GPT-6.2 Astra vs Claude Fable 5.2 : benchmarks, coûts et test pratique
GPT-6.2 Astra et Claude Fable 5.2 coûtent le même prix par token, mais pas par tâche. Nous comparons benchmarks, prix et accès, et menons un test à l’aveugle en conditions réelles.
Anthropic a lancé Claude Fable 5.2 début novembre comme son nouveau modèle phare. Le 17 novembre 2026, OpenAI a répondu avec GPT-6.2 Astra, son nouveau modèle de pointe, et ses graphiques de lancement placent Fable 5.2 au coude-à-coude avec Astra sur la plupart des benchmarks.
Les deux modèles affichent désormais exactement le même prix par token : sur le papier, c’est un pur duel de capacités. En pratique, la facture raconte autre chose — et notre test en conditions réelles aussi.
Pour rester à jour sur l’IA et la data, nous vous recommandons de vous abonner à notre newsletter hebdomadaire, The Median.
En bref
Aucun vainqueur absolu : GPT-6.2 Astra domine le travail professionnel et analytique, Claude Fable 5.2 prend l’avantage en codage agentique.
Ils coûtent le même par token, mais Astra consomme bien moins de tokens : le coût par tâche est nettement plus bas.
Dans notre test vidéo à l’aveugle, la qualité est quasi équivalente, mais Fable a répété un fait obsolète dans chaque vidéo.
Privilégiez Fable pour les agents de code, l’utilisation d’ordinateurs et les déploiements sur Bedrock, Vertex AI ou Azure.
Privilégiez Astra pour les documents, les travaux juridiques et financiers, et tout ce qui est à grand volume.
Qu’est-ce que GPT-6.2 Astra ?
GPT-6.2 Astra est le modèle de pointe d’OpenAI, publié en novembre 2026 comme échelon supérieur de la famille GPT-6.2, au-dessus de GPT-6.2 Sol.
Sa promesse : une production professionnelle à moindre coût par tâche : présentations, classeurs et documents conformes à vos modèles, plus l’utilisation d’outils sur ordinateur (CAO et simulation).
Claude Fable 5.2 est le modèle phare d’Anthropic, publié en novembre 2026 aux côtés de Claude Mythos 5.2, une variante pour des organisations sélectionnées en cybersécurité et biomédical.
Anthropic le positionne sur des travaux techniques de longue haleine : codage agentique, utilisation d’ordinateurs et tâches de recherche, avec un mode rapide en option qui génère jusqu’à 2,5 fois plus vite.
GPT-6.2 Astra vs Claude Fable 5.2 : comparatif direct
Le panorama des capacités est partagé, avec des écarts de quelques points sur la plupart des benchmarks. L’écart de coût, lui, est net : même prix par token, mais Fable a besoin de beaucoup plus de tokens pour boucler la même tâche.
Caractéristique
GPT-6.2 Astra
Claude Fable 5.2
Éditeur
OpenAI
Anthropic
Prix des tokens
Identiques à Fable
Identiques à Astra, entrée en cache moins chère
Coût par tâche
Beaucoup plus bas
De 2,1× à 20,8× celui d’Astra selon OpenAI
Travail professionnel
En tête (Agents' Last Exam, GDPval v2, Harvey LAB-AA)
Derrière
Codage agentique
Derrière
En tête (FrontierCode 2.0)
Science, CAO et raisonnement
En tête sur les benchmarks science
En tête sur l’Intelligence Index
Utilisation d’ordinateurs
Pas de score comparable publié
Bons scores sur les benchmarks Anthropic
Notre test pratique
Le plus précis, bien moins cher
Le plus constant, un fait obsolète
Tarification : ce que vous payez vraiment
La tarification est la plus grosse différence, même si les tarifs au token sont quasi identiques. Tout se joue sur le nombre de tokens consommés par tâche.
Tarifs par token, côte à côté
Tarif
GPT-6.2 Astra
Claude Fable 5.2
Entrée, pour 1 M de tokens
$8.00
$8.00
Sortie, pour 1 M de tokens
$40.00
$40.00
Lecture d’entrée en cache, pour 1 M
$0.40
$0.20
Écriture en cache, pour 1 M
$10.00
$10.00
Mode rapide, entrée / sortie pour 1 M
$16.00 / $80.00
$16.00 / $80.00
Seul diffère le tarif de lecture d’entrée en cache, deux fois moins cher chez Fable, utile pour des agents qui relisent un long contexte fixe. OpenAI double aussi le tarif d’entrée d’Astra au-delà de 272 K tokens ; l’annonce d’Anthropic ne mentionne pas de surcoût équivalent pour Fable.
