Claude Fable 5.2 vs GPT-6 Astra: benchmark, prezzi e un test pratico

Anthropic ha rilasciato Claude Fable 5.2 il 9 novembre 2026, due mesi dopo che OpenAI ha lanciato GPT-6 Astra come "il modello più intelligente e allineato al mondo". Fable 5.2 arriva con un taglio di prezzo rispetto a Fable 5.1, e la tabella di lancio di Anthropic lo pone davanti ad Astra in ogni riga in cui compaiono entrambi i modelli. OpenAI non ha pubblicato un confronto contro Fable 5.2 che siamo riusciti a trovare, quindi la domanda ovvia per chi sceglie un modello di frontiera è se quei numeri reggono.

In questo articolo, confronterò Claude Fable 5.2 e GPT-6 Astra su lavoro di conoscenza a lungo orizzonte, coding, uso del computer, salvaguardie e prezzi, per poi eseguire un compito pratico di build con entrambi.

Per restare aggiornato sul mondo dell’AI e dei dati, ti consiglio di iscriverti alla nostra newsletter settimanale, The Median.

TL;DR

• Fable 5.2 batte GPT-6 Astra in ogni benchmark riportato da Anthropic per entrambi i modelli, con i margini più ampi su lavoro a lungo orizzonte e robotica.
• Fable 5.2 costa meno per token, e molto meno per prompt in cache e per richieste sopra la soglia di contesto lungo di Astra.
• Nel mio test pratico sullo shader, Fable 5.2 ha costruito la scena chiaramente migliore, ma l’esecuzione è costata di più perché ha speso molti più token.
• Scegli Fable 5.2 per esecuzioni di agenti lunghe, coding e ricerca difficili, uso del computer e build visive.
• Scegli GPT-6 Astra se il tuo team vive in ChatGPT, Codex o Azure, o ha bisogno dei risultati su matematica e contesto lungo pubblicati solo da OpenAI.
• Ogni punteggio head-to-head proviene da Anthropic, quindi tratta il divario nei benchmark come la tesi di Anthropic finché non compaiono run indipendenti.

Che cos’è Claude Fable 5.2?

Claude Fable 5.2 è il modello di Anthropic per i lavori tecnici più impegnativi, rilasciato a tutti gli utenti a novembre 2026 e basato sullo stesso modello sottostante di Claude Mythos 5.2, che rimuove le salvaguardie di Fable su cybersecurity e biologia per le organizzazioni verificate.

Anthropic lo posiziona per il lavoro tecnico più ambizioso a lungo orizzonte, e continua a raccomandare Claude Opus 5.5 come predefinito per il coding quotidiano e i compiti di conoscenza.

La nostra guida a Claude Fable 5.2 e Mythos 5.2 copre il lancio nel dettaglio.

Che cos’è GPT-6 Astra?

GPT-6 Astra è il modello di punta di frontiera di OpenAI, lanciato a settembre 2026 come successore di GPT-5.6 Sol.

OpenAI ha incentrato il suo pitch su uso del computer e lavoro professionale, e sul saturare benchmark come ARC-AGI-3 e FrontierMath Tier 4 progettati per restare avanti ai modelli di AI.

La nostra guida a GPT-6 Astra copre il lancio; il nostro tutorial sull’API di GPT-6 Astra illustra la costruzione di un agente per i check di release.

Claude Fable 5.2 vs GPT-6 Astra: confronto diretto

Fable 5.2 è in testa in ogni benchmark che valuta entrambi i modelli, dal coding all’uso del computer, e solo la lettura di grafici è vicina a un pareggio. Il punto è la fonte: tutte queste cifre provengono dalla tabella di lancio di Anthropic, perché la tabella di OpenAI è precedente a Fable 5.2.

Lavoro di conoscenza a lungo orizzonte e ricerca

Il vantaggio maggiore di Fable 5.2 è sul lavoro aperto e multi-step. Sul Remote Labor Index, che valuta progetti reali in stile freelance, Fable 5.2 completa il 41,3% contro il 20,8% di Astra, circa il doppio.

