GPT-6.2 Astra vs. Claude Fable 5.2: benchmarks, custo e um teste prático
GPT-6.2 Astra e Claude Fable 5.2 custam o mesmo por token — mas não por tarefa. Comparamos benchmarks, preços e acesso, e rodamos um teste prático às cegas.
A Anthropic lançou o Claude Fable 5.2 no início de novembro como seu novo carro-chefe. Em 17 de novembro de 2026, a OpenAI respondeu com o GPT-6.2 Astra, seu novo modelo de fronteira, e os gráficos de lançamento colocam o Fable 5.2 lado a lado com o Astra em grande parte dos benchmarks.
Os dois modelos agora têm exatamente o mesmo preço por token, então, no papel, é um duelo puro de capacidade. Na prática, a conta conta outra história — e nosso teste prático também.
Para acompanhar o universo de IA e dados, recomendo assinar nossa newsletter semanal, The Median.
Resumo
Nenhum vence em tudo: o GPT-6.2 Astra lidera trabalhos profissionais e analíticos; o Claude Fable 5.2 lidera em coding agent.
O preço por token é igual, mas o Astra usa muito menos tokens, então sai muito mais barato por tarefa.
No nosso teste às cegas em vídeo, a qualidade ficou praticamente empatada, mas o Fable repetiu um dado desatualizado em todos os vídeos.
Escolha o Fable para agentes de código, uso de computador e deploy via Bedrock, Vertex AI ou Azure.
Escolha o Astra para documentos, trabalhos jurídicos e financeiros e qualquer operação de alto volume.
O que é o GPT-6.2 Astra?
O GPT-6.2 Astra é o modelo de fronteira da OpenAI, lançado em novembro de 2026 como o nível mais alto da família GPT-6.2, acima do GPT-6.2 Sol.
A proposta é entregar resultado profissional com menor custo por tarefa: slides, planilhas e documentos que seguem seus templates, além de uso de computador em ferramentas de CAD e simulação.
O Claude Fable 5.2 é o modelo carro-chefe da Anthropic, lançado em novembro de 2026 junto com o Claude Mythos 5.2, uma versão para organizações validadas de cibersegurança e biomedicina.
A Anthropic posiciona o modelo para trabalhos técnicos de longo ciclo: coding agent, uso de computador e tarefas de pesquisa, com um modo rápido opcional que gera tokens até 2,5 vezes mais rápido.
GPT-6.2 Astra vs. Claude Fable 5.2: comparação direta
Em capacidade, o resultado é dividido, e a maioria dos gaps nos benchmarks é de poucos pontos. Em custo, a diferença é grande: o preço por token é igual, mas o Fable precisa de muitos mais tokens para concluir a mesma tarefa.
Recurso
GPT-6.2 Astra
Claude Fable 5.2
Desenvolvedor
OpenAI
Anthropic
Preços por token
Iguais aos do Fable
Iguais aos do Astra, entrada em cache mais barata
Custo por tarefa
Bem menor
De 2,1x a 20,8x o do Astra, nos gráficos da OpenAI
Trabalho profissional
Lidera (Agents' Last Exam, GDPval v2, Harvey LAB-AA)
Atrás
Coding agent
Atrás
Lidera (FrontierCode 2.0)
Ciência, CAD e raciocínio
Lidera nos benchmarks de ciência
Lidera o Intelligence Index
Uso de computador
Sem pontuação comparável publicada
Boas pontuações nos benchmarks da própria Anthropic
Nosso teste prático
Mais preciso, muito mais barato
Mais consistente, um fato desatualizado
Preços: o que você realmente paga
Preço é a maior diferença entre os modelos, mesmo com tarifas de token quase idênticas. A diferença está em quantos tokens cada um consome por tarefa.