Ce que coûte une charge réaliste
Calculée aux tarifs standards comme (volume ÷ 1 M) × tarif, sommé sur entrée et sortie :
Charge
GPT-6.2 Astra
Claude Fable 5.2
Différence
Assistant équilibré : 1 M entrée / 250 K sortie par mois
$18.00
$18.00
$0 (0 %)
Boucle très cacheée : préfixe 100 K écrit une fois, 1 000 lectures en cache, + 5 K entrée neuve / 1 K sortie par requête
$121.00
$101.00
Fable $20 moins cher (17 %)
À volumes de tokens égaux, Fable n’est jamais plus cher, et le scénario à forte réutilisation de cache est le seul où il est clairement moins cher. Le hic : l’hypothèse de volumes égaux.
Pourquoi la même tâche ne coûte pas le même prix
Les graphiques d’OpenAI incluent le coût par tâche pour les deux modèles, et Fable revient plus cher sur chacun d’eux, de 2,1× sur le Vals Science Index à 20,8× sur Agents' Last Exam ($60.05 contre $2.89 pour Astra). Ce sont des mesures d’OpenAI sur un concurrent, souvent à effort maximal de chaque modèle : à prendre comme une tendance, pas comme un devis.
La cause : la longueur de sortie : à tarifs égaux, un modèle qui écrit plusieurs fois plus de tokens, y compris de raisonnement facturés en sortie, coûte plusieurs fois plus cher. Notre test ci-dessous va dans le même sens.
Travail professionnel et workflows agentiques
GPT-6.2 Astra mène nettement ici : sur Harvey LAB-AA, qui ne valide que les livrables juridiques respectant tous les critères, il atteint 15,0 % contre 7,2 % pour Fable.
Benchmark
GPT-6.2 Astra
Claude Fable 5.2
Notes
Agents' Last Exam v1.1
78,3 %
72,8 %
Graphique OpenAI ; Fable à effort maximal
GDPval v2
50,4 %
44,8 %
Benchmark interne OpenAI
Harvey LAB-AA v1.1
15,0 %
7,2 %
Graphique OpenAI
AutomationBench 1.0.6
52,4 %
51,4 %
Les deux éditeurs rapportent 51,4 % pour Fable
Remote Labor Index
Non publié
41,3 %
Table d’Anthropic, vs GPT-6 Astra
Astra est le meilleur choix pour des documents clients et des analyses prêtes à l’emploi, même si AutomationBench est à égalité et que le résultat Remote Labor Index d’Anthropic n’a pas encore d’équivalent publié pour GPT-6.2.
Codage agentique
Fable 5.2 est plus fort en code sur le benchmark que les deux éditeurs publient : 49,1 % sur FrontierCode 2.0, qui évalue si les modifications de code respectent les standards des mainteneurs pour être fusionnées, contre 44,2 % pour Astra.
Benchmark
GPT-6.2 Astra
Claude Fable 5.2
Notes
FrontierCode 2.0
44,2 %
49,1 %
Les deux éditeurs s’accordent sur le score de Fable
FrontierSWE v2
Non publié
69,9 %
Table d’Anthropic
SecureSWE
65,7 %
Non publié
Benchmark interne OpenAI
Le graphique FrontierCode d’OpenAI illustre le compromis : Fable obtient le meilleur score, mais pour un coût par tâche bien supérieur.
Pour des agents de code où la qualité prime sur le coût, Fable est le bon choix.
Science, CAO et raisonnement général
Dimension partagée : GPT-6.2 Astra mène sur les benchmarks scientifiques, tandis que Fable 5.2 mène sur le composite de raisonnement général et fait jeu égal en CAO.
