Wrzesień 2026 zrobił się gęsty. W ciągu dwóch tygodni na rynek weszły trzy modele, które dzielą między sobą cały tort. Anthropic wypuścił Claude Fable 5.1, OpenAI odpaliło GPT-6 Astra, a chińskie Zhipu pokazało GLM-5.3 z obietnicą otwartych wag. Każdy celuje gdzie indziej, choć slajdy z benchmarkami wyglądają na pierwszy rzut oka bliźniaczo.
Rozkładamy je na części. Co faktycznie potrafią, ile kosztują, komu który się opłaca.
Claude Fable 5.1, czyli model do długiej roboty
Anthropic pokazał Fable 5.1 na początku września, razem z większym bratem, Mythosem 5.1. Skok względem poprzednika widać najmocniej tam, gdzie model musi sam prowadzić sesję w terminalu przez dłuższy czas. Terminal-Bench-Science podskoczył z 24,7% do 52,6%, czyli ponad dwukrotnie. Terminal-Bench 4.0 to 55,8% wobec 42,0% u Fable 5. Humanity’s Last Exam bez narzędzi wypadło na 60,9%.
To są liczby producenta. Traktujemy je jak pomiar wykonany na stanowisku dostarczonym przez producenta, czyli kierunek prawdziwy, wartości do sprawdzenia u siebie. Jeśli lubisz weryfikować takie zapowiedzi w praktyce, materiały o sprzęcie pod lokalne modele i o tym, jak nowe wersje wypadają na realnych konfiguracjach, znajdziesz na overclock.pl. Temat AI jest tam ciągnięty od strony testów, nie prezentacji marketingowych.
Za milion tokenów wejściowych zapłacisz 10 dolarów, za milion wyjściowych 50. Nie brzmi tanio, ale Anthropic obciął odczyt z cache o 75%, do 25 centów za milion. Przy pracy agentowej, gdzie ten sam kontekst wraca w kółko, rachunek spada o mniej więcej ćwierć, a w skrajnych przypadkach o 45% względem Fable 5. Kto pisał kiedyś pętlę agentową na własnym kluczu API, wie, że to jest różnica między eksperymentem a produkcją.
Najgłośniej mówi się o nowej zdolności modelu. Fable 5.1 potrafi wskazywać podatności w kodzie, ale ma zablokowane pisanie działających exploitów. Doszły zabezpieczenia korporacyjne z przechowywaniem danych po stronie klienta, mechanizmy utrudniające destylację i znak wodny w generowanym tekście, ten ostatni wprost pod unijny AI Act. Model wystartował od pierwszego dnia na AWS, Google Cloud i Azure.
GPT-6 Astra, największe liczby i największy hałas
OpenAI poszło na całość. Astra ruszyła 3 września, najpierw dla wybranych organizacji, potem szerzej. Greg Brockman rzucił przy okazji, że model może być czymś w rodzaju AGI. Media podchwyciły natychmiast. Axios i CNBC napisały o tym tego samego dnia, Al Jazeera dorzuciła wątek obaw o bezpieczeństwo.
Benchmarki są rzeczywiście nietypowe. ARC-AGI-3 na poziomie 99,9%. FrontierMath Tier 4 na 98%. ExploitBench na komplet, czyli 100%. W OSWorld 2.0, gdzie model steruje komputerem, wychodzi 72,6% i przy tym 47% szybciej niż poprzednik. Fable 5.1 notuje w tym samym teście 41,7% w trybie strict, więc metodologia może się różnić, ale przewagi Astry w obsłudze interfejsu graficznego trudno nie zauważyć.
Okno kontekstu robi wrażenie. Do 512 tysięcy tokenów model utrzymuje stuprocentową skuteczność w teście MRCR v2 z ośmioma igłami w stogu siana, przy milionie spada do 96,3%. Praktycznie oznacza to tyle, że można mu wrzucić średniej wielkości repozytorium i liczyć, że nie zgubi wątku w połowie.
Stawka wyjściowa jest identyczna jak u Anthropic, 10 i 50 dolarów za milion. Jest też tryb Fast, dwa razy droższy i do dwóch razy szybszy. Astra siedzi w ChatGPT Plus, Pro, Business i Enterprise, w API pod nazwą gpt-6-astra, a także na Azure i AWS Bedrock.
Osobno wypada odnotować deklaracje bezpieczeństwa. OpenAI podaje zerowy odsetek prób obejścia zabezpieczeń w testach automatycznego review oraz zero porażek na zadaniach niemożliwych do wykonania, przy 48% u GPT-5.6 Sol. Model dostał jednocześnie oznaczenie „Critical” w kategorii zdolności cyberbezpieczeństwa, co jest przyznaniem, że w niepowołanych rękach byłby problemem.