Tarifas lado a lado
Tarifa
GPT-6.2 Astra
Claude Fable 5.2
Entrada, por 1M de tokens
$8.00
$8.00
Saída, por 1M de tokens
$40.00
$40.00
Leitura de entrada em cache, por 1M de tokens
$0.40
$0.20
Gravação em cache, por 1M de tokens
$10.00
$10.00
Modo rápido, entrada / saída por 1M de tokens
$16.00 / $80.00
$16.00 / $80.00
A única tarifa diferente é a de entrada em cache, onde o Fable custa metade do Astra — útil para agentes que relêem um contexto longo e fixo. A OpenAI também dobra a tarifa de entrada do Astra para requisições acima de 272K tokens; o anúncio da Anthropic não lista sobretaxa similar para o Fable.
Quanto custa uma carga real
Calculado nas tarifas padrão como (volume ÷ 1M) × tarifa, somando entrada e saída:
Carga
GPT-6.2 Astra
Claude Fable 5.2
Diferença
Assistente balanceado: 1M in / 250K out por mês
$18.00
$18.00
$0 (0%)
Loop com cache: prefixo de 100K gravado uma vez, 1.000 leituras em cache, mais 5K de entrada / 1K de saída por requisição
$121.00
$101.00
Fable $20 mais barato (17%)
Com contagens de tokens iguais, o Fable nunca é mais caro, e o cenário com muito cache é o único em que ele fica claramente mais barato. O porém é a suposição de contagens iguais de tokens.
Por que a mesma tarefa custa valores diferentes
Os gráficos de lançamento da OpenAI incluem o custo por tarefa de ambos os modelos, e o Fable sai mais caro em todos eles — de 2,1x no Vals Science Index a 20,8x no Agents' Last Exam ($60,05 contra $2,89 do Astra). São medições da OpenAI sobre um concorrente, geralmente com o maior esforço de cada modelo, então encare como direção, não como orçamento.
A causa é o comprimento da saída: com as mesmas tarifas, um modelo que escreve várias vezes mais tokens — incluindo tokens de raciocínio faturados como saída — custa várias vezes mais. Nosso próprio teste, a seguir, apontou na mesma direção.
Trabalho profissional e fluxos agentic
O GPT-6.2 Astra lidera com clareza aqui: no Harvey LAB-AA, que só credita entregáveis jurídicos que atendem a todos os requisitos, ele marca 15,0% contra 7,2% do Fable.
Benchmark
GPT-6.2 Astra
Claude Fable 5.2
Observações
Agents' Last Exam v1.1
78,3%
72,8%
Gráfico da OpenAI; Fable no esforço máximo
GDPval v2
50,4%
44,8%
Benchmark interno da OpenAI
Harvey LAB-AA v1.1
15,0%
7,2%
Gráfico da OpenAI
AutomationBench 1.0.6
52,4%
51,4%
Ambos os fornecedores reportam 51,4% para o Fable
Remote Labor Index
Não publicado
41,3%
Tabela da Anthropic, contra o GPT-6 Astra
Para documentos e análises prontos para o cliente, o Astra é a melhor pedida, embora o AutomationBench seja empate e o resultado do Remote Labor Index da Anthropic ainda não tenha par do GPT-6.2.
Coding agent
O Fable 5.2 é o codificador mais forte no único benchmark que ambos reportam: 49,1% no FrontierCode 2.0 — que avalia se as mudanças de código atendem ao padrão de merge dos mantenedores — contra 44,2% do Astra.
Benchmark
GPT-6.2 Astra
Claude Fable 5.2
Observações
FrontierCode 2.0
44,2%
49,1%
Ambos concordam na pontuação do Fable
FrontierSWE v2
Não publicado
69,9%
Tabela da Anthropic
SecureSWE
65,7%
Não publicado
Benchmark interno da OpenAI
O gráfico do FrontierCode da própria OpenAI mostra o trade-off: o Fable alcança a pontuação mais alta, mas com um custo por tarefa bem maior.
Para agentes de código em que a qualidade pesa mais que o custo, o Fable é a escolha.
Ciência, CAD e raciocínio geral
Nessa dimensão, há divisão: o GPT-6.2 Astra lidera os benchmarks de ciência, enquanto o Fable 5.2 lidera o composto de raciocínio geral e empata em CAD.