Benchmark
GPT-6.2 Astra
Claude Fable 5.2
Notes
Terminal-Bench-Science 0.1
77,1 %
73,3 %
Fable via le harness d’Artificial Analysis ; Anthropic annonce 74,6 % dans Claude Code
Vals Science Index v1
68,4 %
63,7 %
Graphique OpenAI
Artificial Analysis Intelligence Index v5.0.1
62,1
64,6
Score d’index
BenchCAD 2.1 Core
82,5 %
83,5 %
Quasi à égalité
Humanity's Last Exam (avec outils)
Non publié
74,2 %
Table d’Anthropic
Pour l’analyse scientifique, Astra a l’avantage ; pour le raisonnement général, Fable l’emporte de moins de 3 points sur le composite.
Utilisation d’ordinateurs, 3D et robotique
Anthropic publie de bons résultats d’utilisation d’ordinateurs et de robotique pour Fable 5.2, dont 89,3 % sur OSWorld 2.1, mais OpenAI ne publie pas de scores comparables pour GPT-6.2 Astra, donc pas de face-à-face direct. Le seul chiffre partagé favorise Astra : sur AA-3D d’Artificial Analysis, où des juges humains départagent deux rendus 3D à l’aveugle, Astra se classe premier avec 1 318 Elo contre 1 271 pour Fable.
Si votre charge consiste en un agent qui pilote des logiciels de bureau, Fable dispose aujourd’hui d’indices plus solides.
Performance de GPT-6.2 Astra et Claude Fable 5.2
Les benchmarks de deux éditeurs concurrents ont leurs limites, alors j’ai confié aux deux modèles la même tâche de codage créatif, avec un prompt et des outils strictement identiques.
La tâche : écrire un script pour Manim, une bibliothèque Python d’animation bien connue, afin de générer une vidéo explicative de 60 secondes sur la conjecture de Collatz pour des lycéens. La règle paraît simple (diviser par deux les nombres pairs, tripler les impairs et ajouter 1), et personne n’a encore prouvé que tout nombre de départ finit à 1.
La difficulté : les modèles ne voient jamais leur propre vidéo. Ils ne peuvent pas exécuter le script : il doit donc rendre du premier coup, être esthétique et correct, sans prévisualisation. Les explainers incitent aussi aux effets « impressionnants » : tout ce qui s’affiche doit être vrai.
Les deux modèles ont tourné dans OpenCode avec un outillage figé (lecture, recherche et édition de fichiers uniquement), au même niveau d’effort de raisonnement élevé, dans une session neuve à chaque fois. Parce qu’un brief créatif comporte une part de hasard, j’ai exécuté chaque modèle 3 fois et rendu les 6 vidéos.
J’ai ensuite évalué les vidéos à l’aveugle, mélangées et étiquetées de A à F, selon 4 critères : tout ce qui s’affiche est-il vrai ? un·e élève comprendrait-il l’idée ? est-ce agréable à regarder ? est-ce abouti ? Voici un extrait de la meilleure vidéo de GPT-6.2 Astra :
Les principaux enseignements :
Les 6 scripts ont rendu du premier coup. Chaque vidéo est à ±3 secondes de l’objectif 60 s, sans erreurs ni correctifs.
Côté qualité, c’est très serré. Sur les 4 critères, les moyennes des deux modèles se tiennent à un dixième de point. Fable est le réalisateur le plus constant : ses 3 vidéos suivent le même arc soigné, concluant sur deux façons dont la conjecture pourrait échouer et un « Personne ne sait ».
Astra a signé la meilleure et la plus faible vidéo. La meilleure explique 7 plutôt que 6 ou 27, puis montre que les chemins de nombres différents se rejoignent et restent communs : une idée réellement plus profonde que dans les autres vidéos. La plus faible est plus banale, avec des équations brièvement brouillées à chaque transition.
L’exactitude les a départagés. Les 3 vidéos de Fable affirment que les ordinateurs ont testé tous les nombres jusqu’à 2^68. C’était le record en 2020 ; il est passé à 2^71 en 2025. Les vidéos d’Astra n’ont avancé aucune affirmation non étayée.
Voici l’affirmation dans les vidéos de Fable. Elle est vraie au moment considéré, mais présente un jalon vieux de 5 ans comme l’état de l’art actuel, dans les 3 exécutions :
Et voici l’animation de la longue montée de 27 par Fable, qui explique ses bons scores de mise en scène :
L’écart de coût est important. Les scripts de Fable ont coûté $3,84 à $4,35 chacun, contre $0,40 à $0,84 pour Astra, car Fable a écrit 4 à 10 fois plus de tokens en sortie, et a été bien plus lent.
