-1",  # OpenAI SDK equivalent: model="gpt-6-astra"
    max_tokens=16000,          # thinking plus response share this budget
    output_config={"effort": "high"},
    messages=[{"role": "user", "content": "Refactor this module..."}],
)
print(response.content[0].text)

Drei Änderungen in Fable 5.1 brechen Code, der auf Fable 5 geschrieben wurde: erzwungene Tool-Auswahl liefert jetzt 400, frühere Modelle können seine Thinking-Blöcke nicht lesen, und Thinking-Blöcke sind an die exakt davor liegende History gebunden. Unser Claude Fable 5.1 API Tutorial geht alle drei durch, und unser Einsteiger-Guide zur OpenAI API zeigt das entsprechende Setup auf der anderen Seite.

Fazit

Entscheide nach Workload-Form und gemessenen Kosten, nicht nach Benchmark-Tabellen. GPT-6 Astra ist stärker für Agenten, die Software bedienen, Mathe machen oder kundentaugliche Artefakte liefern, und wirkt trotz identischem Preisblatt pro Aufgabe günstiger. Claude Fable 5.1 liefert den höchsten unabhängigen Reasoning-Score und kostet weniger bei sehr großen Anfragen und cache-dominierten Schleifen.

Das Preisblatt ist die Falle in diesem Vergleich. Zwei Modelle bei $10 und $50 wirken preislich austauschbar, und die einzige sichtbare Lücke – Cache-Reads – spricht 4x für Anthropic. Misst du dann, was jedes tatsächlich für den Abschluss einer Aufgabe verbraucht, liegt Astra bei 44% der Kosten von Fable 5.1. Das hätte ich aus den Pricing-Seiten nicht vorhergesagt und es ist das eine, was ich gegen deinen eigenen Traffic prüfen würde, bevor du dich festlegst.

Wenn du mit den Modellen arbeiten willst statt über sie zu lesen, empfehle ich unseren Kurs Introduction to Claude Models für die Anthropic-Seite und Working with the OpenAI API für OpenAI.