Benchmark
GPT-6.2 Astra
Claude Fable 5.2
Observações
Terminal-Bench-Science 0.1
77,1%
73,3%
Fable via harness da Artificial Analysis; Anthropic reporta 74,6% no Claude Code
Vals Science Index v1
68,4%
63,7%
Gráfico da OpenAI
Artificial Analysis Intelligence Index v5.0.1
62,1
64,6
Pontuação do índice
BenchCAD 2.1 Core
82,5%
83,5%
Empate técnico
Humanity's Last Exam (com ferramentas)
Não publicado
74,2%
Tabela da Anthropic
Para análise científica, o Astra leva vantagem; para raciocínio geral, o Fable vence por menos de 3 pontos no composto.
Uso de computador, 3D e robótica
A Anthropic reporta bons resultados de uso de computador e robótica para o Fable 5.2, incluindo 89,3% no OSWorld 2.1, mas a OpenAI não publica pontuações comparáveis para o GPT-6.2 Astra — então não há confronto direto. O único número compartilhado favorece o Astra: no AA-3D da Artificial Analysis, em que juízes humanos escolhem entre dois projetos 3D às cegas, o Astra fica em primeiro com 1.318 de Elo contra 1.271 do Fable.
Se sua carga é um agente operando softwares de desktop, o Fable hoje tem evidências mais fortes.
Como se saíram GPT-6.2 Astra e Claude Fable 5.2
Benchmarks de dois fornecedores concorrentes vão até certo ponto, então dei aos dois modelos a mesma tarefa criativa de código, com prompt e ferramentas idênticos.
A tarefa: escrever um script para o Manim, uma biblioteca Python de animação bem conhecida, que renderize um explicador de 60 segundos sobre a conjectura de Collatz para alunos do ensino médio. A regra parece simples (divida pares por 2; triplique ímpares e some 1) e ninguém provou que todo número inicial termina em 1.
O difícil é que os modelos não veem o próprio vídeo. Eles não podem rodar o script — então precisa renderizar de primeira, ficar bonito e estar correto, sem um único preview. Explicadores também convidam a enfeites de efeito, e toda afirmação na tela precisa ser verdadeira.
Ambos rodaram no OpenCode com uma superfície de ferramentas fixa (ler, pesquisar e editar arquivos apenas), no mesmo esforço alto de raciocínio, em sessões novas a cada execução. Como briefing criativo envolve sorte, rodei cada modelo 3 vezes e renderizei os 6 vídeos.
Depois avaliei os vídeos às cegas, embaralhados e rotulados de A a F, em 4 perguntas: tudo na tela é verdade? Um estudante aprenderia a ideia? É interessante de assistir? Parece finalizado? Eis um momento do melhor vídeo do GPT-6.2 Astra:
Principais achados:
Os 6 scripts renderizaram de primeira. Todo vídeo ficou a até 3 segundos da meta de 60, sem erros e sem correções.
Em qualidade, deu quase empate. Nas 4 perguntas, as médias dos dois modelos ficaram a menos de um décimo de ponto. O Fable foi o cineasta mais consistente: seus 3 vídeos seguem o mesmo arco polido, terminando nas duas formas de a conjectura falhar e no payoff "Ninguém sabe".
O Astra fez o melhor e o mais fraco vídeo. O melhor explica 7 em vez de 6 ou 27, depois mostra que caminhos de números diferentes se unem e seguem juntos — uma ideia realmente mais profunda do que a de qualquer outro vídeo. O mais fraco foi simples, com equações que se embaralham brevemente a cada transição.
Acurácia separou os dois. Todos os 3 vídeos do Fable afirmam que computadores testaram todos os números até 2^68. Esse era o recorde em 2020; desde 2025 é 2^71. Os vídeos do Astra não fizeram afirmações que não pudessem sustentar.
Veja a afirmação nos vídeos do Fable. É verdadeira até certo ponto, mas apresenta um marco de 5 anos atrás como estado da arte atual — em todas as 3 execuções:
E aqui está a animação da longa subida do 27 feita pelo Fable, mostrando por que seus vídeos foram tão bem em acabamento:
A diferença de custo foi grande. Os scripts do Fable custaram de $3,84 a $4,35 cada, e os do Astra de $0,40 a $0,84 — porque o Fable escreveu de 4 a 10 vezes mais tokens de saída, além de ser bem mais lento.