Mesure
GPT-6.2 Astra
Claude Fable 5.2
Coût de chaque exécution (USD)
$0.84, $0.61, $0.40
$4.35, $3.84, $4.19
Tokens de sortie (incl. raisonnement)
17 551, 10 828, 8 124
84 822, 74 457, 81 316
Exactitude, par run
5, 5, 5
4, 4, 4
Score (moyenne de quatre axes), par run
4,8, 4,8, 3,8
4,2, 4,8, 4,5
Alors, qui l’emporte ? Aucun sur la qualité, et Astra sur tout le reste : le même niveau de vidéo, sans rien de faux à l’écran, pour environ un sixième du coût. La constance de Fable est réelle, tout comme son habitude de répéter avec assurance un fait dépassé.
Quand choisir GPT-6.2 Astra ou Claude Fable 5.2
Puisque les prix par token sont identiques, la décision repose sur deux questions : la tâche tire-t-elle parti des forces de Fable en codage et en contrôle d’ordinateurs ? et pouvez-vous absorber plusieurs fois plus de tokens par tâche ?
Choisissez GPT-6.2 Astra si …
Vous produisez des documents clients, des projets juridiques ou des analyses financières, où Astra mène les benchmarks de travail professionnel.
Vous exécutez un fort volume de tâches, où la plus faible consommation de tokens d’Astra allège la facture à tarifs égaux.
Vous avez besoin d’analyse scientifique en terminal ou notebook, où Astra mène sur les deux benchmarks de science.
L’exactitude en création libre ou en explication compte pour vous, comme dans notre test.
Choisissez Claude Fable 5.2 si …
Vous exécutez des agents de code sur de vrais dépôts, où Fable devance FrontierCode 2.0 d’environ 5 points.
Vos agents pilotent des logiciels de bureau : Anthropic annonce 89,3 % sur OSWorld 2.1 pour Fable, et OpenAI n’a publié aucun score comparable pour Astra.
Vous déployez via AWS Bedrock, Google Vertex AI ou Azure AI Foundry, qui référencent tous Fable. La doc d’Azure ne liste pas Astra, et nous n’avons pas pu le confirmer sur les deux autres.
Vos agents réutilisent un long contexte fixe, où l’entrée en cache de Fable coûte deux fois moins cher.
Bien démarrer avec GPT-6.2 Astra et Claude Fable 5.2
Surface
GPT-6.2 Astra
Claude Fable 5.2
Application grand public
ChatGPT Work et Codex (Plus, Pro, Enterprise, Edu)
Applications Claude (disponibles pour tous)
API propriétaire
OpenAI API
Claude Platform
Plateformes cloud
Non listé dans la doc Azure AI Foundry au 17 novembre 2026
AWS Bedrock, Google Vertex AI, Azure AI Foundry
Agents de code
Codex ; non listé dans les docs Cursor ou GitHub Copilot à la date d’écriture
GitHub Copilot ; non listé dans les docs Cursor à la date d’écriture
Routeurs tiers
OpenRouter
OpenRouter
ID de modèle API
gpt-6.2-astra
claude-fable-5-2
La plus grande différence concerne la portée cloud : Fable est disponible sur les trois grands clouds, tandis qu’Astra s’accède via l’API et les produits d’OpenAI. Sur OpenRouter, le passage de l’un à l’autre se résume à une chaîne :
from openai import OpenAI
client = OpenAI(base_url="https://openrouter.ai/api/v1")# uses your OpenRouter key
response = client.chat.completions.create(
model="openai/gpt-6.2-astra",# or "anthropic/claude-fable-5.2"
messages=[{"role":"user","content":"Review this pull request..."}],)print(response.choices[0].message.content)Propulsé par
Côté capacités, GPT-6.2 Astra et Claude Fable 5.2 se partagent les victoires : Astra pour le travail professionnel et analytique, Fable pour le code et l’utilisation d’ordinateurs.
Côté coût, Astra l’emporte presque partout, car des prix par token identiques masquent des appétits en tokens très différents.
Je suis rédacteur et éditeur dans le domaine de la science des données. Je suis particulièrement intéressé par l'algèbre linéaire, les statistiques, R, etc. Je joue également beaucoup aux échecs !