GLM-5.3, tani i wyspecjalizowany
Zhipu poszło inną drogą. GLM-5.3 dzieli model bazowy z GLM-5.2, a cały postęp pochodzi z rozszerzonego post-treningu. Firma mówi o pięćdziesięcioprocentowej poprawie w kodowaniu, bez ruszania architektury.
Liczby to potwierdzają w miejscach, gdzie poprzednik po prostu leżał. Terminal-Bench 3.0 daje 28,3 punktu wobec 4,6 u GLM-5.2. DeepSWE v1.1 to 66,9 zamiast 46,2. CyberGym urósł z 77,2% do 84,5%. ExploitBench podskoczył z 24,4% do 54,4%.
Przy okazji treningu bezpieczeństwa model przeczesał 269 projektów i wskazał 2436 podatności, część z nich w kodzie liczącym sobie ze czterdzieści lat. Zhipu prowadzi publiczny rejestr tych znalezisk razem z chińskimi zespołami bezpieczeństwa.
Największy argument to jednak rachunek. Dolar czterdzieści za milion tokenów wejściowych, 4,40 za wyjściowe, 26 centów za odczyt z cache. Mniej więcej siedem razy taniej na wejściu i jedenaście razy taniej na wyjściu niż u zachodniej konkurencji. Do tego milion tokenów kontekstu i do 128 tysięcy na wyjściu. Model działa z Claude Code, ZCode i OpenCode, a wagi miały trafić na Hugging Face po przeglądzie bezpieczeństwa.
Haczyk jest taki, że GLM-5.3 gra we własnej lidze wyników. Terminal-Bench 3.0 to nie to samo co 4.0, więc bezpośrednie zestawienie z Fable 5.1 nie ma sensu. W rozumowaniu ogólnym i w pracy z obrazem różnica na korzyść dwóch pozostałych jest wyraźna.
Czego benchmarki nie pokazują
Trzy rzeczy giną w tabelkach, a w codziennej pracy ważą więcej niż kilka punktów procentowych.
Pierwsza to limity zapytań. Model dostępny „od dziś” bywa dostępny dla garstki organizacji, a reszta czeka tygodniami albo dostaje mocno przyciętą przepustowość. Astra wchodziła dokładnie w tym trybie.
Druga to zachowanie przy zadaniach, których wykonać się nie da. GPT-6 Astra ma tu wynik, który mówi więcej niż niejeden test rozumowania. Zero prób udawania, że coś się udało, wobec prawie połowy przypadków u poprzedniej generacji. Model, który przyznaje się do porażki, oszczędza godziny debugowania cudzych halucynacji.
Trzecia to zgodność z prawem. Znak wodny w tekście z Fable 5.1 nie jest ciekawostką techniczną, tylko odpowiedzią na unijne przepisy. Jeśli publikujesz w Europie na skalę, ten szczegół może się okazać ważniejszy niż wynik na Terminal-Benchu.
Ile to kosztuje
| Model | Wejście / 1M | Wyjście / 1M | Cache | Kontekst |
|---|---|---|---|---|
| Claude Fable 5.1 | 10 USD | 50 USD | 0,25 USD | brak oficjalnej liczby |
| GPT-6 Astra | 10 USD | 50 USD | osobna stawka | do 1M tokenów |
| GLM-5.3 | 1,40 USD | 4,40 USD | 0,26 USD | 1M, wyjście 128K |
Który wybrać
Budujesz agenta, który ma pracować godzinami bez nadzoru i grzebać w terminalu? Fable 5.1 wygląda najsensowniej. Tani cache przy powtarzalnym kontekście robi tu robotę, a Anthropic od dawna projektuje modele pod scenariusze, w których nikt nie patrzy na ekran.
Potrzebujesz maksimum surowej mocy, sterowania komputerem albo pracy na ogromnych dokumentach naraz? Astra nie ma realnej konkurencji. Płacisz standardową stawkę albo podwójną w trybie Fast, ale dostajesz model, o którym własny producent mówi ostrożnie i z respektem.
Liczysz koszty, a twoje zadania to głównie kod? GLM-5.3 zamyka temat. Za pieniądze, które u konkurencji starczą na jeden dzień intensywnej pracy, u Zhipu przerobisz tydzień. Dochodzi zapowiedź otwartych wag, czyli opcja postawienia modelu u siebie, jeśli dane nie mogą opuścić firmy.
Realistycznie żadna z tych trzech opcji nie jest wyborem na wyłączność. Coraz częściej sensowne jest przełączanie modeli zależnie od zadania. Tani do masówki, drogi do rzeczy, które muszą wyjść za pierwszym razem. Routery API robią to dziś automatycznie, a różnica w rachunku na koniec miesiąca potrafi być trzycyfrowa.
0 komentarzy