Métrica
GPT-6.2 Astra
Claude Fable 5.2
Custo de cada execução (USD)
$0.84, $0.61, $0.40
$4.35, $3.84, $4.19
Tokens de saída (incl. raciocínio)
17.551, 10.828, 8.124
84.822, 74.457, 81.316
Acurácia, por execução
5, 5, 5
4, 4, 4
Pontuação da rubrica (média de quatro eixos), por execução
4,8, 4,8, 3,8
4,2, 4,8, 4,5
E quem venceu? Em qualidade, nenhum; no entorno, o Astra: o mesmo padrão de vídeo, sem nada falso na tela, por cerca de um sexto do custo. A consistência do Fable é real, mas também é real o hábito de repetir um fato velho com confiança.
Quando escolher GPT-6.2 Astra vs. Claude Fable 5.2
Como os preços por token são iguais, a decisão se resume a duas perguntas: a tarefa favorece os pontos fortes do Fable em código e uso de computador? E você pode arcar com várias vezes mais tokens por tarefa?
Escolha o GPT-6.2 Astra se…
Você produz documentos para clientes, minutas jurídicas ou análises financeiras — áreas em que o Astra lidera os benchmarks de trabalho profissional.
Você roda altos volumes de tarefas — o uso menor de tokens do Astra reduz a conta mesmo com tarifas idênticas.
Precisa de análise científica em terminal ou notebook — o Astra lidera ambos os benchmarks de ciência.
Acurácia em trabalhos criativos ou explicativos abertos é crucial, como no nosso teste.
Escolha o Claude Fable 5.2 se…
Você roda agentes de código em repositórios reais — o Fable lidera o FrontierCode 2.0 por cerca de 5 pontos.
Seus agentes operam softwares de desktop: a Anthropic reporta 89,3% no OSWorld 2.1 para o Fable, e a OpenAI não publicou pontuação comparável para o Astra.
Você faz deploy via AWS Bedrock, Google Vertex AI ou Azure AI Foundry, que listam o Fable. A documentação do Azure não lista o Astra, e não confirmamos nos outros dois.
Seus agentes reusam um contexto longo e fixo — a entrada em cache do Fable custa metade.
Como começar com GPT-6.2 Astra e Claude Fable 5.2
Superfície
GPT-6.2 Astra
Claude Fable 5.2
App para consumidor
ChatGPT Work e Codex (Plus, Pro, Enterprise, Edu)
Apps do Claude (disponível para todos)
API proprietária
OpenAI API
Claude Platform
Nuvens
Não listado na documentação do Azure AI Foundry em 17 de novembro de 2026
AWS Bedrock, Google Vertex AI, Azure AI Foundry
Agentes de código
Codex; não listado na documentação do Cursor ou do GitHub Copilot até o momento
GitHub Copilot; não listado na documentação do Cursor até o momento
Roteadores de terceiros
OpenRouter
OpenRouter
ID do modelo na API
gpt-6.2-astra
claude-fable-5-2
A maior diferença é o alcance em nuvem: o Fable está nas três grandes clouds, enquanto o Astra é acessado pela própria API e produtos da OpenAI. No OpenRouter, trocar um pelo outro é mudar uma string:
from openai import OpenAI
client = OpenAI(base_url="https://openrouter.ai/api/v1")# usa sua chave do OpenRouter
response = client.chat.completions.create(
model="openai/gpt-6.2-astra",# ou "anthropic/claude-fable-5.2"
messages=[{"role":"user","content":"Review this pull request..."}],)print(response.choices[0].message.content)Tecnologia
Nenhum é melhor em tudo. O GPT-6.2 Astra lidera benchmarks profissionais e analíticos como Harvey LAB-AA e GDPval v2, enquanto o Claude Fable 5.2 lidera coding agent no FrontierCode 2.0. Ambos custam o mesmo por token, mas o Astra usa bem menos tokens por tarefa — geralmente sai muito mais barato.
Quanto custam o GPT-6.2 Astra e o Claude Fable 5.2?⌄
Ambos custam $8 por milhão de tokens de entrada e $40 por milhão de tokens de saída, com modos rápidos a $16 e $80. A entrada em cache do Fable é mais barata, a $0,20 por milhão contra $0,40 do Astra. Nos gráficos da OpenAI, o Fable ainda custa de 2,1 a 20,8 vezes mais por tarefa porque usa mais tokens.
Qual é melhor para programação, GPT-6.2 Astra ou Claude Fable 5.2?⌄
O Claude Fable 5.2 é melhor em código no benchmark que ambos reportam, com 49,1% no FrontierCode 2.0 contra 44,2% do GPT-6.2 Astra. O Astra custa bem menos por tarefa de código, então é uma opção razoável para alto volume ou quando o custo é sensível.
Onde posso acessar o GPT-6.2 Astra e o Claude Fable 5.2?⌄
O GPT-6.2 Astra está no ChatGPT Work e no Codex para usuários Plus, Pro, Enterprise e Edu, e na OpenAI API. O Claude Fable 5.2 está nos apps do Claude, na Claude Platform, no AWS Bedrock, Google Vertex AI, Azure AI Foundry e GitHub Copilot. Ambos estão no OpenRouter.
Quais são os IDs de modelo na API para GPT-6.2 Astra e Claude Fable 5.2?⌄
Nas APIs proprietárias, o GPT-6.2 Astra é gpt-6.2-astra e o Claude Fable 5.2 é claude-fable-5-2. No OpenRouter, são openai/gpt-6.2-astra e anthropic/claude-fable-5.2 — trocar entre eles em um cliente compatível com OpenAI é mudar uma string. Ambos também oferecem cinco níveis de esforço de raciocínio, de baixo a máximo.
GPT-4 alternativas de código aberto que podem oferecer desempenho semelhante e exigem menos recursos computacionais para serem executadas. Esses projetos vêm com instruções, fontes de código, pesos de modelos, conjuntos de dados e interface de usuário do chatbot.
Saiba como OpenAI e Anthropic lideram o desenvolvimento de IA com abordagens únicas. Explore produtos como o ChatGPT e os modelos inovadores que elas oferecem.
Descubra a atualização mais recente da OpenAI, GPT-4 Turbo com visão, e seus principais recursos, incluindo o corte de conhecimento aprimorado, uma janela de contexto expandida, preço acessível e muito mais.
Explore os melhores GPTs personalizados que vimos até agora na loja GPT, desde ferramentas de ciência de dados até assistentes de SEO e geração de imagens.
Explore o GPT-3.5 Turbo e descubra o potencial transformador do ajuste fino. Saiba como personalizar esse modelo de linguagem avançado para aplicativos de nicho, aprimorar seu desempenho e entender os custos associados, a segurança e as considerações de privacidade.
A Anthropic lançou o Claude Fable 5.2 no início de novembro como seu novo carro-chefe. Em 17 de novembro de 2026, a OpenAI respondeu com o GPT-6.2 Astra, seu novo modelo de fronteira, e os gráficos de lançamento colocam o Fable 5.2 lado a lado com o Astra em grande parte dos benchmarks.
Os dois modelos agora têm exatamente o mesmo preço por token, então, no papel, é um duelo puro de capacidade. Na prática, a conta conta outra história — e nosso teste prático também.
Para acompanhar o universo de IA e dados, recomendo assinar nossa newsletter semanal, The Median.
Resumo
O que é o GPT-6.2 Astra?
O GPT-6.2 Astra é o modelo de fronteira da OpenAI, lançado em novembro de 2026 como o nível mais alto da família GPT-6.2, acima do GPT-6.2 Sol.
A proposta é entregar resultado profissional com menor custo por tarefa: slides, planilhas e documentos que seguem seus templates, além de uso de computador em ferramentas de CAD e simulação.
O post de lançamento da OpenAI traz os detalhes, e nosso tutorial da API do GPT-6 Astra mostra como construir com a geração anterior.
O que é o Claude Fable 5.2?
O Claude Fable 5.2 é o modelo carro-chefe da Anthropic, lançado em novembro de 2026 junto com o Claude Mythos 5.2, uma versão para organizações validadas de cibersegurança e biomedicina.
A Anthropic posiciona o modelo para trabalhos técnicos de longo ciclo: coding agent, uso de computador e tarefas de pesquisa, com um modo rápido opcional que gera tokens até 2,5 vezes mais rápido.
Nosso guia do Fable 5.2 cobre o lançamento; nosso tutorial da API do Fable 5.2 explica como construir um agente de testes de hipótese.
GPT-6.2 Astra vs. Claude Fable 5.2: comparação direta
Em capacidade, o resultado é dividido, e a maioria dos gaps nos benchmarks é de poucos pontos. Em custo, a diferença é grande: o preço por token é igual, mas o Fable precisa de muitos mais tokens para concluir a mesma tarefa.
Preços: o que você realmente paga
Preço é a maior diferença entre os modelos, mesmo com tarifas de token quase idênticas. A diferença está em quantos tokens cada um consome por tarefa.
Tarifas lado a lado
A única tarifa diferente é a de entrada em cache, onde o Fable custa metade do Astra — útil para agentes que relêem um contexto longo e fixo. A OpenAI também dobra a tarifa de entrada do Astra para requisições acima de 272K tokens; o anúncio da Anthropic não lista sobretaxa similar para o Fable.
Quanto custa uma carga real
Calculado nas tarifas padrão como (volume ÷ 1M) × tarifa, somando entrada e saída:
Com contagens de tokens iguais, o Fable nunca é mais caro, e o cenário com muito cache é o único em que ele fica claramente mais barato. O porém é a suposição de contagens iguais de tokens.
Por que a mesma tarefa custa valores diferentes
Os gráficos de lançamento da OpenAI incluem o custo por tarefa de ambos os modelos, e o Fable sai mais caro em todos eles — de 2,1x no Vals Science Index a 20,8x no Agents' Last Exam ($60,05 contra $2,89 do Astra). São medições da OpenAI sobre um concorrente, geralmente com o maior esforço de cada modelo, então encare como direção, não como orçamento.
A causa é o comprimento da saída: com as mesmas tarifas, um modelo que escreve várias vezes mais tokens — incluindo tokens de raciocínio faturados como saída — custa várias vezes mais. Nosso próprio teste, a seguir, apontou na mesma direção.
Trabalho profissional e fluxos agentic
O GPT-6.2 Astra lidera com clareza aqui: no Harvey LAB-AA, que só credita entregáveis jurídicos que atendem a todos os requisitos, ele marca 15,0% contra 7,2% do Fable.
Para documentos e análises prontos para o cliente, o Astra é a melhor pedida, embora o AutomationBench seja empate e o resultado do Remote Labor Index da Anthropic ainda não tenha par do GPT-6.2.
Coding agent
O Fable 5.2 é o codificador mais forte no único benchmark que ambos reportam: 49,1% no FrontierCode 2.0 — que avalia se as mudanças de código atendem ao padrão de merge dos mantenedores — contra 44,2% do Astra.
O gráfico do FrontierCode da própria OpenAI mostra o trade-off: o Fable alcança a pontuação mais alta, mas com um custo por tarefa bem maior.
Para agentes de código em que a qualidade pesa mais que o custo, o Fable é a escolha.
Ciência, CAD e raciocínio geral
Nessa dimensão, há divisão: o GPT-6.2 Astra lidera os benchmarks de ciência, enquanto o Fable 5.2 lidera o composto de raciocínio geral e empata em CAD.
Para análise científica, o Astra leva vantagem; para raciocínio geral, o Fable vence por menos de 3 pontos no composto.
Uso de computador, 3D e robótica
A Anthropic reporta bons resultados de uso de computador e robótica para o Fable 5.2, incluindo 89,3% no OSWorld 2.1, mas a OpenAI não publica pontuações comparáveis para o GPT-6.2 Astra — então não há confronto direto. O único número compartilhado favorece o Astra: no AA-3D da Artificial Analysis, em que juízes humanos escolhem entre dois projetos 3D às cegas, o Astra fica em primeiro com 1.318 de Elo contra 1.271 do Fable.
Se sua carga é um agente operando softwares de desktop, o Fable hoje tem evidências mais fortes.
Como se saíram GPT-6.2 Astra e Claude Fable 5.2
Benchmarks de dois fornecedores concorrentes vão até certo ponto, então dei aos dois modelos a mesma tarefa criativa de código, com prompt e ferramentas idênticos.
A tarefa: escrever um script para o Manim, uma biblioteca Python de animação bem conhecida, que renderize um explicador de 60 segundos sobre a conjectura de Collatz para alunos do ensino médio. A regra parece simples (divida pares por 2; triplique ímpares e some 1) e ninguém provou que todo número inicial termina em 1.
O difícil é que os modelos não veem o próprio vídeo. Eles não podem rodar o script — então precisa renderizar de primeira, ficar bonito e estar correto, sem um único preview. Explicadores também convidam a enfeites de efeito, e toda afirmação na tela precisa ser verdadeira.
Ambos rodaram no OpenCode com uma superfície de ferramentas fixa (ler, pesquisar e editar arquivos apenas), no mesmo esforço alto de raciocínio, em sessões novas a cada execução. Como briefing criativo envolve sorte, rodei cada modelo 3 vezes e renderizei os 6 vídeos.
Depois avaliei os vídeos às cegas, embaralhados e rotulados de A a F, em 4 perguntas: tudo na tela é verdade? Um estudante aprenderia a ideia? É interessante de assistir? Parece finalizado? Eis um momento do melhor vídeo do GPT-6.2 Astra:
Principais achados:
Veja a afirmação nos vídeos do Fable. É verdadeira até certo ponto, mas apresenta um marco de 5 anos atrás como estado da arte atual — em todas as 3 execuções:
E aqui está a animação da longa subida do 27 feita pelo Fable, mostrando por que seus vídeos foram tão bem em acabamento:
A diferença de custo foi grande. Os scripts do Fable custaram de $3,84 a $4,35 cada, e os do Astra de $0,40 a $0,84 — porque o Fable escreveu de 4 a 10 vezes mais tokens de saída, além de ser bem mais lento.
E quem venceu? Em qualidade, nenhum; no entorno, o Astra: o mesmo padrão de vídeo, sem nada falso na tela, por cerca de um sexto do custo. A consistência do Fable é real, mas também é real o hábito de repetir um fato velho com confiança.
Quando escolher GPT-6.2 Astra vs. Claude Fable 5.2
Como os preços por token são iguais, a decisão se resume a duas perguntas: a tarefa favorece os pontos fortes do Fable em código e uso de computador? E você pode arcar com várias vezes mais tokens por tarefa?
Escolha o GPT-6.2 Astra se…
Escolha o Claude Fable 5.2 se…
Como começar com GPT-6.2 Astra e Claude Fable 5.2
gpt-6.2-astraclaude-fable-5-2A maior diferença é o alcance em nuvem: o Fable está nas três grandes clouds, enquanto o Astra é acessado pela própria API e produtos da OpenAI. No OpenRouter, trocar um pelo outro é mudar uma string:
Para setups completos, veja nosso tutorial da API do Fable 5.2 e nosso tutorial da API do GPT-6 Astra.
Considerações finais
Em capacidade, GPT-6.2 Astra e Claude Fable 5.2 dividem vitórias: Astra em trabalhos profissionais e analíticos; Fable em código e uso de computador.
Em custo, o Astra vence quase sempre, porque preços idênticos por token escondem apetite por tokens bem diferente.
Se você quer aprender mais sobre como construir com os modelos da Anthropic, confira nosso curso Introduction to Claude Models. Para algo da OpenAI, experimente Working with the OpenAI API.