FAQs
GPT-6.2 Astra est-il meilleur que Claude Fable 5.2 ?⌄
Aucun n’est meilleur en toute circonstance. GPT-6.2 Astra mène sur des benchmarks professionnels et analytiques comme Harvey LAB-AA et GDPval v2, tandis que Claude Fable 5.2 domine le codage agentique sur FrontierCode 2.0. Les deux coûtent le même prix par token, mais Astra utilise bien moins de tokens par tâche : il est donc généralement bien moins cher.
Combien coûtent GPT-6.2 Astra et Claude Fable 5.2 ?⌄
Les deux coûtent $8 par million de tokens d’entrée et $40 par million de tokens de sortie, avec des modes rapides à $16 et $80. L’entrée en cache de Fable est moins chère à $0,20 par million contre $0,40 pour Astra. Sur les graphiques d’OpenAI, Fable coûte tout de même de 2,1 à 20,8 fois plus par tâche car il consomme davantage de tokens.
Quel est le meilleur pour coder, GPT-6.2 Astra ou Claude Fable 5.2 ?⌄
Claude Fable 5.2 est le meilleur en codage sur le benchmark publié par les deux éditeurs : 49,1 % sur FrontierCode 2.0 contre 44,2 % pour GPT-6.2 Astra. Astra coûte nettement moins cher par tâche de codage, ce qui en fait un choix pertinent pour des volumes élevés ou des contraintes budgétaires.
Où accéder à GPT-6.2 Astra et Claude Fable 5.2 ?⌄
GPT-6.2 Astra est disponible dans ChatGPT Work et Codex pour les utilisateurs Plus, Pro, Enterprise et Edu, ainsi que dans l’OpenAI API. Claude Fable 5.2 est accessible dans les applications Claude, la Claude Platform, AWS Bedrock, Google Vertex AI, Azure AI Foundry et GitHub Copilot. Les deux sont sur OpenRouter.
Quels sont les IDs des modèles API pour GPT-6.2 Astra et Claude Fable 5.2 ?⌄
Dans les APIs propriétaires, GPT-6.2 Astra est gpt-6.2-astra et Claude Fable 5.2 est claude-fable-5-2. Sur OpenRouter, ce sont openai/gpt-6.2-astra et anthropic/claude-fable-5.2, donc basculer entre eux dans un client compatible OpenAI tient à une seule chaîne. Les deux modèles proposent aussi cinq niveaux d’effort de raisonnement, de low à max.
L'essor du développement de l'intelligence artificielle (IA) a entraîné une augmentation notable de la demande en matière de calcul, d'où la nécessité de disposer de solutions matérielles robustes. Les unités de traitement graphique (GPU) et les unités de traitement tensoriel (TPU) sont devenues des technologies essentielles pour répondre à ces demandes.
Découvrez les principaux types d'agents d'intelligence artificielle, comment ils interagissent avec les environnements et comment ils sont utilisés dans les différents secteurs d'activité. Comprendre les agents réflexes simples, les agents basés sur un modèle, les agents basés sur un but, les agents basés sur l'utilité, les agents d'apprentissage, etc.
Apprenez à utiliser l'API DeepSeek : choix des modèles, gestion des paramètres, optimisation des coûts, mise en cache du contexte et optimisation du chain-of-thought.
Anthropic a lancé Claude Fable 5.2 début novembre comme son nouveau modèle phare. Le 17 novembre 2026, OpenAI a répondu avec GPT-6.2 Astra, son nouveau modèle de pointe, et ses graphiques de lancement placent Fable 5.2 au coude-à-coude avec Astra sur la plupart des benchmarks.
Les deux modèles affichent désormais exactement le même prix par token : sur le papier, c’est un pur duel de capacités. En pratique, la facture raconte autre chose — et notre test en conditions réelles aussi.
Pour rester à jour sur l’IA et la data, nous vous recommandons de vous abonner à notre newsletter hebdomadaire, The Median.
En bref
Qu’est-ce que GPT-6.2 Astra ?
GPT-6.2 Astra est le modèle de pointe d’OpenAI, publié en novembre 2026 comme échelon supérieur de la famille GPT-6.2, au-dessus de GPT-6.2 Sol.
Sa promesse : une production professionnelle à moindre coût par tâche : présentations, classeurs et documents conformes à vos modèles, plus l’utilisation d’outils sur ordinateur (CAO et simulation).