Il pattern regge in tutta la tabella: più un compito somiglia a un progetto lungo piuttosto che a una singola risposta, più ampio è il vantaggio di Fable 5.2. Humanity's Last Exam non sorprende: la tabella di lancio di OpenAI mostrava già Astra dietro a Claude Fable 5.1.

Anche la vetrina di Anthropic va nella stessa direzione. Fable 5.2 ha formalizzato in Lean la dimostrazione dell’Ultimo Teorema di Fermat in 30 ore con circa 1.000 agenti, un progetto per cui un precedente modello interno di ricerca aveva impiegato 11 giorni.

Due avvertenze prima di considerare la questione chiusa:

• Ogni numero di Astra in questa tabella è stato eseguito da Anthropic, non da OpenAI.
• Il punteggio di Anthropic per Astra su Terminal-Bench-Science è più alto della cifra di OpenAI, il che suggerisce che i due lab l’abbiano eseguito in modo diverso.

Fable 5.2 è il modello più forte per progetti di ricerca e analisi lunghi e ambigui, e i margini sono abbastanza ampi che una differenza di harness difficilmente li colmerebbe da sola.

Coding e workflow agentici

Fable 5.2 è avanti in entrambi i benchmark di coding riportati da Anthropic, anche se con margini inferiori rispetto al lavoro di conoscenza. Su FrontierCode 2.0, che chiede se i maintainer open-source farebbero il merge delle modifiche del modello, Fable 5.2 arriva al 49,1% a sforzo xhigh contro il 42,8% di Astra.

Anthropic aggiunge che Fable 5.2 a sforzo high batte il miglior punteggio di Astra su FrontierCode a circa lo stesso costo per task. La tabella di coding di OpenAI usa versioni di benchmark più vecchie e confronta Astra con Fable 5.1, quindi non c’è ancora un riscontro lato OpenAI. In base alle evidenze disponibili, Fable 5.2 è il modello migliore per il coding.

Uso del computer, visione e robotica

Fable 5.2 è avanti su uso del computer e robotica, mentre la lettura di grafici è vicina al pareggio. La robotica è l’outlier: su RoboDojo Sim, un robot simulato a due bracci, Fable 5.2 segna il 64,9% contro il 29,8% di Astra.

OpenAI ha definito Astra "il miglior modello al mondo per l’uso del computer", ma ha fatto questa affermazione contro Claude Fable 5.1 e Claude Opus 5 su OSWorld 2.0. Sulla versione più recente di Anthropic, Fable 5.2 passa in testa.

Matematica, ragionamento astratto e contesto lungo: le affermazioni non risposte di Astra

I risultati di lancio più forti di Astra si trovano su benchmark che Anthropic non ha riportato per Fable 5.2, quindi qui non c’è un head-to-head, solo affermazioni da un lato. Il più chiaro è il retrieval su contesto lungo: Astra segna il 96,3% sul test 8-needle MRCR v2 di OpenAI nella fascia 512K–1M token.

OpenAI riporta anche punteggi quasi saturi su FrontierMath Tier 4 e ARC-AGI-3, anche se la nostra guida a GPT-6 Astra nota che la cifra su ARC-AGI-3 dipende da un harness stateful che le semplici chiamate API non hanno. Se il tuo lavoro si basa sul retrieval su un prompt da un milione di token, tra i due solo Astra ha evidenze pubblicate.

Salvaguardie e retention dei dati

Entrambi i modelli bloccano di default il lavoro offensivo di cybersecurity, e differiscono più sulla retention dei dati che sulle refusal. I classificatori di Fable 5.2 bloccano penetration testing, generazione di exploit e la maggior parte della biologia a livello di ricerca, anche se Anthropic afferma che produce meno blocchi inutili rispetto a Fable 5.1; le organizzazioni verificate possono richiedere Claude Mythos 5.2.

OpenAI classifica Astra alla soglia Critical di cybersecurity del suo Preparedness Framework e limita la creazione di exploit al programma Daybreak. Astra supporta la Zero Data Retention per i clienti API idonei, mentre Fable 5.2 richiede una retention di 30 giorni per il monitoraggio della sicurezza, a meno che un’azienda non utilizzi gli Enterprise Frontier Safeguards di Anthropic. Per i team regolamentati che già si affidano a retention zero, Astra è l’opzione più semplice.