Le billet de lancement d’OpenAI détaille la sortie, et notre tutoriel API GPT-6 Astra montre comment développer avec la génération précédente.
Qu’est-ce que Claude Fable 5.2 ?
Claude Fable 5.2 est le modèle phare d’Anthropic, publié en novembre 2026 aux côtés de Claude Mythos 5.2, une variante pour des organisations sélectionnées en cybersécurité et biomédical.
Anthropic le positionne sur des travaux techniques de longue haleine : codage agentique, utilisation d’ordinateurs et tâches de recherche, avec un mode rapide en option qui génère jusqu’à 2,5 fois plus vite.
Notre guide Fable 5.2 couvre le lancement ; notre tutoriel API Fable 5.2 détaille la création d’un agent d’hypothesis testing.
GPT-6.2 Astra vs Claude Fable 5.2 : comparatif direct
Le panorama des capacités est partagé, avec des écarts de quelques points sur la plupart des benchmarks. L’écart de coût, lui, est net : même prix par token, mais Fable a besoin de beaucoup plus de tokens pour boucler la même tâche.
Tarification : ce que vous payez vraiment
La tarification est la plus grosse différence, même si les tarifs au token sont quasi identiques. Tout se joue sur le nombre de tokens consommés par tâche.
Tarifs par token, côte à côté
Seul diffère le tarif de lecture d’entrée en cache, deux fois moins cher chez Fable, utile pour des agents qui relisent un long contexte fixe. OpenAI double aussi le tarif d’entrée d’Astra au-delà de 272 K tokens ; l’annonce d’Anthropic ne mentionne pas de surcoût équivalent pour Fable.
Ce que coûte une charge réaliste
Calculée aux tarifs standards comme (volume ÷ 1 M) × tarif, sommé sur entrée et sortie :
À volumes de tokens égaux, Fable n’est jamais plus cher, et le scénario à forte réutilisation de cache est le seul où il est clairement moins cher. Le hic : l’hypothèse de volumes égaux.
Pourquoi la même tâche ne coûte pas le même prix
Les graphiques d’OpenAI incluent le coût par tâche pour les deux modèles, et Fable revient plus cher sur chacun d’eux, de 2,1× sur le Vals Science Index à 20,8× sur Agents' Last Exam ($60.05 contre $2.89 pour Astra). Ce sont des mesures d’OpenAI sur un concurrent, souvent à effort maximal de chaque modèle : à prendre comme une tendance, pas comme un devis.
La cause : la longueur de sortie : à tarifs égaux, un modèle qui écrit plusieurs fois plus de tokens, y compris de raisonnement facturés en sortie, coûte plusieurs fois plus cher. Notre test ci-dessous va dans le même sens.
Travail professionnel et workflows agentiques
GPT-6.2 Astra mène nettement ici : sur Harvey LAB-AA, qui ne valide que les livrables juridiques respectant tous les critères, il atteint 15,0 % contre 7,2 % pour Fable.
Astra est le meilleur choix pour des documents clients et des analyses prêtes à l’emploi, même si AutomationBench est à égalité et que le résultat Remote Labor Index d’Anthropic n’a pas encore d’équivalent publié pour GPT-6.2.
Codage agentique
Fable 5.2 est plus fort en code sur le benchmark que les deux éditeurs publient : 49,1 % sur FrontierCode 2.0, qui évalue si les modifications de code respectent les standards des mainteneurs pour être fusionnées, contre 44,2 % pour Astra.
Le graphique FrontierCode d’OpenAI illustre le compromis : Fable obtient le meilleur score, mais pour un coût par tâche bien supérieur.
Pour des agents de code où la qualité prime sur le coût, Fable est le bon choix.
Science, CAO et raisonnement général
Dimension partagée : GPT-6.2 Astra mène sur les benchmarks scientifiques, tandis que Fable 5.2 mène sur le composite de raisonnement général et fait jeu égal en CAO.
Pour l’analyse scientifique, Astra a l’avantage ; pour le raisonnement général, Fable l’emporte de moins de 3 points sur le composite.
Utilisation d’ordinateurs, 3D et robotique
Anthropic publie de bons résultats d’utilisation d’ordinateurs et de robotique pour Fable 5.2, dont 89,3 % sur OSWorld 2.1, mais OpenAI ne publie pas de scores comparables pour GPT-6.2 Astra, donc pas de face-à-face direct. Le seul chiffre partagé favorise Astra : sur AA-3D d’Artificial Analysis, où des juges humains départagent deux rendus 3D à l’aveugle, Astra se classe premier avec 1 318 Elo contre 1 271 pour Fable.
Si votre charge consiste en un agent qui pilote des logiciels de bureau, Fable dispose aujourd’hui d’indices plus solides.
Performance de GPT-6.2 Astra et Claude Fable 5.2
Les benchmarks de deux éditeurs concurrents ont leurs limites, alors j’ai confié aux deux modèles la même tâche de codage créatif, avec un prompt et des outils strictement identiques.
La tâche : écrire un script pour Manim, une bibliothèque Python d’animation bien connue, afin de générer une vidéo explicative de 60 secondes sur la conjecture de Collatz pour des lycéens. La règle paraît simple (diviser par deux les nombres pairs, tripler les impairs et ajouter 1), et personne n’a encore prouvé que tout nombre de départ finit à 1.
La difficulté : les modèles ne voient jamais leur propre vidéo. Ils ne peuvent pas exécuter le script : il doit donc rendre du premier coup, être esthétique et correct, sans prévisualisation. Les explainers incitent aussi aux effets « impressionnants » : tout ce qui s’affiche doit être vrai.
Les deux modèles ont tourné dans OpenCode avec un outillage figé (lecture, recherche et édition de fichiers uniquement), au même niveau d’effort de raisonnement élevé, dans une session neuve à chaque fois. Parce qu’un brief créatif comporte une part de hasard, j’ai exécuté chaque modèle 3 fois et rendu les 6 vidéos.
J’ai ensuite évalué les vidéos à l’aveugle, mélangées et étiquetées de A à F, selon 4 critères : tout ce qui s’affiche est-il vrai ? un·e élève comprendrait-il l’idée ? est-ce agréable à regarder ? est-ce abouti ? Voici un extrait de la meilleure vidéo de GPT-6.2 Astra :
Les principaux enseignements :
Voici l’affirmation dans les vidéos de Fable. Elle est vraie au moment considéré, mais présente un jalon vieux de 5 ans comme l’état de l’art actuel, dans les 3 exécutions :
Et voici l’animation de la longue montée de 27 par Fable, qui explique ses bons scores de mise en scène :
L’écart de coût est important. Les scripts de Fable ont coûté $3,84 à $4,35 chacun, contre $0,40 à $0,84 pour Astra, car Fable a écrit 4 à 10 fois plus de tokens en sortie, et a été bien plus lent.
Alors, qui l’emporte ? Aucun sur la qualité, et Astra sur tout le reste : le même niveau de vidéo, sans rien de faux à l’écran, pour environ un sixième du coût. La constance de Fable est réelle, tout comme son habitude de répéter avec assurance un fait dépassé.
Quand choisir GPT-6.2 Astra ou Claude Fable 5.2
Puisque les prix par token sont identiques, la décision repose sur deux questions : la tâche tire-t-elle parti des forces de Fable en codage et en contrôle d’ordinateurs ? et pouvez-vous absorber plusieurs fois plus de tokens par tâche ?
Choisissez GPT-6.2 Astra si …
Choisissez Claude Fable 5.2 si …
Bien démarrer avec GPT-6.2 Astra et Claude Fable 5.2
gpt-6.2-astraclaude-fable-5-2La plus grande différence concerne la portée cloud : Fable est disponible sur les trois grands clouds, tandis qu’Astra s’accède via l’API et les produits d’OpenAI. Sur OpenRouter, le passage de l’un à l’autre se résume à une chaîne :
Pour des configurations complètes, consultez notre tutoriel API Fable 5.2 et notre tutoriel API GPT-6 Astra.
Conclusion
Côté capacités, GPT-6.2 Astra et Claude Fable 5.2 se partagent les victoires : Astra pour le travail professionnel et analytique, Fable pour le code et l’utilisation d’ordinateurs.
Côté coût, Astra l’emporte presque partout, car des prix par token identiques masquent des appétits en tokens très différents.
Pour approfondir le développement avec les modèles d’Anthropic, nous vous recommandons notre cours Introduction to Claude Models. Côté OpenAI, essayez Working with the OpenAI API.