Prezzi: quanto paghi davvero

Fable 5.2 è più economico di GPT-6 Astra su ogni tariffa pubblicata da entrambi i vendor, e il divario non è uniforme. Astra costa 1,25x in più per input, output e scritture in cache, ma 5x in più per le letture dalla cache, e solo Astra applica un sovrapprezzo per contesto lungo.

Su un carico di lavoro bilanciato la differenza è modesta. Diventa decisiva quando i prompt sono in cache o superano i 272K token.

Tariffe per token affiancate

Entrambi i vendor elencano tariffe standard per milione di token, oltre a prezzi per cache, batch e fast mode.

La tariffa per le letture dalla cache è la voce che la maggior parte dei team sentirà, perché i loop degli agenti reinviano lo stesso prefisso lungo a ogni step.

Quanto costa un carico di lavoro reale

Ogni riga sotto è un volume mensile, prezzato come (volume ÷ 1M) × tariffa, sommato tra input e output.

• Assistente bilanciato e retrieval sotto soglia: il premium è il 25% piatto che implicano le tariffe headline.
• Retrieval sopra soglia: lo stesso volume costa più del doppio su Astra, perché il sovrapprezzo raddoppia l’input e aumenta l’output della metà per ogni richiesta oltre i 272K token. Fable 5.2 non indica sovrapprezzi nella sua finestra da 1M.
• Loop con cache pesante: le letture da cache di Astra costano 5x quelle di Fable, quindi un prefisso lungo riutilizzato quasi raddoppia il conto. La riga usa la tariffa di scrittura cache a 5 minuti di Fable.

Nessun vendor ha pubblicato i conteggi dei token per un carico di lavoro condiviso, quindi tratta questi totali come un confronto di tariffe, non come una fattura. La mia esecuzione pratica qui sotto ricorda il perché: lì, il modello più economico per token è stato l’esecuzione più costosa.

Come si sono comportati Claude Fable 5.2 e GPT-6 Astra

I benchmark dal post di lancio di un singolo vendor arrivano fino a un certo punto, quindi ho eseguito un compito di build con entrambi i modelli con prompt e strumenti identici.

Il compito: una singola pagina HTML con uno shader di frammenti GLSL a finestra intera animato di un faro su una costa rocciosa durante una tempesta notturna, con onde che si infrangono sugli scogli, pioggia obliqua e nubi basse illuminate dal basso. Il fascio del faro doveva seguire il mouse e illuminare le onde, la pioggia e le nuvole che attraversa. p5.js poteva solo ospitare il canvas, eseguire il loop e passare la posizione del mouse e il tempo allo shader.

Il prompt completo:

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.Offerto da

Cosa lo rende difficile:

• Quattro elementi di scena — mare, rocce, pioggia e nuvole — tutti calcolati per pixel dentro un unico shader, senza texture o geometrie su cui fare affidamento.
• Una sorgente luminosa in movimento che deve cadere correttamente su tutti e quattro, ovunque punti il cursore.
• Farlo come vera matematica da shader, invece di simulare la scena con le chiamate di disegno 2D di p5.

Il post di lancio di Anthropic cita Sam Zhang di Unity secondo cui i guadagni più chiari di Fable 5.2 sono nel "costruire da zero scene 3D di qualità superiore", quindi questo è un test diretto di quell’affermazione. È anche una sorta di rivincita: nel nostro confronto GPT-6 Astra vs Claude Fable 5.1, Astra ha vinto un test di simulazione fisica contro il precedente Fable.

Entrambi i modelli sono stati eseguiti in OpenCode con una superficie di tool bloccata (solo lettura e modifica file), a sforzo di ragionamento high, un tentativo ciascuno, in una sessione nuova, con il prompt consegnato byte per byte.

Ecco le mie registrazioni schermo di entrambe le pagine, muovendo il mouse sulla scena. Fable per primo: